JP6651668B1 - メール解析サーバ、メール解析方法、及びプログラム - Google Patents

Abstract

【課題】受信メールの解析精度を向上させて、受信メールに対するユーザの処理負担を軽減する。【解決手段】蓄積された受信メールに対する返信の有無を判定する判定部と、返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する学習部と、受信した受信メールに含まれる文字を、機械学習モデルを用いて、当該受信メールに対する返信の要否を推定する推定部と、を有する。【選択図】図１

Description

本発明の一実施形態は、メール解析サーバ、メール解析方法、及びプログラムに関するものである。

近年、電子メールは、ビジネスや学術界において頻繁に利用される重要なツールの一つである。ユーザは、日々、大量の電子メールを受信して、受信した電子メールの中から、すぐに返信が必要なものとそうでないものを一つ一つ判断して処理を行っている。ユーザは、大量の電子メールを処理するために多大な時間を消費している。

特許文献１には、ユーザが既に受信した電子メールを教師データとして、当該ユーザが新たに受信した電子メールに対し、ユーザ毎のアクション要否の度合い（アクション優先度）を評価し、その結果を提示することができる電子メールシステムについて記載されている。

特許文献１では、返信や転送などのアクションされた電子メールと、何もアクションされなかった電子メールとの双方を教師データとして機械学習している。また、アクションされた電子メールから抽出されたキーワードに重み付けをすることで、新たに受信した電子メールに必要なアクションを、スコアで評価している。

国際公開第２０１６／１１７１３２号

特許文献１では、ユーザのメールアプリケーションの受信フォルダに保存された受信メールを教師データとして機械学習している。そのため、アカウントが同じであっても、受信メールを受信する端末装置が異なると、端末装置毎に解析結果が異なる場合がある。

また、特許文献１では、返信した受信メール及び返信していない受信メールの双方の受信メールに含まれるキーワードを抽出してスコアによって評価しているが、キーワードの係り受けが考慮されていない。そのため、返信した受信メール及び返信していない受信メールの双方に、同じキーワードが含まれる場合、受信メールの解析精度が低下するおそれがある。

そこで、本発明の一実施形態は、受信メールの解析精度を向上させて、受信メールに対するユーザの処理負担を軽減することを目的の一とする。

本発明の一実施形態に係るメール解析サーバは、蓄積された受信メールに対する返信の有無を判定する判定部と、返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する学習部と、受信した受信メールに含まれる文字を、機械学習モデルを用いて、当該受信メールに対する返信の要否を推定する推定部と、を有する。

上記構成において、判定部は、蓄積された受信メール及び蓄積された送信メールを対比し、送信メールの本文に、受信メールの本文の一部を含むか否かを判定し、送信メールが受信メールの本文の一部を含む場合、当該受信メールは返信されたと判定する。

上記構成において、判定部は、蓄積された受信メール及び蓄積された送信メールを対比し、送信メールに、受信メールの付帯情報を含むか否かを判定し、送信メールの付帯情報が受信メールの付帯情報を含む場合、当該受信メールは返信されたと判定する。

上記構成において、判定部が、蓄積された受信メールに対する返信の有無を判定した後、返信されたと判定された受信メールに対して、返信までに要した時間を算出する、時間算出部をさらに有する。

上記構成において、学習部は、当該受信メールに含まれる文字及び返信までに要した時間を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する。

上記構成において、学習モデルは、複数のアカウントを区別せずに、返信したと判定された受信メールに基づいて生成される。

上記構成において、機械学習モデルは、アカウント毎に返信したと判定された受信メールに基づいて更新される。

上記構成において、ニューラルネットワークは、文字レベルの畳み込みニューラルネットワークである。

本発明の一実施形態に係るメール解析方法は、蓄積された受信メールに対する返信の有無を判定し、返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築し、新たに受信した受信メールに含まれる文字を、機械学習モデルを用いて、当該受信メールに対する返信の要否を推定する、メール解析方法。

上記方法において、蓄積された受信メールに対する返信の有無は、蓄積された受信メール及び蓄積された送信メールを対比し、送信メールに、受信メールの本文の一部を含むか否かを判定し、送信メールが受信メールの本文の一部を含む場合、当該受信メールは返信されたと判定する。

上記方法において、蓄積された受信メールに対する返信の有無は、蓄積された受信メール及び蓄積された送信メールを対比し、送信メールに、受信メールの付帯情報を含むか否かを判定し、送信メールが受信メールの付帯情報を含む場合、当該受信メールは返信されたと判定する。

上記方法において、蓄積された受信メールに対する返信の有無を判定した後、返信されたと判定された受信メールに対して、返信までに要した時間を算出する。

上記方法において、当該受信メールに含まれる文字及び返信までに要した時間を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する。

上記方法において、ニューラルネットワークは、文字レベルの畳み込みニューラルネットワークである。

上記方法において、機械学習モデルは、複数のアカウントを区別せずに、返信したと判定された受信メールに基づいて生成される。

上記方法において、機械学習モデルは、アカウント毎に返信したと判定された受信メールに基づいて更新される。

本発明の一実施形態に係るプログラムは、上記記載のメール解析方法を、コンピュータに実行させるためのプログラムである。

本発明の一実施形態によれば、受信メールの解析精度を向上させて、受信メールに対するユーザの処理負担を軽減することができる。

本発明の一実施形態に係るメール解析サーバの概要を示す図である。 メールアプリケーションにおいて、返信の要否に関する確率と共に受信メールを受信したときの表示画面を表す図である。 図２に示すメールアプリケーションにおいて、受信メールが選択された場合の表示画面を表す図である。 本発明の一実施形態に係るメール解析サーバのハードウェア構成を説明するブロック図である。 本発明の一実施形態に係るメール解析サーバの機能ブロック図である。 メール解析サーバにおいて、機械学習モデルを生成する過程について説明する図である。 メール解析サーバにおいて、新たに受信した受信メールに対して解析を行い、返信の要否に関する確率を推定する過程について説明する図である。 本発明の一実施形態に係るメール解析サーバの概要を示す図である。 本発明の一実施形態に係るメール解析サーバの機能ブロック図である。 本発明の一実施形態に係るメール解析サーバの概要を示す図である。 本発明の一実施形態に係るメール解析サーバの機能ブロック図である。 メールアプリケーションにおいて、返信の要否に関する確率と共に受信メールを受信したときの表示画面を表す図である。 メールアプリケーションにおいて、受信メールが選択された場合の表示画面を表す図である。 本発明の一実施形態に係るメール解析サーバの機能ブロック図である。 本発明の一実施形態に係るメール解析サーバの機能ブロック図である。

（第１実施形態）
本実施形態では、本発明の一実施形態に係るメール解析サーバ１０が、新たに受信した受信メールについて返信の要否を出力する過程について、図１乃至図７を参照して説明する。

本明細書等において電子メールとは、メール本文に１以上の文字を含む情報を有するものである。電子メールは、メール本文だけでなく、付帯情報、文書ファイル、表計算ファイル、及びプレゼンテーションファイルなどの添付ファイルを含む。ここで、付帯情報とは、メールの文書データに付随する情報のことをいい、例えば、宛名、件名、及び文書データに関する情報、送信、返信などの操作情報、操作実行日時、作成日時、及び文書データの作成者などの情報であってもよい。

また、本明細書等において、送信メールとは、メール解析サーバ１０を利用するユーザによって作成され、任意のユーザのアカウント（メールアドレス）に送信されたメールをいう。また、受信メールとは、任意の差出人によって作成されて、メール解析サーバ１０を利用するユーザのアカウント（メールアドレス）で受信したメールをいう。なお、単に電子メールと記載する場合は、受信メール、送信メール、転送メール、及び削除メールを区別しない。

［メール解析サーバの概要］
図１は、本発明の一実施形態に係るメール解析サーバ１０を説明する図である。図１に、メール解析サーバ１０、メールサーバ２０＿１、２０＿２、及び端末装置３０＿１、３０＿２を示す。メールサーバ２０＿１、２０＿２はネットワーク４０を介して電子メールを送受信する。

また、端末装置３０＿１は、メール解析サーバ１０を利用するユーザの端末装置であり、端末装置３０＿２は、任意のユーザが利用する端末装置である。また、メールサーバ２０＿１は、メール解析サーバ１０を利用するユーザのアカウントを管理するサーバであり、メールサーバ２０＿２は、任意のユーザのアカウントを管理するサーバである。なお、以降の説明において、メールサーバ２０＿１、２０＿２をそれぞれ区別しない場合には、メールサーバ２０と記載する。また、端末装置３０＿１、３０＿２をそれぞれ区別しない場合には、端末装置３０と記載する。

メールサーバ２０は、登録済みアカウントの電子メールを送受信する機能を有する。また、メールサーバ２０は、アカウント毎に、電子メールのメールデータを保持する機能を有する。ここで、メールデータとは、アドレス帳、電子メールの本文及び付帯情報、添付ファイル等を含む。ここで、アカウント毎の電子メールのメールデータは、メールサーバ２０の記録媒体に保持される。メールサーバ２０＿１は、外部から任意のユーザのアカウントからユーザのアカウント宛に受信した受信メールを、メール解析サーバ１０に送信する。また、メールサーバ２０＿１は、ユーザのアカウントから任意のユーザのアカウント宛に送信した送信メールを、メールサーバ２０＿２を送信する。

メール解析サーバ１０は、メールサーバ２０＿１から受信した送受信メールの文字を解析して、当該受信メールに対する返信の要否を推定する。ここで、メールの文字とは、メールの本文を少なくとも含み、この他に、付帯情報、及び他の受信メールの引用部分を含んでいてもよい。付帯情報には、送信元メールサーバのＩＰアドレスなど（Ｒｅｃｅｉｖｅｄフィールド）、差出人情報（Ｆｒｏｍフィールド）、メールの内部ＩＤ（Ｍｅｓｓａｇｅ−ＩＤフィールド）、メールのタイトル（Ｓｕｂｊｅｃｔフィールド）、電子メールのファイル形式のバージョン情報（ＭＩＭＥ−Ｖｅｒｓｉｏｎフィールド）、電子メールのファイル形式の情報（Ｃｏｎｔｅｎｔ−Ｔｙｐｅフィールド）、あて先情報（Ｔｏフィールド）、メールのコピーのあて先情報（Ｃｃフィールド）、メールの作成日時情報（Ｄａｔｅフィールド）、返信先メール情報（Ｒｅｆｅｒｅｎｃｅｓフィールド、Ｉｎ−Ｒｅｐｌｙ−Ｔｏフィールド）が含まれる。メール解析サーバ１０は、例えば、返信する必要性が高いものを１００％として、０％〜１００％の確率を推定する。メール解析サーバ１０は、返信の要否を関する確率と共に受信した受信メールを端末装置３０に送信する機能を有する。

端末装置３０は、メール解析サーバ１０に接続して、電子メールに関する処理を実行する。電子メールに関する処理とは、例えば、ユーザのアカウントから送信する送信用のメールデータを入力する機能、及び閲覧対象のメールデータを表示する機能などである。例えば、端末装置３０が電子メールに関する処理を行う際には、メールアプリケーションを使用することで実行できる。

図１に示すように、端末装置３０＿２は電子メールを送信元のメールサーバ２０＿２に送信し、送信元のメールサーバ２０は、ネットワーク４０を介して送信先のメールサーバ２０＿１に電子メールを送信する。送信先のメールサーバ２０＿１は、受信した電子メールをメール解析サーバ１０に送信する。メール解析サーバ１０は、受信した電子メールを解析することで、送信元のアカウントに対して返信の要否に関する確率を０％〜１００％として推定する。メール解析サーバ１０は、返信の要否に関する確率と共に電子メールを端末装置３０に送信し、端末装置３０は、返信の要否に関する確率と共に電子メールを受信することができる。

図２は、端末装置３０のメールアプリケーション４００において、返信の要否に関する確率と共に受信メールを受信したときの表示画面を表す図である。端末装置３０は、メールアプリケーション４００によって、アカウント４０１、アクション表示領域４０２、受信メール表示領域４０４を表示する。アカウント４０１には、メールアプリケーション４００を使用するユーザのアカウントが表示される。アクション表示領域４０２には、新規メール、返信、全員に返信、及び転送などのアクションが表示される。ユーザは、いずれかのアクションを選択して、受信メールを作成する。受信メール表示領域４０４には、受信メール４０５＿１〜４０５＿５の各々において、返信の要否に関する確率４０６＿１〜４０６＿５が表示される。

返信の要否に関する確率は、ユーザによって所定の閾値が予め設定されていてもよい。端末装置３０は、返信の要否に関する確率が所定の閾値以上の場合には、当該受信メールの表示を変化させてもよい。端末装置３０は、例えば、当該受信メールに記載された返信の要否に関する確率について強調表示をしてもよい。端末装置３０は、例えば、図２に示すように、返信の要否に関する確率が８０％以上の場合と、６０％〜８０％未満の場合と、０％〜６０％未満の場合と、で返信の要否に関する確率の強調表示が異なっていてもよい。

図３は、図２に示すメールアプリケーション４００において、受信メール４０５＿１が選択された場合の表示画面を表す図である。図３に示すように、受信メール４０５＿１には、返信の要否に関する確率と共に、受信メール４０５＿１の付帯情報、メール本文が表示される。また、返信の要否に関する確率とともに、返信などのアイコンが表示されることで、ユーザに返信を促してもよい。

ユーザは、端末装置３０において、返信の要否に関する確率を確認することで、当該受信メールが返信の必要性が高いか低いかを容易に判断することができる。ユーザは、返信の要否に関する確率が高い受信メールから処理していけばよいため、受信した受信メールに対するユーザの処理負担を軽減することができる。

［メール解析サーバのハードウェア構成］
図４は、本発明の一実施形態に係るメール解析サーバ１０のハードウェア構成を説明するブロック図である。図４に示すように、メール解析サーバ１０は、制御部１０１、ＲＯＭ１０２（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ１０３（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、記録媒体１０４、及び通信部１０５を含む。

制御部１０１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等であり、後述する機能ブロックの動作を制御する。制御部１０１は、例えば、ＲＯＭ１０２及び記録媒体１０４に記録されている動作プログラムを読み出し、ＲＡＭ１０３に展開して動作プログラムを実行することにより、各機能ブロックによってメール解析サーバ１０の処理機能を実現する。

記録媒体１０４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の恒久的な情報保持及び情報の書き換えが可能な記録装置である。記録媒体１０４には、メールサーバ２０から取得したアカウント毎に送受信した電子メールのメールデータが格納されている。また、記録媒体１０４には、後に詳述する返信済みの受信メールに基づく教師データが格納されている。また、記録媒体１０４には、後に詳述する機械学習によって生成された機械学習モデルが格納されている。なお、アカウント毎の電子メールのメールデータ、教師データ、及び機械学習モデルは、それぞれ異なる記録媒体に格納されていてもよい。

ＲＯＭ１０２は、不揮発性メモリ等の恒久的な情報保持が可能な記録装置である。ＲＯＭ１０２には、例えば、メール解析処理を実行するためのプログラムが格納されている。

ＲＡＭ１０３は、例えば、揮発性メモリ等の一時的な情報保持に用いられる書き換え可能な記憶装置である。ＲＡＭ１０３は、ＲＯＭ１０２に記録されている機能ブロックのプログラム等の展開領域、及び機能ブロックの動作において出力された中間データ等を記憶する格納領域として用いられる。

通信部１０５は、通信インターフェースである。メール解析サーバ１０は通信部１０５を介することで、端末装置３０及びメールサーバ２０と接続し、端末装置３０との間、及びメールサーバ２０との間でメールの送受信を行うことができる。

なお、本実施形態では、説明を簡単にするために、メール解析サーバ１０のハードウェア構成として、各種ブロックを有するものとして説明したが、本発明の一実施形態はこれに限定されない。例えば、各種ブロックの少なくとも一つが、メール解析サーバ１０とは別の装置として構成されていてもよい。

［メール解析サーバの機能ブロック図］
図５は、本発明の一実施形態に係るメール解析サーバ１０の機能ブロック図である。メール解析サーバ１０は、電子メール取得部１１１、電子メール格納部１１２、判定部１１３、教師データ１１４、学習部１１５、機械学習モデル１１６、推定部１１７、及び出力部１１８を含む。電子メール取得部１１１、判定部１１３、学習部１１５、推定部１１７、及び出力部１１８は、制御部１０１によって処理が実行される。また、電子メール格納部１１２、機械学習モデル１１６、及び教師データ１１４は、記録媒体１０４に格納される。

まず、メール解析サーバ１０が機械学習する際に使用する機能ブロックについて説明する。

電子メール取得部１１１は、所定の期間毎に、メールサーバ２０＿１で蓄積された送受信した電子メールを取得する。取得した電子メールは、後述する学習部１１５によって、機械学習モデル１１６を構築する際に用いられる。また、電子メール取得部１１１は、メールサーバ２０＿１で新たに受信した受信メールを取得する。取得した新たに受信した受信メールは、後述する推定部１１７によって、返信の有無に関する確率を推定する際に用いられる。

電子メール格納部１１２は、電子メール取得部１１１で取得した送受信された電子メールを格納する。取得した送受信された電子メールは、電子メール格納部１１２に、アカウント毎に格納される。

判定部１１３は、所定の期間毎に、電子メール格納部１１２に蓄積された受信メール及び送信メールを読み出し、受信メール毎に返信の有無を判定する。判定部１１３は、蓄積された受信メール及び蓄積された送信メールを対比し、送信メールの本文に、受信メールの本文の一部を含むか否かを判定する。送信メールが受信メールの本文の一部を含む場合、当該受信メールは、返信されたと判定する。また、判定部１１３は、蓄積された受信メール及び蓄積された送信メールを対比し、送信メールの付帯情報が受信メールの付帯情報を含む場合、当該受信メールは返信されたと判定してもよい。ここで、受信メールの付帯情報とは、例えば、Ｍｅｓｓａｇｅ−ＩＤ、Ｉｎ−Ｒｅｐｌｙ−Ｔｏ、Ｒｅｆｅｃｅｎｃｅｓである。Ｉｎ−Ｒｅｐｌｙ−Ｔｏには、返信対象の一つのＭｅｓｓａｇｅ−ＩＤのみが記録される。Ｒｅｆｅｒｅｎｃｅｓには、スレッドのメールのＭｅｓｓａｇｅ−ＩＤが複数記録される。例えば、送信メールの一つが削除されてしまったとしても、その後に続くメールのＲｅｆｅｒｅｎｃｅｓから返信の状況が復元できる。返信されたと判定された受信メール及び返信されていないと判定された受信メールは、教師データ１１４に格納される。

学習部１１５は、教師データ１１４に蓄積された受信メールに対して、当該受信メールに含まれる文字を解析し、ニューラルネットワークを用いて機械学習によって機械学習モデルを構築する。構築された機械学習モデルは、機械学習モデル１１６に格納される。ここで、ニューラルネットワークは、文字レベルの畳み込みニューラルネットワーク（Ｃｈａｒａｃｔｅｒ−ｌｅｖｅｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いる。文字レベルの畳み込みネットワークは、単語単位ではなく、文字単位で機械学習する。そのため、固有名詞、業界用語、業界特有の省略形などの未知の単語、誤記などに強いという特徴がある。

また、ニューラルネットワークは、所定の期間毎に再学習を行い、機械学習モデル１１６を更新する。ニューラルネットワークは、教師データ１１４に蓄積された受信メールを新たな教師データとして再学習して、機械学習モデル１１６を更新する。

また、機械学習モデル１１６の構築は、複数のアカウントを区別せずに実行してもよいし、アカウント毎に実行してもよい。例えば、機械学習モデル１１６は、複数のアカウントを区別せずに、返信したと判定された受信メールに対して構築される。また、機械学習モデル１１６は、アカウント毎に返信したと判定された受信メールに基づいて更新される。アカウント毎に機械学習モデル１１６を更新することで、アカウント毎の受信メールの解析結果の精度の向上が望める。

推定部１１７は、電子メール取得部１１１が新たに受信した受信メールを取得すると、機械学習モデル１１６を用いて、新たに受信した受信メールに含まれる文字を解析し、当該受信メールに対する返信の要否に関する確率を推定する。

出力部１１８は、推定部１１７が推定した返信の要否に関する確率と共に受信メールを端末装置３０に出力する。

なお、電子メール取得部１１１が新たに受信した受信メールは、電子メール格納部１１２に格納されるとともに、推定部１１７に送信されてもよい。または、当該受信メールは、電子メール格納部１１２に格納されずに、推定部１１７に送信されてもよい。電子メール取得部１１１が新たに受信した受信メールを取得したタイミングで、電子メール格納部１１２に格納されなくても、電子メール格納部１１２は、所定の期間毎に送受信された電子メールを、メールサーバ２０＿１から取得すればよい。

［データ処理方法］
次に、本発明の一実施形態に係るメール解析方法について、図６及び図７を参照して説明する。制御部１０１は、それぞれの処理をメール解析サーバ１０に実行させる。

まず、メール解析サーバ１０において、機械学習モデルを構築する過程について図６を参照して説明する。電子メール取得部１１１は、所定の期間毎にメールサーバ２０＿２から送受信された電子メールを取得する（ステップＳ３０１）。電子メール取得部１１１は、取得した電子メールを、電子メール格納部１１２に格納する（ステップＳ３０２）。次に、判定部１１３は、電子メール格納部１１２から送信メール及び受信メールを読み出し、受信した電子メールに対する返信の有無を判定する（ステップＳ３０３）。次に、判定部１１３は、返信したと判定された受信メール返信されていないと判定された受信メールを教師データに格納する（ステップＳ３０４）。次に、学習部１１５は、教師データとして、返信したと判定された受信メールを解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する（ステップＳ３０５）。次に、学習部１１５は、構築した機械学習モデルを、機械学習モデル１１６に格納する（ステップＳ３０６）。

次に、メール解析サーバ１０において、新たに受信した受信メールに対して解析を行い、返信の要否に関する確率を推定する過程について図７を参照して説明する。電子メール取得部１１１は、メールサーバ２０＿２から新たに受信した受信メールを取得する（ステップＳ３１１）。次に、推定部１１７は、ニューラルネットワークにより受信メールに含まれる文字を解析する（ステップＳ３１２）。次に、推定部１１７は、機械学習モデルを用いて、当該受信メールに対する返信の要否に関する確率を推定する（ステップＳ３１３）。次に、出力部１１８は、受信メールを返信する返信の要否に関する確率をと共に受信メールを端末装置３０に出力する（ステップＳ３１４）。

端末装置３０＿１から端末装置３０＿２に送信メールを送信する場合には、メール解析サーバ１０を経由しなくてもよい。端末装置３０＿１から端末装置３０＿２に送信メールを送信する場合には、端末装置３０＿１からメールサーバ２０＿１に送信メールを送信する。メールサーバ２０＿１は、メールサーバ２０＿２を介して、端末装置３０＿２に送信する。メールサーバ２０＿１は、端末装置３０＿１から送信メールを取得すると、送信メールをメールサーバ２０＿１の記録媒体に格納する。メール解析サーバ１０が送信メールを取得する場合は、図６のステップＳ３０１で説明したように、所定の期間毎に、メールサーバ２０＿１から取得すればよい。

本発明の一実施形態に係るメール解析サーバ１０は、機械学習モデルを用いて、新たに受信した受信メールに含まれる文字から、当該受信メールに対する返信の要否に関する確率を推定することで、返信の要否に関する確率と共に受信メールを端末装置３０に送信することができる。ユーザは、端末装置３０において返信の要否に関する確率を確認することで、当該受信メールが返信の必要性が高いか低いかを容易に判断することができる。したがって、受信した受信メールに対するユーザの処理負担を軽減することができる。

従来では、受信メールに含まれるキーワードの出現回数をカウントしているだけなので、単語の前後の関係や係り受けを考慮することができなかった。例えば、「ＳＳＬ証明書の更新をして下さい。返信は不要です。」と、「ＳＳＬ証明書の更新は不要です。返信して下さい。」と、を区別できない。本発明の一実施形態に係るメールサーバ２０では、文字レベルの畳み込みニューラルネットワークを用いているため、単語の前後の関係や係り受けを考慮して、電子メールを解析することができる。

また、従来では、単語レベルで解析していたため、固有名詞、業界用語、業界特有の省略形などの辞書にない単語を含む文を単語の列に正確に分割できなかった場合、解析の精度が低下するおそれがあった。本発明の一実施形態に係るメールサーバ２０では、文字レベルで解析するため、辞書にない単語が含まれていてもそれによって精度が低下するおそれがない。

また、迷惑メールと判断される電子メールは、アカウントによらず、使用される文字及び単語について共通性が高い。したがって、アカウントによらず、迷惑だと判定された電子メールを形態素解析することに意味がある。

これに対して、返信が必要な電子メールは、返信が必要な傾向はユーザによって大きく異なる。また、返信を要する電子メールでは、固有名詞、業界用語、業界特有の省略形などの未知の単語が多い。したがって、電子メールの本文を形態素解析するよりも文字レベルで解析することで、返信の要否に関する確率の精度をより向上させることができる。

また、本発明の一実施形態に係るメール解析サーバ１０において、受信した電子メールに含まれる文字を解析している。そのため、アカウントが同じであれば、複数の端末装置３０に出力される返信の要否に関する確率は、複数の端末装置３０それぞれにおいて同じになる。したがって、ユーザは、受信した端末装置３０に依存することなく、返信の要否に関する確率と共に電子メールを受信することができる。

（第２実施形態）
第１実施形態では、メール解析サーバ１０と、メールサーバ２０とを別々の装置で構成する例について説明したが、本実施形態では、メール解析サーバ１０と、メールサーバ２０とを一体化して同じ装置で構成する例について、図８及び図９を参照して説明する。

［メール解析サーバの概要］
図８は、本発明の一実施形態に係るメール解析サーバ１０Ａを説明する図である。図８に、メール解析サーバ１０Ａ、メールサーバ２０＿２、及び端末装置３０＿１、３０＿２を示す。本実施形態では、メール解析サーバ１０は、第１実施形態で説明したメールサーバ２０＿１の電子メールの送受信機能を有する。また、本実施形態において、メール解析サーバ１０は、登録済みアカウントの電子メールを送受信する機能を有する。また、メール解析サーバ１０は、アカウント毎に、電子メールを保持する機能を有する。

［メール解析サーバの機能ブロック図］
図９は、本発明の一実施形態に係るメール解析サーバ１０Ａの機能ブロック図である。図９に示すメール解析サーバ１０Ａは、端末装置３０＿１から送信された送信メールを、メールサーバ２０＿２に送信する機能をさらに有する点で、図５に示すメール解析サーバ１０と異なっている。本実施形態では、第１実施形態と異なる機能を有する機能ブロックについて詳細に説明する。

まず、メール解析サーバ１０Ａが、メールサーバ２０＿２から新たに受信メールを受信した場合の処理について説明する。電子メール取得部１１１Ａは、メールサーバ２０＿２から受信された受信メールを取得すると、電子メール格納部１１２に格納する。また、電子メール取得部１１１Ａは、推定部１１７に受信メールを送信する。なお、判定部１１３、教師データ１１４、学習部１１５、機械学習モデル１１６、及び推定部１１７については、第１実施形態で説明した機能と同様であるため、詳細な説明は省略する。また、出力部１１８は、推定部１１７が推定した返信の要否に関する確率と共に受信メールを端末装置３０に出力する。

次に、メール解析サーバ１０Ａが、端末装置３０から送信された送信メールをメールサーバ２０＿２に送信する場合の処理について説明する。電子メール取得部１１１Ａは、端末装置３０から送信された送信メールを取得すると、電子メール格納部１１２に格納する。また、電子メール取得部１１１Ａは、出力部１１８Ａに送信メールを送信する。出力部１１８Ａは、メールサーバ２０＿２に送信メールを送信する。

（第３実施形態）
本実施形態では、端末装置３０のブラウザ上に表示される画面において、ユーザが入力や操作を行うことで、端末装置３０における電子メールのやり取りを可能にするメール解析サーバ１０Ｂについて、図１０及び図１１を参照して説明する。

［メール解析サーバの概要］
図１０は、本発明の一実施形態に係るメール解析サーバ１０Ｂを説明する図である。図１０に、メール解析サーバ１０Ｂ、メールサーバ２０＿２、及び端末装置３０を示す。

［メール解析サーバの機能ブロック図］
図１１は、本発明の一実施形態に係るメール解析サーバ１０Ｂの機能ブロック図である。図１１に示すメール解析サーバ１０Ｂは、端末装置３０に電子メールを出力するのではなく、端末装置３０のブラウザ上に表示される画面において電子メールを表示する点で、図５に示すメール解析サーバ１０と異なっている。本実施形態では、第１実施形態と異なる機能を有する機能ブロックについて詳細に説明する。

電子メール処理部１１９は、メールサーバ２０＿２から受信された受信メールを取得すると、電子メール格納部１１２に格納する。また、電子メール処理部１１９は、推定部１１７に受信メールを送信する。推定部１１７は、返信の有無に関する確率を推定して、電子メール格納部１１２に格納された当該受信メールとともに返信の有無に関する確率を格納する。電子メール処理部１１９は、端末装置３０の受信メール閲覧要求にしたがって、返信の有無に関する確率とともに受信メールを、端末装置３０のブラウザ上に表示される画面において表示する。

電子メール処理部１１９は、端末装置３０のブラウザ上に表示される画面において、生成された送信メールを取得すると、電子メール格納部１１２に格納する。また、電子メール処理部１１９は、メールサーバ２０＿２に当該送信メールを送信する。

（変形例１）
第１実施形態では、メールアプリケーション４００の受信トレイにおいて、受信した全ての受信メールを表示する例について説明したが、本発明の一実施形態はこれに限定されない。受信トレイとは別に、要返信トレイに返信の要否に関する確率が所定の閾値以上の受信メールのみを表示させてもよい。また、所定の閾値未満の受信メールは、受信トレイに表示させてもよい。

図１２は、端末装置３０のメールアプリケーション４００において、返信の要否に関する確率と共に受信メールを受信したときの表示画面を表す図である。図２に示すメールアプリケーション４００の表示と異なる点は、受信トレイの他に、要返信トレイを有する点である。要返信トレイにおいて、返信の要否に関する確率が、所定の閾値以上の受信メールのみを表示することができる。図１２では、返信の要否に関する確率が、８０％以上の受信メール４０５＿１〜４０５＿４が表示されている。なお、返信の要否に関する確率が８０％未満の受信メールは、受信トレイに表示されるため、ユーザは適宜確認することができる。これにより、ユーザは要返信トレイで受信した返信の優先度が高い受信メールを先に確認して返信すればよいため、受信した受信メールに対するユーザの処理効率が向上する。

（変形例２）
受信メールに対する返信の要否に関する確率は、アカウント毎に異なっていてもよい。同じ受信メールであっても、返信が必要な傾向はユーザによって大きく異なるからである。

図１３は、メールアプリケーションにおいて、受信メール４０７＿１が選択された場合の表示画面を表す図である。図３に示したように、『株式会社ＹＹＹＹの鈴木』が『株式会社ＺＺＺＺの山田』からの受信メールを受信した場合、返信の要否に関する確率が８０％と出力される。一方で、図１３に示したように、『株式会社ＹＹＹＹの田中』が『株式会社ＺＺＺＺの山田』からの受信メールを受信した場合、返信の要否に関する確率が５０％と出力されてもよい。

本発明の一実施形態に係るメール解析サーバ１０は、アカウント毎に機械学習モデルを更新する。そのため、メール解析サーバ１０は、一つの受信メールに対して複数の宛先が含まれる場合、アカウント毎に、それぞれ返信の要否に関する確率を推定することができる。

（変形例３）
本発明の一実施形態では、受信メールに含まれる文字を機械学習の対象とする例について説明したが、本発明の一実施形態はこれに限定されない。受信メールに対して、返信するまでにかかった時間を機械学習の対象としてもよい。

図１４は、本発明の一実施形態に係るメール解析サーバ１０Ｃの機能ブロック図である。図１４に示すメール解析サーバ１０Ｃは、判定部１１３において、受信した電子メールに対する返信の有無を判定した後、受信メールに対して、返信するまでにかかった時間を算出する時間算出部１２１をさらに有する点で、図５に示すメール解析サーバ１０と異なっている。以下、時間算出部１２１の機能について詳細に説明する。

時間算出部１２１は、受信メールに対して、返信するまでに要した時間を算出する。返信するまでに要した時間を算出する電子メールの対象は、受信メールに対して返信した返信メールを対象としてもよいし、すべての送受信メールを対象としてもよい。受信メールに対して返信した返信メールを対象とする場合、返信するまでに要した時間の抽出は、受信メールの受信日時と、当該受信メールに対して返信した送信メールの送信日時とから抽出する。または、返信するまでに要した時間の抽出は、当該返信メールの付帯情報に含まれる受信メールの受信日時と、返信メールの送信日時とから抽出してもよい。また、受信メールに対して返信した返信メールを対象とする場合、返信するまでに要した時間の抽出は、返信がされなかった受信メールに対しては、返信までに要した時間を∞としてもよい。時間算出部１２１によって、抽出された返信するまでに要した時間は、教師データ１１４に格納される。

受信メールに対して、返信するまでに要した時間に閾値を設けてもよい。例えば、返信するまでに要した時間が、２４時間未満であれば、返信するべき重要度が高い受信メールであると判定し、２４時間以上であれば、重要度が低い受信メールであると判定してもよい。送受信メールに含まれる文字と、抽出された返信までに要した時間とは、教師データに格納される。

学習部１１５は、送受信メールの文字だけでなく、返信までに要した時間を含めて機械学習を実行する。

機械学習の対象として、受信メールの文字だけでなく、返信までに要した時間を含めることで、受信メールの返信の要否に関する解析精度をより向上させることができる。

（変形例４）
本発明の一実施形態では、メール解析サーバ１０、１０Ａ〜１０Ｃは、少なくとも、判定部１１３、学習部１１５、及び推定部１１７を含む例について説明したが、これに限定されない。メール解析サーバ１０Ｄは、少なくとも推定部１１７を有していればよく、機械学習モデルを構築する学習装置が別にあってもよい。

図１５は、本発明の一実施形態に係るメール解析サーバ１０Ｄ及び学習装置５０の機能ブロック図である。図１５に示すように、メール解析サーバ１０Ｄとは別に、学習装置５０が設けられる。

学習装置５０は、電子メール取得部１１１、電子メール格納部１１２、判定部１１３、教師データ１１４、学習部１１５、及び機械学習モデル１１６を有する。判定部１１３は、蓄積された受信メールに対する返信の有無を判定し、学習部１１５は、返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する。学習装置５０が有する各構成の詳細な説明は、第１実施形態〜第３実施形態で説明した通りである。

メール解析サーバ１０Ｄは、電子メール取得部１２２、推定部１１７、出力部１１８を有する。電子メール取得部１２２は、メールサーバ２０＿１から、返信の要否を推定する必要がある受信メールを取得する。推定部１１７は、電子メール取得部１２２で取得した受信メールの文字に対して、学習装置５０の機械学習モデルを用いて返信の要否を推定する。出力部１１８は、推定部１１７で推定した返信の要否を端末装置３０に出力する。

以上説明した通り、メール解析サーバ１０Ｄと、学習装置５０とは異なる装置であってもよい。

（変形例５）
本発明の一実施形態では、学習部１１５において、文字レベルの畳み込みニューラルネットワークを使用して、機械学習モデルを構築する例について説明したが、これに限定されない。学習部１１５において、ニューラルネットワークとして、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）を使用して、機械学習モデルを構築してもよい。ＢＥＲＴとは、さまざまな自然言語処理（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ；ＮＬＰ）タスクの最先端の結果を得る言語表現事前トレーニングのための手法である。ＢＥＲＴでは、教師なしで、双方向型の事前トレーニングをさせる。教師なしとは、ＢＥＲＴがプレーンテキストコーパスのみを使用してトレーニングされたことを意味する。

学習部１１５では、ＢＥＲＴの事前学習済みのモデルを使用して、教師データ１１４に蓄積された受信メールを教師データとして学習し、機械学習モデルを構築する。推定部１１７が、電子メール取得部１１１が新たに受信した受信メールを取得すると、ＢＥＲＴによる機械学習モデル１１６を用いて、新たに受信した受信メールに含まれる文字を解析し、当該受信メールに対する返信の要否に関する確率を推定する。ＢＥＲＴでは、注目する単語の前後両方の文脈について考慮することができるため、受信メールの返信の要否に関する確率の精度をより向上させることができる。

１０、１０Ａ、１０Ｂ：メール解析サーバ、２０：メールサーバ、３０：端末装置、４０：ネットワーク、１０１：制御部、１０２：ＲＯＭ、１０３：ＲＡＭ、１０４：記録媒体、１０５：通信部、１１１、１１１Ａ：電子メール取得部、１１２：電子メール格納部、１１３：判定部、１１４：教師データ、１１５：学習部、１１６：機械学習モデル、１１７：推定部、１１８、１１８Ａ：出力部、１１９：電子メール処理部、４００：メールアプリケーション、４０１：アカウント、４０２：アクション表示領域、４０４：受信メール表示領域、４０５：受信メール、４０６：返信の要否に関する確率、４０７：受信メール

Claims (13)

1. 蓄積された受信メールに対する返信の有無を判定する判定部と、
   返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する学習部と、
   受信した受信メールに含まれる文字に対して前記機械学習モデルを用いて、当該受信メールに対する返信の要否を推定する推定部と、を有し、
   前記判定部は、
   前記蓄積された受信メール及び蓄積された送信メールを対比し、前記送信メールの本文に、前記受信メールの本文の一部を含むか否かを判定し、
   前記送信メールが前記受信メールの本文の一部を含む場合、当該受信メールは返信されたと判定する、メール解析サーバ。
2. 蓄積された受信メールに対する返信の有無を判定する判定部と、
   返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する学習部と、
   受信した受信メールに含まれる文字に対して前記機械学習モデルを用いて、当該受信メールに対する返信の要否を推定する推定部と、を有し、
   前記判定部は、
   前記蓄積された受信メール及び蓄積された送信メールを対比し、前記送信メールに、前記受信メールの付帯情報を含むか否かを判定し、
   前記送信メールの付帯情報が前記受信メールの付帯情報を含む場合、当該受信メールは返信されたと判定する、メール解析サーバ。
3. 蓄積された受信メールに対する返信の有無を判定する判定部と、
   返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築する学習部と、
   受信した受信メールに含まれる文字に対して前記機械学習モデルを用いて、当該受信メールに対する返信の要否を推定する推定部と、
   前記判定部が、前記蓄積された受信メールに対する返信の有無を判定した後、前記蓄積された受信メールに対して、返信までに要した時間を算出する、時間算出部と、を有し、
   前記学習部は、当該受信メールに含まれる文字及び前記返信までに要した時間を解析し、ニューラルネットワークを用いた機械学習によって前記機械学習モデルを構築する、メール解析サーバ。
4. 前記機械学習モデルは、複数のアカウントを区別せずに、前記返信したと判定された受信メールに基づいて構築される、請求項１乃至３のいずれか一項に記載のメール解析サーバ。
5. 前記機械学習モデルは、アカウント毎に前記返信したと判定された受信メールに基づいて更新される、請求項１乃至３のいずれか一項に記載のメール解析サーバ。
6. 前記ニューラルネットワークは、文字レベルの畳み込みニューラルネットワークである、請求項１乃至３のいずれか一項に記載のメール解析サーバ。
7. 蓄積された受信メールに対する返信の有無を判定し、
   返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築し、
   受信した受信メールに含まれる文字に対して前記機械学習モデルを用いて、当該受信メールに対する返信の要否を推定することを含み、
   前記蓄積された受信メールに対する返信の有無は、
   前記蓄積された受信メール及び蓄積された送信メールを対比し、前記送信メールに、前記受信メールの本文の一部を含むか否かを判定し、
   前記送信メールが前記受信メールの本文の一部を含む場合、当該受信メールは返信されたと判定する、メール解析方法。
8. 蓄積された受信メールに対する返信の有無を判定し、
   返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築し、
   受信した受信メールに含まれる文字に対して前記機械学習モデルを用いて、当該受信メールに対する返信の要否を推定することを含み、
   前記蓄積された受信メールに対する返信の有無は、
   前記蓄積された受信メール及び蓄積された送信メールを対比し、前記送信メールに、前記受信メールの付帯情報を含むか否かを判定し、
   前記送信メールが前記受信メールの付帯情報を含む場合、当該受信メールを、は返信されたと判定する、メール解析方法。
9. 蓄積された受信メールに対する返信の有無を判定し、
   返信されたと判定された受信メールに含まれる文字と返信されていないと判定された受信メールに含まれる文字の少なくとも一方を解析し、ニューラルネットワークを用いた機械学習によって機械学習モデルを構築し、
   受信した受信メールに含まれる文字に対して前記機械学習モデルを用いて、当該受信メールに対する返信の要否を推定し、
   前記蓄積された受信メールに対する返信の有無を判定した後、前記蓄積された受信メールに対して、返信までに要した時間を算出することを含み、
   当該受信メールに含まれる文字及び前記返信までに要した時間を解析し、ニューラルネットワークを用いた機械学習によって前記機械学習モデルを構築する、メール解析方法。
10. 前記ニューラルネットワークは、文字レベルの畳み込みニューラルネットワークである、請求項７乃至９のいずれか一項に記載のメール解析方法。
11. 前記機械学習モデルは、複数のアカウントを区別せずに、前記返信したと判定された受信メールに基づいて生成される、請求項７乃至９のいずれか一項に記載のメール解析方法。
12. 前記機械学習モデルは、アカウント毎に前記返信したと判定された受信メールに基づいて更新される、請求項７乃至９のいずれか一項に記載のメール解析方法。
13. 請求項７乃至１２のいずれか一項に記載のメール解析方法を、
    コンピュータに実行させるためのプログラム。
    

Images