JP6718772B2 - レビュー支援装置及びレビュー支援方法 - Google Patents

Description

本発明は、レビュー支援装置及びレビュー支援方法に関する。

業務手順書やシステム開発の設計書等の各種文書のレビュー作業を支援する技術が普及している。本技術分野の背景技術として、国際公開第２００２／０７３４６２号公報（特許文献）がある。この公報には、「サーバ側では、任意のクライアントから登録依頼された、動画像等の時間構造を持つマルチメディアデータに関し、任意のメンバ間で交換可能なマルチメディア電子付箋の雛形を作成する。このマルチメディア電子付箋の雛形は、マルチメディアデータを時間的に分割した各シーン毎に、コメント付加先／作成ユーザ名等の各種属性を持つコメントを入力／表示可能とする。」と記載されている（要約参照）。

国際公開第２００２／０７３４６２号公報

しかし、特許文献１に記載の技術によって、文書に対する各レビュアによる指摘事項をレビュア同士で共有させることはできるが、指摘事項に不足がある場合に、当該不足事項を自動で抽出し、レビュアに提示することはできない。

また、当該不足事項は適切な粒度で提示されることが望ましい。具体的には、例えば、ある分野についての内容を記載すべきであるにも関わらず当該内容が記載されていない文書に対して、レビュアによって当該分野における指摘がほとんどなされていない場合には、当該分野の概要を示す大まかな指摘をするよう勧める旨が提示されることが望ましい。また、当該文書に対して、レビュアによって当該分野における指摘がある程度なされている場合には、当該分野における詳細事項を指摘するよう勧める旨が提示されることが望ましい。

そこで本発明の一態様は、レビュー対象の文書に対するレビューを行うレビュアに対して、適切なレビューすべき内容を提示することを目的とする。

上記課題を解決するため本発明の一態様は、以下の構成を採用する。コンテンツに対するレビューを支援するレビュー支援装置であって、プロセッサと記憶装置と表示装置とを含み、前記記憶装置は、前記コンテンツと、前記コンテンツに対するコメントと、１以上の分類と、前記１以上の分類それぞれに属する用語と、の対応を示し、各用語について、当該用語が含まれる分類に関連する度合である分類関連度を示す、分類情報と、前記１以上の分類それぞれについて、前記コンテンツに対して指摘すべき事項と、前記指摘すべき事項の細かさを示す第１粒度と、の対応を示すレコメンド詳細情報と、前記プロセッサは、前記コンテンツと前記１以上の分類それぞれとの関連度であるコンテンツ関連度の値、前記コメントと前記１以上の分類それぞれとの関連度であるコメント関連度の値、前記１以上の分類それぞれにおける当該分類に含まれる用語のうち前記コンテンツに含まれる用語の割合であるコンテンツ網羅率の値、及び前記１以上の分類それぞれにおける当該分類に含まれる用語のうち前記コメントに含まれる用語の割合であるコメント網羅率の値、の少なくとも１つを算出し、前記少なくとも１つの算出において、前記分類情報に含まれる用語の前記コンテンツにおける頻度を算出し、前記１以上の分類それぞれについて、前記算出した用語の頻度と、当該用語の前記分類情報が示す分類関連度と、の積の総和を、前記コンテンツ関連度の値として算出し、前記少なくとも１つの算出において、前記分類情報に含まれる用語の前記コメントにおける頻度を算出し、前記１以上の分類それぞれについて、前記算出した用語の頻度と、当該用語の前記分類情報が示す分類関連度と、の積の総和を、前記コンテンツ関連度の値として算出し、前記算出した少なくとも１つに基づいて、前記１以上の分類それぞれにおける第１粒度を算出し、前記１以上の分類それぞれについて、前記レコメンド詳細情報から、前記算出した第１粒度に対応する指摘すべき事項を取得し、前記取得した指摘すべき事項を前記表示装置に出力する、レビュー支援装置。

本発明の一態様によれば、レビュー対象の文書に対するレビューを行うレビュアに対して、適切なレビューすべき内容を提示することができる。

上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

実施例１におけるレビュー支援システムの構成例を示すブロック図である。 実施例１におけるプロセッサに含まれる各部の構成例を示すブロック図である。 実施例１におけるデータベースの構成例を示すブロック図である。 実施例１におけるコンテンツデータの一例である。 実施例１におけるコンテンツ解析サマリの一例である。 実施例１におけるコンテンツ解析明細の一例である。 実施例１におけるコメントデータの一例である。 実施例１におけるコメント解析サマリの一例である。 実施例１におけるコメント解析明細の一例である。 実施例１における個人別保有スキルの一例である。 実施例１における個人別レビュー実績の一例である。 実施例１におけるレビュー能力定義の一例である。 実施例１における個人別実務能力の一例である。 実施例１における主要分類の一例である。 実施例１における用語データの一例である。 実施例１におけるレコメンド粒度定義の一例である。 実施例１における過去実績参考ケース履歴の一例である。 実施例１における個人別レコメンド粒度反応データの一例である。 実施例１におけるレコメンド粒度推奨設定値データの一例である。 実施例１におけるレコメンド粒度影響変数調整データの一例である。 実施例１におけるレコメンドベクトルの一例である。 実施例１におけるレコメンド詳細の一例である。 実施例１におけるレビュー支援処理の概要の一例を示すフローチャートである。 実施例１におけるレコメンドベクトル決定処理の一例を示すフローチャートである。 実施例１におけるレコメンド粒度決定処理の一例を示すフローチャートである。 実施例１におけるレコメンド内容決定処理の一例を示すフローチャートである。 実施例１におけるスクリーニング処理の一例を示すフローチャートである。 実施例１におけるレコメンド表示画面の一例である。

以下、添付図面を参照して本発明の実施形態を説明する。本実施形態は本発明を実現するための一例に過ぎず、本発明の技術的範囲を限定するものではないことに注意すべきである。各図において共通の構成については同一の参照符号が付されている。

本実施形態はレビュー支援システムを説明する。レビュー支援システムは、システム開発の設計書や業務手順書等のテキスト形式のコンテンツに対する、コンテンツ作成者以外のユーザによるレビューを支援する。レビューとは、コンテンツにおける問題点や修正点等を指摘する作業である。レビューを実施する人であるレビュアがコンテンツに対して、問題点や修正点を指摘するコメントを入力することは、レビューの一例である。

レビュー支援システムは、複数の用語を含む用語データを保持し、各用語は主要分類に属する。用語データに含まれる用語は、例えば、コンテンツに含まれることが望ましい用語である。コンテンツがシステム開発の設計書である場合、セキュリティ、性能、運用、ユーザビリティ、及び法務等はそれぞれ主要分類の一例である。

レビュー支援システムは、コンテンツ及び当該コンテンツに対するコメントの少なくとも一方と用語データとの比較結果に基づいて、主要分類ごとのレコメンド粒度を算出し、算出したレコメンド粒度に基づいて、主要分類ごとのレコメンドをレビュアに対して提示する。レコメンドとは、コンテンツに対する指摘すべき事項を、レビュアに対して提示することである。レコメンド粒度とは、レコメンドにおいて提示する、指摘すべき事項の細かさを示す指標である。

例えば、主要分類「セキュリティ」についてのレコメンド粒度が大きい（粗い）場合、レビュー支援システムは、セキュリティの概要についてのコメントをするよう促すレコメンドを、レビュアに対して提示する。また、例えば、主要分類「セキュリティ」についてのレコメンド粒度が小さい（細かい）場合、レビュー支援システムは、セキュリティの詳細な内容についてコメントをするよう促すレコメンドを、レビュアに対して提示する。

図１は、レビュー支援システムの構成例を示すブロック図である。レビュー支援システムは、例えば、レビュー支援処理装置１２０と、インターネット等のネットワーク１１１を介してレビュー支援処理装置１２０に接続された１以上の作業端末１１０と、レビュー支援処理装置１２０に接続されたデータベース１３０と、を含む。

作業端末１１０は、例えば、プロセッサ（ＣＰＵ）、メモリ、補助記憶装置、通信インタフェース、キーボードやマウスや音声入力マイクなどの入力装置に接続された入力インタフェース、及びディスプレイやプリンタなどの出力装置が接続された出力インタフェースを含む計算機によって構成される。作業端末１１０は、ユーザから入力を受け付け、入力された情報をレビュー支援処理装置１２０に送信する。また、作業端末１１０は、例えば、レビュー支援処理装置１２０による処理結果等をレビュー支援処理装置１２０から受信し、当該処理結果等を表示装置に出力する。

レビュー支援処理装置１２０は、プロセッサ（ＣＰＵ）１０１、記憶装置であるメモリ１０２及び補助記憶装置１０３、並びに通信インタフェース１０４を有する計算機によって構成される。プロセッサ１０１は、メモリ１０２に格納されたプログラムを実行する。メモリ１０２は、不揮発性の記憶素子であるＲＯＭ及び揮発性の記憶素子であるＲＡＭを含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などを格納する。ＲＡＭは、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）のような高速かつ揮発性の記憶素子であり、プロセッサ１０１が実行するプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。

補助記憶装置１０３は、例えば、磁気記憶装置（ＨＤＤ）、フラッシュメモリ（ＳＳＤ）等の大容量かつ不揮発性の記憶装置であり、プロセッサ１０１が実行するプログラム及びプログラムの実行時に使用されるデータを格納する。すなわち、プログラムは、補助記憶装置１０３から読み出されて、メモリ１０２にロードされて、プロセッサ１０１によって実行される。

レビュー支援処理装置１２０は、入力インタフェース１０５及び出力インタフェース１０８を有してもよい。入力インタフェース１０５は、キーボード１０６やマウス１０７などの入力が接続され、オペレータからの入力を受けるインタフェースである。出力インタフェース１０８は、ディスプレイ１０９やプリンタなどの出力装置が接続され、プログラムの実行結果をオペレータが視認可能な形式で出力するインタフェースである。

通信インタフェース１０４は、所定のプロトコルに従って、他の装置との通信を制御するネットワークインターフェース装置である。また、通信インタフェース１０４は、例えば、ＵＳＢ等のシリアルインターフェースを含む。

プロセッサ１０１が実行するプログラムは、リムーバブルメディア（ＣＤ−ＲＯＭ、フラッシュメモリなど）又はネットワーク１１１を介して匿名化サーバ１００に提供され、非一時的記憶媒体である不揮発性の補助記憶装置１０３に格納される。このため、匿名化サーバ１００は、リムーバブルメディアからデータを読み込むインタフェースを有するとよい。

レビュー支援処理装置１２０は、物理的に一つの計算機上で、又は、論理的又は物理的に構成された複数の計算機上で構成される計算機システムであり、同一の計算機上で別個のスレッドで動作してもよく、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。

プロセッサ１０１は、例えば、ＤＢ更新部１２１、コンテンツ・コメント解析部１２２、レコメンド導出部１２３、及び送受信部１２４を含む。例えば、プロセッサ１０１は、メモリ１０２にロードされたＤＢ更新プログラムに従って動作することで、ＤＢ更新部１２１として機能し、メモリ１０２にロードされたコンテンツ・コメント解析プログラムに従って動作することで、コンテンツ・コメント解析部１２２として機能する。プロセッサ１０１に含まれる他の部についても同様である。

データベース１３０は、例えば、コンテンツＤＢ（ＤａｔａＢａｓｅ）１３１、コメントＤＢ１３２、レビュー能力ＤＢ１３３、用語ＤＢ１３４、及びレコメンドＤＢ１３５を保持する。なお、データベース１３０が保持するデータの一部又は全部が補助記憶装置１０３に格納されていてもよい。

なお、本実施形態において、レビュー支援処理装置１２０が使用する情報は、データ構造に依存せずどのようなデータ構造で表現されていてもよい。例えば、テーブル、リスト、データベース又はキューから適切に選択したデータ構造体が、情報を格納することができる。なお、後に説明する図では、データベース１３０が保持する各データがテーブル構造で表現されている例を示す。

ＤＢ更新部１２１は、例えば、レビュー支援処理装置１２０の管理者等からの指示に従って、データベース１３０に格納されたデータベースを更新する。コンテンツ・コメント解析部１２２は、コンテンツ及びコンテンツに対して入力されたコメントを解析する。レコメンド導出部１２３は、各コンテンツに対するレコメンド情報を生成する。送受信部１２４は、コンテンツ、コメント、及びレコメンド情報を組み合わせた表示画面を生成し、作業端末１１０やディスプレイ１０９に送信する。

図２は、プロセッサ１０１に含まれる各部の構成例を示すブロック図である。ＤＢ更新部１２１は、例えば、レビュアから入力されたコメントを後述するコメントデータ１５１に格納するコメント更新処理部２１１と、入力されたコメントに対する統計処理を実行する統計更新部２１２と、を含む。

コンテンツ・コメント解析部１２２は、例えば、コンテンツ解析部２２１及びコメント解析部２２２を含む。コンテンツ解析部２２１は、後述するコンテンツデータ１４１からコンテンツデータを取得し、取得したコンテンツを解析して、解析結果を後述するコンテンツ解析サマリ１４２及びコンテンツ解析明細１４３に格納する。コメント解析部２２２は、コメントデータ１５１からコメントを取得し、取得したコメントを解析して、解析結果を後述するコメント解析サマリ１５２及びコメント解析明細１５３に格納する。

レコメンド導出部１２３は、例えば、レコメンドベクトル決定部２３１、レコメンド検索部２３２、及びスクリーニング部２３３、を含む。レコメンドベクトル決定部２３１は、各コンテンツの各主要分類の各レビュアに対するレコメンド粒度を決定し、後述するレコメンドベクトル１８６を生成する。レコメンド検索部２３２は、レコメンドベクトル１８６に従って、各コンテンツの各レビュアに対するレコメンド情報を生成する。スクリーニング部２３３は、レコメンド情報をスクリーニングすることにより、レビュアに合わせたレコメンド情報を決定する。

送受信部１２４は、例えば、作業端末１１０から画面表示要求やコメントを受信するリクエスト受信部２４１と、コンテンツやコメントやレコメンド情報を画面表示用に加工編集するレスポンス生成部２４２と、画面表示用に加工編集されたレスポンス情報を作業端末１１０に送信するレスポンス送信部２４３と、を含む。

図３は、データベース１３０の構成例を示すブロック図である。コンテンツＤＢ１３１は、例えば、レビュー対象のコンテンツを保持するコンテンツデータ１４１と、コンテンツデータに含まれるコンテンツの解析結果のサマリを保持するコンテンツ解析サマリ１４２と、当該解析結果の明細であるコンテンツ解析明細１４３と、を含む。

コメントＤＢ１３２は、例えば、コンテンツに対して入力されたコメントを保持するコメントデータ１５１と、コメントデータに含まれるコメントの解析結果のサマリを保持するコメント解析サマリ１５２と、当該解析結果の明細であるコメント解析明細１５３と、を含む。

レビュー能力ＤＢは、例えば、個人別保有スキルデータ１６１、個人別レビュー実績１６２、レビュー能力定義１６３、及び個人別実務能力を含む。個人別保有スキルデータ１６１は、各主要分類における各ユーザのスキルを示すスキル値を保持する。スキル値は、例えば、各ユーザの保有資格や試験成績等の客観的指標に従って、予め定められている。個人別レビュー実績１６２は、各レビュアが過去に入力したコメントの主要分類ごとの集計結果を保持する。レビュー能力定義１６３は、個人別保有スキルデータ１６１と個人別レビュー実績１６２の情報から、レビュー能力の有無を判定するための情報を保持する。個人別実務能力データ１６４は、各ユーザの各主要分類におけるコンテンツ作成能力及びレビュー能力の有無を示す情報を保持する。

用語ＤＢ１３４は、主要分類１７１と用語データ１７２とを保持する。主要分類１７１は、主要分類の名称を保持する。用語データ１７２は、各主要分類に属する用語を保持する。例えば、コンテンツがシステム開発における基本設計書における主要分類は、「セキュリティ」、「性能」、「運用」、「ユーザビリティ」、「法務」等の、システム開発の根幹である分類である。「通信」及び「無線ＬＡＮ」は、主要分類「セキュリティ」に属する用語の一例である、「レスポンス」及び「スループット」は、主要分類「性能」に属する用語の一例である。

レコメンドＤＢは、例えば、レコメンド粒度定義１８１、過去実績参考ケース履歴１８２、個人別レコメンド粒度反応データ１８３、レコメンド粒度推奨設定値データ１８４、レコメンド粒度影響変数調整データ１８５、レコメンドベクトル１８６、及びレコメンド詳細１８７を含む。

レコメンド粒度定義１８１は、レコメンド粒度影響変数を定義するデータである。レコメンド粒度定義１８１は、各レコメンド粒度影響変数の値から、各レコメンド粒度影響変数に対応するレコメンド粒度を決定するために用いられる。過去実績参考ケース履歴１８２は、過去のレビューにおけるレコメンド粒度影響変数、及びレコメンド粒度の実績を示すデータである。個人別レコメンド粒度反応データ１８３は、各主要分類のレコメンドに対して各レビュアが反応した入力したコメントの件数を保持する。レコメンド粒度推奨設定値データ１８４は、各主要分類のレコメンド粒度の推奨値を保持する。

レコメンド粒度影響変数調整データ１８５は、レコメンド粒度影響変数の重みづけ和を算出する際の、各レコメンド粒度影響変数の重みを保持する。レコメンドベクトル１８６は、各コンテンツの各レビュアに対する各主要分類のレコメンド粒度を保持する。レコメンド詳細１８７は、各主要分類の各レコメンド粒度に対応するレコメンド内容を保持する。

図４は、コンテンツデータ１４１の一例である。コンテンツデータ１４１は、後述するレコメンド支援処理開始前に予めデータベース１３０に格納されている。コンテンツデータは、例えば、コンテンツ名欄４０１、コンテンツ欄４０２、及びコンテンツ作成者欄４０３を含む。コンテンツデータ１４１は、コンテンツが格納されたファイルのファイル形式等をさらに格納してもよい。

コンテンツ名欄４０１は、コンテンツの識別子の一例である名称を格納する。コンテンツ欄４０２は、言語処理が可能なテキスト形式のコンテンツを格納する。なお、コンテンツが文書ではなく画像や動画等である場合には、コンテンツ欄４０２は、画像や動画に表示された文章や動画中の音声等がテキスト形式に変換されたコンテンツを保持する。コンテンツ作成者欄４０３は、コンテンツ作成者の識別子の一例である氏名を格納する。

図５は、コンテンツ解析サマリ１４２の一例である。コンテンツ解析サマリは、例えば、コンテンツ名欄５０１、主要分類欄５０２、コンテンツ関連度欄５０３、及びコンテンツ網羅率欄５０４を含む。コンテンツ名欄５０１は、コンテンツの名称を格納する。主要分類欄５０２は、主要分類の名称を格納する。コンテンツ関連度欄５０３は、対応するコンテンツが、対応する主要分類に関連する度合いを示すコンテンツ関連度を格納する。コンテンツ網羅率欄５０４は、対応する主要分類に属する用語のうち、対応するコンテンツが含む用語の割合、を示すコンテンツ網羅率を格納する。

図６は、コンテンツ解析明細１４３の一例である。コンテンツ解析明細１４３は、例えば、コンテンツ名欄６０１、主要分類欄６０２、上位用語欄６０３、用語欄６０４、及び頻度欄６０５を含む。コンテンツ名欄６０１は、コンテンツの名称を格納する。主要分類欄６０２は、主要分類の名称を格納する。

詳細は後述するが、本実施形態において、各主要分類に１以上の用語が属しており、各用語は、例えば、各主要分類を根ノードとする木構造におけるノードとして定義される。上位用語欄６０３は、用語欄６０４に格納された用語の親ノードに相当する用語を格納する。なお、上位用語欄６０３は、用語欄６０４に格納された用語の親ノード以外の先祖ノードに相当する用語をさらに格納してもよい。用語欄６０４は、対応する主要分類に含まれる用語を格納する。頻度欄６０５は、対応する用語の対応するコンテンツにおける出現頻度を格納する。

図７は、コメントデータ１５１の一例である。コメントデータ１５１は、後述するレコメンド支援処理開始前に予めデータベース１３０に格納されている。コメントデータ１５１は、例えば、コンテンツ名欄７０１、対象位置欄７０２、入力日時欄７０３、入力者欄７０４、及びコメント欄７０５を含む。コンテンツ名欄７０１は、コメントが入力されたコンテンツの名称を格納する。対象位置欄７０２は、対応するコメントがコンテンツ内のどの位置に記載されたテキスト等に対するコメントであるかを示す情報を格納する。当該位置は、例えば、コンテンツ内の座標で表されてもよいし、コメント対象のテキストが記載された行番号等で表されてもよい。

入力日時欄７０３は、例えば、コメントが入力された日時を格納する。入力者欄７０４は、例えば、コメントを入力した人の氏名を格納する。コメント欄７０５は、例えば、テキスト形式のコメントを格納する。なお、コメントが文書ではなく画像や動画等である場合には、コメント欄７０５は、例えば、画像や動画に表示された文章や動画中の音声等がテキスト形式に変換されたコメントを保持する。

図８は、コメント解析サマリ１５２の一例である。コメント解析サマリ１５２は、例えば、コンテンツ名欄８０１、主要分類欄８０２、コメント関連度欄８０３、及びコメント網羅率欄８０４を含む。コンテンツ名欄８０１は、レビュー対象のコンテンツの名称を格納する。主要分類欄８０２は、主要分類の名称を格納する。コメント関連度欄８０３は、対応するコンテンツに入力されたコメントが、対応する主要分類に関連する度合いを示すコメント関連度を格納する。コメント網羅率欄８０４は、対応する主要分類に属する用語のうち、対応するコンテンツに入力されたコメントが含む用語の割合、を示すコメント網羅率を格納する。

図９は、コメント解析明細１５３の一例である。コメント解析明細１５３は、例えば、コンテンツ名欄９０１、主要分類欄９０２、上位用語欄９０３、用語欄９０４、及び頻度欄９０５を含む。コンテンツ名欄９０１は、レビュー対象のコンテンツの名称を格納する。主要分類欄９０２は、主要分類の名称を格納する。

上位用語欄９０３は、用語欄９０４に格納された用語の直近の上位用語を格納する。用語欄９０４は、対応する主要分類に含まれる用語を格納する。頻度欄６０５は、対応する用語の対応するコンテンツの全てのコメントにおける総出現頻度を格納する。

図１０は、個人別保有スキルデータ１６１の一例である。個人別保有スキルデータ１６１は、後述するレコメンド支援処理開始前に予めデータベース１３０に格納されている。個人別保有スキルデータ１６１は、例えば、氏名欄１００１及びスキル値欄１００２を含む。氏名欄１００１は、氏名を格納する。スキル値欄１００２は、個人が有する各主要分類のスキルの優劣を示す指標であるスキル値を格納する。

なお、本実施形態では、例えば、スキル値が大きいほど、対応する分野のスキルが優れていることを示す。なお、個人別保有スキルデータ１６１は、スキル値の代わりに、対応する分野のスキルの有無を示すフラグが格納されてもよい。

図１１は、個人別レビュー実績１６２の一例である。個人別レビュー実績１６２は、例えば、氏名欄１１０１及びコメント累積件数欄１１０２を含む。氏名欄は、レビューを実施した個人、即ちレビュアの氏名を格納する。コメント累積件数欄１１０２、レビュアがコンテンツに対して入力した主要分類別のコメントの件数を格納する。

図１２は、レビュー能力定義１６３の一例である。レビュー能力定義１６３は、後述するレコメンド支援処理開始前に予めデータベース１３０に格納されている。レビュー能力定義１６３は、例えば、スキル値欄１２０１及びコメント累積件数別レビュー能力欄１２０２を含む。

スキル値欄１２０１は、スキル値を格納する。コメント累積件数別レビュー能力欄１２０２は、各スキル値に対して、コメント累積件数ごとのレビュー能力の有無を示すレビュー能力フラグを格納する。つまり、レビュー能力定義１６３は、スキル値及びコメント累積件数の組み合わせと、レビュー能力フラグと、の対応を示す情報である。本実施形態では、レビュー能力フラグが「１」である場合、レビュー能力があることを示し、レビュー能力フラグが「０」である場合、レビュー能力がないことを示す。

図１３は、個人別実務能力データ１６４の一例である。個人別実務能力データ１６４は、例えば、後述するレコメンド支援処理開始前にデータベース１３０に格納されている。個人別実務能力データ１６４は、例えば、氏名欄１３０１、作成能力欄１３０２、及びレビュー能力欄１３０３を含む。氏名欄１３０１は、氏名を格納する。

作成能力欄１３０２は、コンテンツの作成能力の有無を示す作成能力フラグを主要分類ごとに保持する。本実施形態では、作成能力フラグが「１」である場合、コンテンツ作成能力があることを示し、作成能力フラグが「０」である場合、コンテンツ作成能力がないことを示す。レビュー能力欄１３０３は、レビュー能力フラグを主要分類ごとに保持する。

なお、例えば、統計更新部２１２が、レビュー能力欄１３０３の値を生成及び更新してもよい。具体的には、例えば、統計更新部２１２は、個人別保有スキルデータ１６１から各人の各主要分類のスキル値を取得し、個人別レビュー実績１６２から各人の各主要分類のコメント累積件数を取得する。

統計更新部２１２は、各人の各主要分類について、当該人のスキル値と当該主要分類のコメント累積件数に対応するコメントレビュー能力フラグを、レビュー能力定義１６３から取得し、当該人の当該主要分類のレビュー能力欄１３０３に格納する。

例えば、図１０を参照すると、「○○太郎」の「性能」のスキル値は「４」である。また、図１１を参照すると、「○○太郎」の「性能」のコメント累積件数は「１２０」である。図１２を参照すると、スキル値「５」かつコメント累積件数「１４０」である場合のレビュー能力フラグは「１」である。従って、「○○太郎」の「性能」のレビュー能力フラグは「１」である。

なお、レビュー能力欄１３０３の値の更新は、例えば、定期的に又はユーザからの指示に従って実行される。また、例えば、個人別のコンテンツ作成件数を示す情報、並びにスキル値及びコンテンツ作成件数と、作成能力フラグと、の対応を示す情報が、予めデータベース１３０に格納されていれば、統計更新部２１２は、これらの情報を用いて、レビュー能力欄１３０３の値の生成及び更新と同様の方法で、作成能力欄１３０２の値を更新及び生成してもよい。

図１４は、主要分類１７１の一例である。主要分類１７１は、例えば、後述するレコメンド支援処理開始前にデータベース１３０に格納されている。主要分類１７１は、主要分類欄１４０１を含む。主要分類欄１４０１は、主要分類の名称を格納する。

図１５は、用語データ１７２の一例である。用語データ１７２は、例えば、後述するレコメンド支援処理開始前にデータベース１３０に格納されている。本実施形態において、用語は、例えば、各主要分類を根ノードとする木構造のノードとして定義される。用語データ１７２は、例えば、主要分類欄１５０１、用語欄１５０２、階層欄１５０３、上位用語欄１５０４、及び関連度欄１５０５を含む。

主要分類欄１５０１は、用語欄１５０２が示す用語が属する主要分類を格納する。用語欄１５０２は、用語を格納する。階層欄１５０３は、主要分類が示す木構造において用語が属する階層を格納する。上位用語欄１５０４は、対応する用語欄１５０２の用語の親ノードに相当する用語を格納する。関連度欄１５０５は、対応する用語が対応する主要分類に関連する度合を示す関連度を格納する。同じ木構造に属する用語については、属する階層が上位であるほど関連度が高い。

図１６は、レコメンド粒度定義１８１の一例である。レコメンド粒度定義１８１は、例えば、後述するレコメンド支援処理開始前にデータベース１３０に格納されている。レコメンド粒度定義１８１は、例えば、レコメンド粒度影響変数欄１６０１及びレコメンド粒度欄１６０２を含む。レコメンド粒度影響変数欄１６０１は、各主要分類のレコメンド粒度の決定に用いられる変数名を格納する。つまり、各主要分類のレコメンド粒度は、各主要分類のレコメンド粒度影響変数それぞれのレコメンド粒度から算出される。レコメンド粒度欄１６０２は、レコメンド粒度影響変数の値と当該レコメンド粒度影響変数のレコメンド粒度との対応、を示す情報を格納する。

本実施形態においては、レコメンド粒度は３段階で定義されているが、段階数に制限はない。また、レコメンド粒度の値は、「１（大）」、「２（中）」、「３（小）」のように、レコメンド粒度が大きいほど小さくなるように定められている。

詳細は後述するが、例えば、コンテンツにおける主要分類の用語の総出現頻度が大きいほど（特に当該主要分類の上位階層における用語の出現頻度が大きいほど）、当該主要分類に対応するコンテンツ関連度が高くなる。つまり、コンテンツと主要分類との間の関連度が高いほど、コンテンツにおける主要分類の用語の総出現頻度が大きい可能性が高く、また当該主要分類の上位階層の用語がコンテンツに記載されている可能性が高い。従って、レコメンド粒度定義１８１において、コンテンツ関連度については、値が大きいほど、レコメンド粒度が小さくなるよう定義されるのが望ましい。コメント関連度についても同様である。

また、コンテンツがある主要分類に属する用語を網羅する割合が高いほど、当該主要分類の詳細な内容が当該コンテンツに記載されている可能性が高い。従って、レコメンド粒度定義１８１において、コンテンツ網羅率については、値が大きいほど、レコメンド粒度が小さくなるよう定義されるのが望ましい。コメント網羅率についても同様である。

また、コンテンツ作成者がある主要分類における作成能力を有している場合には、当該主要分類について詳細なコメントが入力された場合に、当該コンテンツ作成者は、当該詳細なコメントを理解し、当該詳細なコメントが示す内容をコンテンツに補足できる可能性が高い。従って、レコメンド粒度定義１８１において、コンテンツ作成者が作成能力を有する場合に、レコメンド粒度が小さくなるよう定義されるのが望ましい。

また、レビュアがある主要分類におけるレビュー能力を有している場合には、当該レビュアは当該主要分類について詳細なコメントを入力する能力を有する可能性が高い。従って、レコメンド粒度定義１８１において、レビュアがレビュー能力を有する場合に、レコメンド粒度が小さくなるよう定義されるのが望ましい。

図１７は、過去実績参考ケース履歴１８２の一例である。過去実績参考ケース履歴１８２は、例えば、コンテンツ名欄１７０１、氏名欄１７０２、主要分類欄１７０３、累積時間欄１７０４、コンテンツ関連度欄１７０５、コンテンツ網羅率欄１７０６、コメント関連度欄１７０７、コメント網羅率欄１７０８、作成能力欄１７０９、レビュー能力欄１７１０、及びレコメンド粒度欄１７１１を含む。

コンテンツ名欄１７０１は、レビューが実施されたコンテンツの名称を格納する。氏名欄１７０２は、レビューを実施した個人、即ちレビュアの名称を格納する。主要分類欄１７０３は、主要分類の名称を格納する。累積時間欄１７０４は、対応するコンテンツのレビュー開始時からの累積経過時間を格納する。なお、１つのコンテンツが複数のレビュアによってレビューされた場合、累積経過時間は、例えば、当該複数人の合計レビュー時間として計測されてもよいし、レビュアごとに計測されてもよい。

コンテンツ関連度欄１７０５は、対応する累積時間における、対応するコンテンツの対応する主要分類のコンテンツ関連度を格納する。コンテンツ網羅率欄１７０６は、対応する累積時間における、対応するコンテンツの対応する主要分類のコンテンツ網羅率を格納する。コメント関連度欄１７０７は、対応する累積時間における、対応するコンテンツの対応する主要分類のコメント関連度を格納する。コメント網羅率欄１７０８は、対応する累積時間における、対応するコンテンツの対応する主要分類のコメント網羅率を格納する。

作成能力欄１７０９は、対応するレビュアの対応する主要分類における作成能力フラグを格納する。レビュー能力欄１７１０は、対応するレビュアの対応する主要分類におけるレビュー能力フラグを格納する。レコメンド粒度欄１７１１は、対応する累積時間における、対応するコンテンツの対応する主要分類のレコメンド粒度を格納する。なお、過去実績参考ケース履歴１８２の各欄の値は、後述するレコメンド粒度決定処理等において生成され、生成された値は、例えば、統計更新部２１２によって過去実績参考ケース履歴１８２に格納される。

図１８は、個人別レコメンド粒度反応データ１８３の一例である。個人別レコメンド粒度反応データ１８３は、例えば、氏名欄１８０１、主要分類欄１８０２、及びレコメンド粒度別反応コメント件数欄１８０３を含む。氏名欄１８０１は、レビュアの氏名を格納する。主要分類欄１８０２は、主要分類の名称を格納する。レコメンド粒度別反応コメント件数欄１８０３は、対応するレビュアが対応する主要分類のレコメンドに反応してコメントを入力した件数を、レコメンド粒度別に格納する。例えば、個人別レコメンド粒度反応データ１８３の各欄の値は、レコメンドに反応したコメントが入力される度に、統計更新部２１２によって生成される。

図１９は、レコメンド粒度推奨設定値データ１８４の一例である。レコメンド粒度推奨設定値データ１８４は、例えば、後述するレコメンド支援処理開始前にデータベース１３０に格納されている。レコメンド粒度推奨設定値データ１８４は、例えば、主要分類欄１９０１及び推奨レコメンド粒度欄１９０２を含む。主要分類欄１９０１は、主要分類の名称を格納する。推奨レコメンド粒度欄１９０２は、対応する主要分類のレコメンド粒度の推奨値を格納する。なお、推奨レコメンド粒度欄１９０２の値は、ｎｕｌｌ値であってもよい。

図２０は、レコメンド粒度影響変数調整データ１８５の一例である。レコメンド粒度推奨設定値データ１８４は、例えば、後述するレコメンド支援処理開始前にデータベース１３０に格納されている。レコメンド粒度影響変数調整データ１８５は、例えば、レコメンド粒度影響変数欄２００１及び影響比率欄２００２を含む。レコメンド粒度影響変数欄２００１は、主要分類のレコメンド粒度の決定に用いられる変数名を格納する。

影響比率欄２００２は、レコメンド粒度影響変数から主要分類のレコメンド粒度を決定する際における、各レコメンド粒度影響変数の影響比率を格納する。本実施形態においては、影響比率欄２００２の合計が１００％である。なお、本実施形態においては、レコメンド粒度影響変数調整データ１８５は、全ての主要分類に共通して用いられるが、主要分類ごとに設定されていてもよい。

図２１は、レコメンドベクトル１８６の一例である。レコメンドベクトル１８６は、例えば、コンテンツ名欄２１０１、氏名欄２１０２、主要分類欄２１０３、及びレコメンド粒度欄２１０４を含む。コンテンツ名欄２１０１は、コンテンツの名称を格納する。氏名欄２１０２は、レビュアの氏名を格納する。主要分類欄２１０３は、主要分類の名称を格納する。レコメンド粒度欄２１０４は、対応するレビュアに対する、対応するコンテンツ及び主要分類のレコメンド粒度を格納する。

図２２は、レコメンド詳細１８７の一例である。レコメンド詳細１８７は、例えば、後述するレコメンド支援処理開始前にデータベース１３０に格納されている。レコメンド詳細１８７は、例えば、主要分類欄２２０１、関連用語欄２２０２、レコメンド粒度欄２２０３、及びレコメンド内容欄２２０４を含む。主要分類欄２２０１は、主要分類の名称を格納する。

関連用語欄２２０２は、対応する主要分類に属する用語であって、対応するレコメンド内容に関連する用語、を格納する。レコメンド粒度欄２２０３は、レコメンド粒度を格納する。なお、レコメンド粒度が大きいほど、関連用語欄２２０２に格納される用語の階層が上位であることが望ましい。レコメンド内容欄２２０４は、対応する主要分類の対応するレコメンド粒度におけるレコメンド内容を格納する。

図２３は、レビュー支援処理の概要の一例を示すフローチャートである。コンテンツ解析部２２１は、コンテンツデータ１４１からコンテンツを取得し、取得したコンテンツを解析して、解析結果をコンテンツ解析サマリ１４２及びコンテンツ解析明細１４３に追加する（Ｓ２３０１）。

なお、コンテンツ解析部２２１は、例えば、コンテンツデータ１４１に新しいコンテンツが登録される度に、当該新しいコンテンツに対してステップＳ２３０１の処理を実行してもよいし、定期的に未解析のコンテンツに対してステップＳ２３０１の処理を実行してもよい。なお、コンテンツデータ１４１が保持する全てのコンテンツが解析済みである場合、ステップＳ２３０１の処理は実行されなくてもよい。

以下、コンテンツ解析部２２１による第１コンテンツに対するステップＳ２３０１の処理の具体例を説明する。コンテンツ解析部２２１は、用語データ１７２から用語欄１５０２の用語、並びに各用語に対応する主要分類、上位用語、関連度を取得する。コンテンツ解析部２２１は、第１コンテンツにおける取得した用語それぞれの頻度を算出する。コンテンツ解析部２２１は、取得した用語それぞれについて、当該用語、算出した頻度、第１コンテンツのコンテンツ名、並びに対応する主要分類及び上位用語をコンテンツ解析明細１４３に格納する。

また、コンテンツ解析部２２１は、第１コンテンツの各主要分類に対するコンテンツ関連度及びコンテンツ網羅率を算出する。具体的には、例えば、コンテンツ解析部２２１は、主要分類が「セキュリティ」である用語の頻度それぞれと、当該用語に対応する関連度と、の積の総和を、第１コンテンツにおける主要分類「セキュリティ」のコンテンツ関連度として算出する。

また、コンテンツ解析部２２１は、用語データ１７２において主要分類が「セキュリティ」である用語のうち、第１コンテンツに含まれる用語の割合を、第１コンテンツにおける主要分類「セキュリティ」のコンテンツ網羅率として算出する。

コンテンツ解析部２２１は、他の主要分類についてのコンテンツ関連度及びコンテンツ網羅率についても同様の方法で算出する。コンテンツ解析部２２１は、第１コンテンツの名称、各主要分類の名称、並びに各主要分類に対応するコンテンツ関連度及びコンテンツ網羅率をコンテンツ解析サマリ１４２に格納する。

続いて、コメント解析部２２２は、コメントデータ１５１からコメントを取得し、取得したコメントを解析して、解析結果をコメント解析サマリ１５２及びコメント解析明細１５３に追加する（Ｓ２３０２）。なお、コメント解析部２２２は、例えば、コメントデータ１５１に新しいコメントが登録される度に、当該新しいコメントを含むコンテンツに対してステップＳ２３０２の処理を実行してもよいし、定期的に未解析のコメントを含むコンテンツに対してステップＳ２３０２の処理を実行してもよい。なお、コメントデータ１５１が保持する全てのコメントが解析済みである場合、ステップＳ２３０２の処理は実行されなくてもよい。

以下、コメント解析部２２２による第１コンテンツに対するステップＳ２３０２の処理の具体例を説明する。コメント解析部２２２は、コメントデータ１５１から、第１コンテンツの全てのコメントからなる第１コメント群を取得する。コメント解析部２２２は、用語データ１７２から用語欄１５０２の用語、並びに各用語に対応する主要分類、上位用語、関連度を取得する。コメント解析部２２２は、第１コメント群における取得した用語それぞれの頻度を算出する。コメント解析部２２２は、取得した用語それぞれについて、当該用語、算出した頻度、第１コンテンツのコンテンツ名、並びに対応する主要分類及び上位用語をコメント解析明細１５３に格納する。

また、コメント解析部２２２は、第１コンテンツの各主要分類に対するコメント関連度及びコメント網羅率を算出する。例えば、コメント解析部２２２は、主要分類が「セキュリティ」である用語の第１コメント群における頻度それぞれと、当該用語に対応する関連度と、の積の総和を、第１コンテンツにおける主要分類「セキュリティ」のコメント関連度として算出する。

また、コメント解析部２２２は、用語データ１７２において主要分類が「セキュリティ」である用語のうち、第１コメント群に含まれる用語の割合を、第１コンテンツにおける主要分類「セキュリティ」のコメント網羅率として算出する。コメント解析部２２２は、他の主要分類についてのコメント関連度及びコメント網羅率についても同様の方法で算出する。コメント解析部２２２は、第１コンテンツの名称、各主要分類の名称、並びに各主要分類に対応するコメントツ関連度及びコメント網羅率をコメント解析サマリ１５２に格納する。

レコメンドベクトル決定部２３１は、主要分類ごとのレコメンド粒度を示すレコメンドベクトルを決定する（Ｓ２３０３）。ステップＳ２３０３における処理の詳細は後述する。続いて、レコメンド検索部２３２は、決定したレコメンドベクトルに基づいて、レコメンド内容を決定する（Ｓ２３０４）。ステップＳ２３０４における処理の詳細は後述する。続いて、スクリーニング部２３３は、レビュー能力ＤＢ１３３に格納された情報を用いて、レコメンド情報をスクリーニングし、レビュアに適合したレコメンド情報を決定する（Ｓ２３０５）。ステップＳ２３０５における処理の詳細は後述する。

なお、レコメンド内容は、コンテンツごと、レビュアごとに異なるため、ステップＳ２３０３〜Ｓ２３０５の処理は、例えば、作業端末１１０から各コンテンツのレビューを実施する各レビュアについて行われる。以下、図２４〜図２７を用いて、第１コンテンツの第１レビュアに対するレコメンドについてステップＳ２３０３〜Ｓ２３０５の処理が行われる例を説明する。また、ステップＳ２３０３〜Ｓ２３０５の処理は、例えば、ステップＳ２３０１又はステップＳ２３０２の処理の一方が実行されるたびに実行される。

図２４はステップＳ２３０３のレコメンドベクトル決定処理の一例を示すフローチャートである。まず、レコメンドベクトル決定部２３１は、主要分類１７１から、第１コンテンツ及び第１レビュアについて、未選択の主要分類を１つ取選択する（Ｓ２４０１）。レコメンドベクトル決定部２３１は、選択した主要分類に対して、ステップＳ２４０２〜Ｓ２４１２の処理を実行する。以下、レコメンドベクトル決定部２３１が、ステップＳ２４０１において、第１主要分類を選択したものとして、第１主要分類に対するステップＳ２４０２〜Ｓ２４１２の処理を説明する。

続いて、レコメンドベクトル決定部２３１は、第１コンテンツの第１主要分類のコンテンツ関連度に対応するレコメンド粒度を算出する（Ｓ２４０２）。具体的には、例えば、レコメンドベクトル決定部２３１は、コンテンツ解析サマリ１４２から、第１コンテンツの第１主要分類のコンテンツ関連度を取得する。レコメンドベクトル決定部２３１は、レコメンド粒度定義１８１のレコメンド粒度影響変数欄１６０１の値が「コンテンツ関連度」であるレコードを参照し、取得したコンテンツ関連度の値に対応するレコメンド粒度を取得する。レコメンド導出部１２３は、ステップＳ２４０２の処理により、コンテンツ関連度に応じたレコメンドを生成することができる。

レコメンドベクトル決定部２３１は、第１コンテンツの第１主要分類のコンテンツ網羅率に対応するレコメンド粒度を算出する（Ｓ２４０３）。具体的には、例えば、レコメンドベクトル決定部２３１は、コンテンツ解析サマリ１４２から、第１コンテンツの第１主要分類のコンテンツ網羅率を取得する。レコメンドベクトル決定部２３１は、レコメンド粒度定義１８１のレコメンド粒度影響変数欄１６０１の値が「コンテンツ網羅率」であるレコードを参照し、取得したコンテンツ網羅率の値に対応するレコメンド粒度を取得する。レコメンド導出部１２３は、ステップＳ２４０３の処理により、コンテンツ網羅率に応じたレコメンドを生成することができる。

レコメンドベクトル決定部２３１は、第１コンテンツの第１主要分類のコメント関連度に対応するレコメンド粒度を算出する（Ｓ２４０４）。具体的には、例えば、レコメンドベクトル決定部２３１は、コメント解析サマリ１５２から、第１コンテンツの第１主要分類のコメント関連度を取得する。レコメンドベクトル決定部２３１は、レコメンド粒度定義１８１のレコメンド粒度影響変数欄１６０１の値が「コメント関連度」であるレコードを参照し、取得したコメント関連度の値に対応するレコメンド粒度を取得する。レコメンド導出部１２３は、ステップＳ２４０４の処理により、コメント関連度に応じたレコメンドを生成することができる。

レコメンドベクトル決定部２３１は、第１コンテンツの第１主要分類のコメント網羅率に対応するレコメンド粒度を算出する（Ｓ２４０５）。具体的には、例えば、レコメンドベクトル決定部２３１は、コメント解析サマリ１５２から、第１コンテンツの第１主要分類のコメント網羅率を取得する。レコメンドベクトル決定部２３１は、レコメンド粒度定義１８１のレコメンド粒度影響変数欄１６０１の値が「コメント網羅率」であるレコードを参照し、取得したコメント網羅率の値に対応するレコメンド粒度を取得する。レコメンド導出部１２３は、ステップＳ２４０５の処理により、コメント網羅率に応じたレコメンドを生成することができる。

レコメンドベクトル決定部２３１は、第１レビュアの第１主要分類における作成能力に対応するレコメンド粒度を算出する（Ｓ２４０６）。具体的には、例えば、レコメンドベクトル決定部２３１は、個人別実務能力データ１６４から、第１レビュアの第１主要分類の作成能力を取得する。レコメンドベクトル決定部２３１は、レコメンド粒度定義１８１のレコメンド粒度影響変数欄１６０１の値が「作成能力」であるレコードを参照し、取得した作成能力の値に対応するレコメンド粒度を取得する。レコメンド導出部１２３は、ステップＳ２４０６の処理により、コンテンツ作成者のコンテンツ作成能力に応じたレコメンドベクトルを決定することができる。

レコメンドベクトル決定部２３１は、第１レビュアの第１主要分類におけるレビュー能力に対応するレコメンド粒度を算出する（Ｓ２４０７）。具体的には、例えば、レコメンドベクトル決定部２３１は、個人別実務能力データ１６４から、第１レビュアの第１主要分類のレビュー能力を取得する。レコメンドベクトル決定部２３１は、レコメンド粒度定義１８１のレコメンド粒度影響変数欄１６０１の値が「レビュー能力」であるレコードを参照し、取得したレビュー能力の値に対応するレコメンド粒度を取得する。レコメンド導出部１２３は、ステップＳ２４０７の処理により、レビュアのレビュー能力に応じたレコメンドベクトルを決定することができる。

レコメンドベクトル決定部２３１は、第１レビュアの第１主要分類における過去実績参考ケース比較に対応するレコメンド粒度を算出する（Ｓ２４０８）。具体的には、例えば、レコメンドベクトル決定部２３１は、取得したコンテンツ関連度、取得したコンテンツ網羅率、取得したコメント関連度、取得したコメント網羅率、取得した作成能力、及び取得したレビュー能力からなる第１ベクトルを生成する。

また、レコメンドベクトル決定部２３１は、過去実績参考ケース履歴１８２の氏名欄１７０２の値が第１レビュアであり主要分類欄１７０３の値が第１主要分類であるレコードそれぞれについて、コンテンツ関連度、コンテンツ網羅率、コメント関連度、コメント網羅率、作成能力、及びレビュー能力からなる組み合わせである過去実績ベクトルを生成する。

レコメンドベクトル決定部２３１は、第１ベクトルと、過去実績ベクトルそれぞれと、を比較して、第１ベクトルに最も近い過去実績ベクトルを特定する。第１ベクトルに最も近い過去実績ベクトルとは、例えば、第１ベクトルとの間の距離が最も小さい過去実績ベクトルである。なお、レコメンドベクトル決定部２３１は、例えば、第１ベクトル及び過去実績ベクトルの各要素を正規化した上で、当該比較を実行してもよい。レコメンドベクトル決定部２３１は、特定した過去実績ベクトルに対応する過去実績参考ケース履歴１８２のレコードのレコメンド粒度を取得する。

続いて、レコメンドベクトル決定部２３１は、個人適正粒度を算出する（Ｓ２４０９）。具体的には、例えば、レコメンドベクトル決定部２３１は、個人別レコメンド粒度反応データ１８３から、第１レビュアの第１主要分類の、各レコメンド粒度における、レコメンド粒度別反応コメント件数を取得し、レコメンド粒度別反応コメント件数が最大のレコメンド粒度を、個人適正粒度に決定する。

なお、レコメンド粒度別反応コメント件数が最大の複数のレコメンド粒度が存在する場合、レコメンドベクトル決定部２３１は、例えば、当該複数のレコメンド粒度からランダムに１つのレコメンド粒度を選択する。レコメンド導出部１２３は、前述のように個人適正粒度を決定することにより、レビュアが反応してレビュー可能性が高いレコメンドを生成することができる。

レコメンドベクトル決定部２３１は、第１主要分類の推奨レコメンド粒度を、レコメンド粒度推奨設定値データ１８４から取得する（Ｓ２４１０）。なお、第１主要分類の推奨レコメンド粒度がｎｕｌｌ値である場合、レコメンドベクトル決定部２３１は、例えば、第１主要分類の推奨レコメンド粒度を所定の値（例えば２）に決定する。レコメンドベクトル決定部２３１は、ステップＳ２４０２〜Ｓ２４１０で算出したレコメンド粒度から、第１コンテンツの第１主要分類の第１レビュアに対するレコメンド粒度を決定する（Ｓ２４１１）。ステップＳ２４１１の処理の詳細は後述する。なお、レコメンドベクトル決定部２３１は、ステップＳ２４０２〜２４１０の全ての処理を必ずしも実行しなくてもよく、少なくとも１つの処理を実行すればよい。

レコメンドベクトル決定部２３１は、ステップＳ２４１１で決定したレコメンド粒度をレコメンドベクトル１８６に格納する（Ｓ２４１２）。レコメンドベクトル決定部２３１は、第１コンテンツ及び第１レビュアについて、未選択の主要分類があるか否かを判定する（Ｓ２４１３）。レコメンドベクトル決定部２３１は、未選択の主要分類があると判定した場合（Ｓ２４１３：ＹＥＳ）、ステップＳ２４０１に遷移し、未選択の主要分類がないと判定した場合（Ｓ２４１３：ＮＯ）、レコメンドベクトル決定処理を終了する。

図２５は、ステップＳ２４１１におけるレコメンド粒度決定処理の一例を示すフローチャートである。レコメンドベクトル決定部２３１は、レコメンド粒度影響変数調整データ１８５から未選択のレコードを１つ選択する（Ｓ２５０１）。

レコメンドベクトル決定部２３１は、選択したレコードのレコメンド粒度影響変数に対応するレコメンド粒度を取得する（Ｓ２５０２）。例えば、選択したレコードのレコメンド粒度影響変数が「コンテンツ関連度」である場合、レコメンドベクトル決定部２３１は、ステップＳ２４０２で算出したコンテンツ関連度に対応するレコメンド粒度を取得する。レコメンドベクトル決定部２３１は、取得したレコメンド粒度に、選択したレコードにおける影響比率を掛けた補正値を算出する（Ｓ２５０３）。

レコメンドベクトル決定部２３１は、算出した補正値を、丸め前レコメンド粒度に加算する（Ｓ２５０４）。なお、丸め前レコメンド粒度の初期値は０である。レコメンドベクトル決定部２３１は、レコメンド粒度影響変数調整データ１８５に未選択のレコードがあるか否かを判定する（Ｓ２５０５）。レコメンドベクトル決定部２３１は、未選択のレコードがあると判定した場合（Ｓ２５０５：ＹＥＳ）、ステップＳ２５０１に遷移する。

レコメンドベクトル決定部２３１は、未選択のレコードがないと判定した場合（Ｓ２５０５：ＮＯ）、丸め前レコメンド粒度に対して、四捨五入等の丸め処理を実施し、丸め処理後の値を、第１コンテンツの第１主要分類の第１レビュアに対するレコメンド粒度に決定し（Ｓ２５０６）、レコメンド粒度決定処理を終了する。

例えば、ステップＳ２４０２〜Ｓ２４１０において算出されたレコメンド粒度がそれぞれ、２（中）、２（中）、２（中）、１（大）、１（大）、３（小）、２（中）、３（小）、２（中）であった場合、図２０の例における影響比率を用いて算出される丸め前レコメンド粒度は、２×１０％＋２×１０％＋２×１０％＋１×１０％＋１×５％＋３×５％＋２×２０％＋３×２０％＋２×１０％＝２．２であり、丸め処理後のレコメンド粒度は２（中）に決定される。

つまり、レコメンド粒度は、ステップＳ２４０２〜Ｓ２４１０において算出されたレコメンド粒度の影響比率による重みづけ和に対して丸め処理をすることにより得られる。なお、例えば、影響比率が全て同じ値である場合、丸め処理前のレコメンド粒度は、各レコメンド粒度影響変数に対応するレコメンド粒度の平均値である。

図２６は、ステップＳ２３０４におけるレコメンド内容決定処理の一例を示すフローチャートである。レコメンド検索部２３２は、レコメンドベクトル１８６から、第１コンテンツの第１レビュアの未選択の主要分類を選択し、選択した主要分類に対応するレコメンド粒度を取得する（Ｓ２６０１）。以下、レコメンド検索部２３２が、ステップＳ２６０１において、第１主要分類を選択したものとして、第１主要分類に対するステップＳ２６０２〜Ｓ２６０８の処理を説明する。

レコメンド検索部２３２は、レコメンド詳細１８７から、第１主要分類の取得したレコメンド粒度に対応する関連用語を１つ選択する（Ｓ２６０２）。レコメンド検索部２３２は、コンテンツ解析明細１４３を参照して、取得した関連用語が第１コンテンツに含まれているか否かを判定する（Ｓ２６０３）。レコメンド検索部２３２は、取得した関連用語が第１コンテンツに含まれていると判定した場合（Ｓ２６０３：Ｙｅｓ）、ステップＳ２６０６に遷移する。

レコメンド検索部２３２は、取得した関連用語が第１コンテンツに含まれてないと判定した場合（Ｓ２６０３：ＮＯ）、コメント解析明細１５３を参照して、取得した関連用語が第１コンテンツに含まれるコメントのいずれかに含まれているか否かを判定する（Ｓ２６０４）。レコメンド検索部２３２は、取得した関連用語が第１コンテンツに含まれるコメントのいずれかに含まれていると判定した場合（Ｓ２６０４：ＹＥＳ）、ステップＳ２６０６に遷移する。

レコメンド検索部２３２は、取得した関連用語が第１コンテンツに含まれるコメントのいずれにも含まれていないと判定した場合（Ｓ２６０４：ＮＯ）、ステップＳ２６０１で選択したレコードにおけるレコメンド内容を取得し、取得したレコメンド内容を、第１レビュアに対して提示する第１コンテンツの第１主要分類のレコメンド内容に決定する（Ｓ２６０５）。なお、当該レコメンド内容と、当該レコメンド内容に対応する粒度及び主要分類と、を含む情報をレコメンド情報と呼ぶ。

例えば、第１主要分類が「セキュリティ」であり、ステップＳ２６０２で取得された関連用語が「通信」である場合、レコメンド検索部２３２は、ステップＳ２６０５において、図２２の例では、「○○で通信経路のｘｘが発生、被害総額ｘｘｘ億円、＜ＵＲＬ＞」と「通信経路のセキュリティ検討○○、＜ｈｔｔｐｓ：／／ｘｘｘｘｘｘ／社内開発ルールＮｏ．１０２１＞」の２つのレコメンド内容を取得する。

続いて、レコメンド検索部２３２は、第１主要分類の取得したレコメンド粒度に対応する未選択のレコメンド詳細１８７のレコードがあるか否かを判定する（Ｓ２６０６）。レコメンド検索部２３２は、未選択のレコードがあると判定した場合（Ｓ２６０６：ＹＥＳ）、ステップＳ２６０２に遷移する。レコメンド検索部２３２は、全てのレコードを選択したと判定した場合（Ｓ２６０６：ＮＯ）、第１コンテンツの第１レビュアの未選択の主要分類が、レコメンドベクトル１８６にあるか否かを判定する（Ｓ２６０７）。

レコメンド検索部２３２は、第１コンテンツの第１レビュアの未選択の主要分類が、レコメンドベクトル１８６にあると判定した場合（Ｓ２６０７：ＹＥＳ）、ステップＳ２６０１に遷移する。レコメンド検索部２３２は、レコメンドベクトル１８６の第１コンテンツの第１レビュアの主要分類を全て選択したと判定した場合（Ｓ２６０７：ＮＯ）、レコメンド内容決定処理を終了する。

図２７はステップＳ２３０５のスクリーニング処理の一例を示すフローチャートである。スクリーニング部２３３は、ステップＳ２３０４で決定されたレコメンド内容に対して、スクリーニング処理を行うか否かを判定する（Ｓ２７０１）。スクリーニング部２３３は、例えば、スクリーニング機能フラグがＯＮである場合に、スクリーニング処理を行うと判定し、スクリーニング機能フラグがＯＦＦである場合に、スクリーニング処理を行わないと判定する。スクリーニング機能フラグは、例えば、レビュー支援処理装置１２０の管理者等によって設定される。

なお、スクリーニング部２３３は、ステップＳ２３０４において決定された第１レビュアに対するレコメンド数に応じて、スクリーニング処理を行うか否かを決定してもよい。具体的には、例えば、スクリーニング部２３３は、第１レビュアに対するレコメンドが所定数以上である場合に、スクリーニング処理を行い、第１レビュアに対するレコメンドが所定数未満である場合にスクリーニング処理を行わない。

スクリーニング部２３３は、スクリーニング処理を行わないと判定した場合（Ｓ２７０１：ＮＯ）、スクリーニング処理を終了し、ステップＳ２３０４で決定された第１コンテンツのレコメンド内容を含むレコメンド情報を、第１レビュアが操作する作業端末１１０に出力する。スクリーニング部２３３は、スクリーニング処理を行うと判定した場合（Ｓ２７０１：ＹＥＳ）、個人別実務能力データ１６４から、第１レビュアのレビュー能力フラグが「１」である主要分類を特定する（Ｓ２７０２）。例えば、第１レビュアが「○○太郎」である場合、スクリーニング部２３３は、ステップＳ２７０２において、主要分類「性能」及び「運用」を特定する。

スクリーニング部２３３は、ステップＳ２３０４で決定したレコメンド情報から、ステップＳ２７０２で特定した主要分類に該当しないレコメンド情報を出力対象から除外した上で、レコメンド情報を出力し（Ｓ２７０３）、スクリーニング処理を終了する。

図２８は、レコメンド表示画面の一例である。レコメンド表示画面２８００は、例えば、コンテンツ表示領域２８０１、１以上のコメント表示領域２８０２、及び１以上のレコメンド表示領域２８０３を含む。なお、レコメンド表示画面２８００は、レスポンス生成部２４２によって作成され、レスポンス送信部２４３によって作業端末１１０に送信される。

コンテンツ表示領域２８０１は、例えば、コンテンツデータ１４１に格納されたコンテンツを表示する。コメント表示領域２８０２は、例えば、コメントデータ１５１に格納されたコメントであって、コンテンツ表示領域２８０１に表示されたコンテンツに対するコメント、を表示する。コメント表示領域２８０２は、例えば、対象位置欄７０２が示す対象位置に配置される。また、コメント表示領域２８０２は、入力者欄７０４が示すコメント入力者の氏名を表示してもよい。

レコメンド表示領域２８０３は、例えば、レコメンド情報を表示するレコメンド情報表示領域２８０４及びコメント入力ボタン２８０５を含む。レコメンド情報表示領域２８０４は、例えば、レコメンド粒度、主要分類、及びレコメンド内容を表示する。なお、レコメンド情報表示領域２８０４は、さらに関連用語を表示してもよい。コメント入力ボタン２８０５は、表示されたレコメンドに反応して、コメントを入力するためのボタンである。例えば、「○○太郎」が、レコメンドに対応するコメント入力ボタン２８０５を押下してコメントを入力した場合、コメント更新処理部２１１は、入力されたコメントをコメントデータ１５１に追加するとともに、個人別レコメンド粒度反応データ１８３における、氏名「○○太郎」、主要分類「ユーザビリティ」、レコメンド粒度「１（大）」に対応するレコメンド粒度別反応コメント件数欄１８０３の値、をインクリメントする。

以上、本実施形態のレビュー支援処理装置１２０は、コンテンツやコメントにおける主要分類に属する用語の出現状況等に基づいて、レコメンド粒度を決定することにより、レビュアに対して適切なレコメンドを提示することができる。

なお、本発明は上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、上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も可能であり、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、処理手段等は、それらの一部又は全部を、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、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等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。

１０１ プロセッサ、１０２ メモリ、１１０ 作業端末、１２０ レビュー支援処理装置、１２１ ＤＢ更新部、１２２ コンテンツ・コメント解析部、１２３ レコメンド導出部、１２４ 送受信部、１３０ データベース、１３１ コンテンツＤＢ、１３２ コメントＤＢ、１３３ レビュー能力ＤＢ、１３４ 用語ＤＢ、１３５ レコメンドＤＢ

Claims (10)

1. コンテンツに対するレビューを支援するレビュー支援装置であって、
   プロセッサと記憶装置と表示装置とを含み、
   前記記憶装置は、
   前記コンテンツと、
   前記コンテンツに対するコメントと、
   １以上の分類と、前記１以上の分類それぞれに属する用語と、の対応を示し、各用語について、当該用語が含まれる分類に関連する度合である分類関連度を示す、分類情報と、
   前記１以上の分類それぞれについて、前記コンテンツに対して指摘すべき事項と、前記指摘すべき事項の細かさを示す第１粒度と、の対応を示すレコメンド詳細情報と、を保持し、
   前記プロセッサは、
   前記コンテンツと前記１以上の分類それぞれとの関連度であるコンテンツ関連度の値、前記コメントと前記１以上の分類それぞれとの関連度であるコメント関連度の値、前記１以上の分類それぞれにおける当該分類に含まれる用語のうち前記コンテンツに含まれる用語の割合であるコンテンツ網羅率の値、及び前記１以上の分類それぞれにおける当該分類に含まれる用語のうち前記コメントに含まれる用語の割合であるコメント網羅率の値、の少なくとも１つを算出し、
   前記少なくとも１つの算出において、前記分類情報に含まれる用語の前記コンテンツにおける頻度を算出し、前記１以上の分類それぞれについて、前記算出した用語の頻度と、当該用語の前記分類情報が示す分類関連度と、の積の総和を、前記コンテンツ関連度の値として算出し、
   前記少なくとも１つの算出において、前記分類情報に含まれる用語の前記コメントにおける頻度を算出し、前記１以上の分類それぞれについて、前記算出した用語の頻度と、当該用語の前記分類情報が示す分類関連度と、の積の総和を、前記コンテンツ関連度の値として算出し、
   前記算出した少なくとも１つに基づいて、前記１以上の分類それぞれにおける第１粒度を算出し、
   前記１以上の分類それぞれについて、前記レコメンド詳細情報から、前記算出した第１粒度に対応する指摘すべき事項を取得し、
   前記取得した指摘すべき事項を前記表示装置に出力する、レビュー支援装置。
2. 請求項１に記載のレビュー支援装置であって、
   前記記憶装置は、前記１以上の分類ごとのレビュアのレビュー能力の有無を示すレビュー能力情報をさらに保持し、
   前記プロセッサは、
   第１レビュアの指定を受け付け、
   前記レビュー能力情報を参照して、前記１以上の分類のうち、前記第１レビュアがレビュー能力を有する分類を特定し、
   前記レコメンド詳細情報を参照して、前記取得した指摘すべき事項のうち、前記特定した分類に対応する指摘すべき事項のみを前記表示装置に出力する、レビュー支援装置。
3. 請求項１に記載のレビュー支援装置であって、
   前記記憶装置は、前記１以上の分類それぞれにおける前記コンテンツの作成者のコンテンツ作成能力値を示す作成能力情報をさらに保持し、
   前記プロセッサは、
   前記作成能力情報から、前記１以上の分類それぞれにおける前記コンテンツの作成者のコンテンツ作成能力値を取得し、
   前記取得したコンテンツ作成能力値に基づいて、前記１以上の分類それぞれにおける前記第１粒度を算出する、レビュー支援装置。
4. 請求項１に記載のレビュー支援装置であって、
   前記記憶装置は、前記１以上の分類それぞれにおけるレビュアのレビュー能力値を示すレビュー能力情報をさらに保持し、
   前記プロセッサは、
   第２レビュアの指定を受け付け、
   前記レビュー能力情報から、前記１以上の分類それぞれにおける前記第２レビュアのレビュー能力値を取得し、
   前記取得したレビュー能力値に基づいて、前記１以上の分類それぞれにおける前記第１粒度を算出する、レビュー支援装置。
5. 請求項１に記載のレビュー支援装置であって、
   前記記憶装置は、前記１以上の分類それぞれについて、提示された指摘すべき事項に反応してレビュアがレビューを実施した件数を、指摘すべき事項に対応する第１粒度ごとに示す反応実績情報をさらに保持し、
   前記プロセッサは、
   第３レビュアの指定を受け付け、
   前記反応実績情報から、前記１以上の分類それぞれについて、前記第３レビュアのレビューを実施した件数が最大である第１粒度を取得し、
   前記取得した最大の第１粒度に基づいて、前記１以上の分類それぞれにおける第１粒度を算出する、レビュー支援装置。
6. 請求項１に記載のレビュー支援装置であって、
   １以上の変数それぞれの値と、前記第１粒度の算出に用いられる第２粒度の値と、の対応を示す変数情報と、を保持し、
   前記１以上の変数は、前記コンテンツ関連度、前記コメント関連度、前記コンテンツ網羅率、及び前記コメント網羅率の少なくとも１つを含み、
   前記プロセッサは、
   前記１以上の分類それぞれについて、前記１以上の変数の値を算出し、
   前記算出した変数の値それぞれに対応する第２粒度の値を、前記変数情報から取得し、
   前記１以上の分類それぞれについて、前記取得した第２粒度の値の、所定の重みを用いた重みづけ和を算出し、
   前記算出した重みづけ和それぞれを、前記１以上の分類それぞれにおける第１粒度に決定する、レビュー支援装置。
7. レビュー支援装置が、コンテンツに対するレビューを支援する方法であって、
   前記レビュー支援装置は、
   前記コンテンツと、
   前記コンテンツに対するコメントと、
   １以上の分類と、前記１以上の分類それぞれに属する用語と、の対応を示し、各用語について、当該用語が含まれる分類に関連する度合である分類関連度を示す、分類情報と、
   前記１以上の分類それぞれについて、前記コンテンツに対して指摘すべき事項と、前記指摘すべき事項の細かさを示す第１粒度と、の対応を示すレコメンド詳細情報と、を保持し、
   前記方法は、
   前記レビュー支援装置が、
   前記コンテンツと前記１以上の分類それぞれとの関連度であるコンテンツ関連度の値、前記コメントと前記１以上の分類それぞれとの関連度であるコメント関連度の値、前記１以上の分類それぞれにおける当該分類に含まれる用語のうち前記コンテンツに含まれる用語の割合であるコンテンツ網羅率の値、及び前記１以上の分類それぞれにおける当該分類に含まれる用語のうち前記コメントに含まれる用語の割合であるコメント網羅率の値、の少なくとも１つを算出し、
   前記少なくとも１つの算出において、前記分類情報に含まれる用語の前記コンテンツにおける頻度を算出し、前記１以上の分類それぞれについて、前記算出した用語の頻度と、当該用語の前記分類情報が示す分類関連度と、の積の総和を、前記コンテンツ関連度の値として算出し、
   前記少なくとも１つの算出において、前記分類情報に含まれる用語の前記コメントにおける頻度を算出し、前記１以上の分類それぞれについて、前記算出した用語の頻度と、当該用語の前記分類情報が示す分類関連度と、の積の総和を、前記コンテンツ関連度の値として算出し、
   前記算出した少なくとも１つに基づいて、前記１以上の分類それぞれにおける第１粒度を算出し、
   前記１以上の分類それぞれについて、前記レコメンド詳細情報から、前記算出した第１粒度に対応する指摘すべき事項を取得し、
   前記取得した指摘すべき事項を表示装置に出力する、方法。
8. 請求項７に記載の方法であって、
   前記レビュー支援装置は、前記１以上の分類ごとのレビュアのレビュー能力の有無を示すレビュー能力情報をさらに保持し、
   前記方法は、
   前記レビュー支援装置が、
   第１レビュアの指定を受け付け、
   前記レビュー能力情報を参照して、前記１以上の分類のうち、前記第１レビュアがレビュー能力を有する分類を特定し、
   前記レコメンド詳細情報を参照して、前記取得した指摘すべき事項のうち、前記特定した分類に対応する指摘すべき事項のみを前記表示装置に出力する、方法。
9. 請求項７に記載の方法であって、
   前記レビュー支援装置は、前記１以上の分類それぞれにおける前記コンテンツの作成者のコンテンツ作成能力値を示す作成能力情報をさらに保持し、
   前記方法は、
   前記レビュー支援装置が、
   前記作成能力情報から、前記１以上の分類それぞれにおける前記コンテンツの作成者のコンテンツ作成能力値を取得し、
   前記取得したコンテンツ作成能力値に基づいて、前記１以上の分類それぞれにおける前記第１粒度を算出する、方法。
10. 請求項７に記載の方法であって、
    前記レビュー支援装置は、前記１以上の分類それぞれにおけるレビュアのレビュー能力値を示すレビュー能力情報をさらに保持し、
    前記方法は、
    前記レビュー支援装置が、
    第２レビュアの指定を受け付け、
    前記レビュー能力情報から、前記１以上の分類それぞれにおける前記第２レビュアのレビュー能力値を取得し、
    前記取得したレビュー能力値に基づいて、前記１以上の分類それぞれにおける前記第１粒度を算出する、方法。

Images