JP6760676B1 - チャットボットサーバー装置、学習装置、チャットボットシステム、チャットボットサーバー装置の動作方法、学習装置の動作方法、プログラム、および記録媒体 - Google Patents

Abstract

【課題】質問テキストのみに依存する生成テキストではなく、ユーザー端末装置側の状況にも応じた生成テキストを生成することのできるチャットボットシステムを提供する。【解決手段】チャットモデル部（１２ａ）は、少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも動画ＩＤと再生位置情報とが入力されたときに、モデルに基づいて推論される生成テキストを出力する。クライアントインターフェース部（１１）は、ユーザー端末装置側から得られた動画ＩＤと再生位置情報とをチャットモデル部に渡し、チャットモデル部が出力する生成テキストを受け取り、生成テキストを含んだメッセージをユーザー端末装置に対して送信する。【選択図】図３

Description

本発明は、チャットボットサーバー装置、学習装置、チャットボットシステム、チャットボットサーバー装置の動作方法、学習装置の動作方法、プログラム、および記録媒体に関する。

様々な業種の、例えばカスタマーサービスの業務等において、チャットボットが活用されている。チャットボットは、ユーザーからの質問等に対して柔軟に対応して、答弁を返す。チャットボットを活用することにより、ユーザーへの応答の迅速化や、ユーザーへの応答のために要するコストの削減が期待できる。

特許文献１には、応答用知識データ記憶部と、入力解釈用知識データ記憶部と、推論エンジン部とを含む自動応答サーバー装置（チャットボットのサーバーに相当）の構成が記載されている。この特許文献１の自動応答サーバー装置において、応答用知識データ記憶部は、応答用知識データを記憶する。入力解釈用知識データ記憶部は、入力解釈用知識データを記憶する。推論エンジン部は、チャットにおける入力テキストと、入力解釈用知識データ記憶部に記憶された入力解釈用知識データとに基づき、応答用知識データ記憶部に記憶されている応答用知識データのうち、当該チャットにおける入力テキストに対応する応答断片を推定し、推定された応答断片に対応する応答用知識データを応答用知識データ記憶部から読み出すことによってチャットの応答を出力する。

特許第６２１８０５７号公報

特許文献１にも記載されているように、従来技術によるチャットボットは、ユーザー側から入力されるテキストに対応した答弁を返す。また、チャットボットが、ユーザー側から入力されるテキストの過去の履歴に基づいた答弁を返すこともある。しかしながら、従来技術において、チャットボットが、ユーザー側で入力されるテキスト（ないしはその履歴等）以外の、ユーザー側の状況に応じて（その一例として、ユーザー端末装置においてその時点で再生されている動画の内容に応じて）答弁を生成するチャットボットは存在しなかった。

単に、質問のテキスト等だけに基づいて答弁を生成するのではなく、ユーザー側のその他の状況に応じて答弁を生成することができれば、チャットボットを用いたコミュニケーションが、より一層広がりを持つものになることが期待される。

本発明は、上記の課題認識に基づいて行なわれたものであり、ユーザー端末装置側から送信された質問テキストのみに依存する生成テキストではなく、ユーザー端末装置側の状況にも応じた生成テキストを生成するための、チャットボットサーバー装置、学習装置、チャットボットシステム、チャットボットサーバー装置の動作方法、学習装置の動作方法、プログラム、および記録媒体を提供しようとするものである。

［１］上記の課題を解決するため、本発明の一態様によるチャットボットサーバー装置は、少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力するチャットモデル部と、前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部に渡し、前記チャットモデル部が出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置に対して送信するクライアントインターフェース部と、を具備する。

［２］また、本発明の一態様は、上記のチャットボットサーバー装置において、前記モデルは、質問テキストをさらに含む前記入力データと前記出力データとの関係を機械学習処理によって予め学習済みであり、前記チャットモデル部は、前記動画ＩＤと前記再生位置情報とに加えて、質問テキストがさらに入力されたときに、前記モデルに基づいて推論される前記生成テキストを出力するものであり、前記クライアントインターフェース部は、前記ユーザー端末装置から前記質問テキストを受信し、受信した前記質問テキストを入力データの一部として前記チャットモデル部に渡すものである。

［３］また、本発明の一態様は、上記のチャットボットサーバー装置において、クライアントインターフェース部は、前記ユーザー端末装置から質問テキストを受信していない状況において、所定のタイミングで、前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部に渡す、ものである。

［４］また、本発明の一態様は、上記のチャットボットサーバー装置において、前記再生位置情報は、過去において前記クライアントインターフェース部が前記ユーザー端末装置から受信した過去の再生位置情報と、前記過去の再生位置情報を受信したタイミングからの経過時間とに基づいて、前記クライアントインターフェース部が推定したものである。

［５］また、本発明の一態様は、上記のチャットボットサーバー装置において、前記モデルは、前記入力データと、関連する動画を識別する情報である関連動画ＩＤをさらに含む前記出力データと、の関係を機械学習処理によって予め学習済みであり、前記チャットモデル部は、前記生成テキストに加えて、さらに関連動画ＩＤを出力するものであり、前記クライアントインターフェース部は、前記チャットモデル部が出力した前記関連動画ＩＤによって特定される動画の再生を、前記ユーザー端末装置に対してリコメンドする、ものである。

［６］また、本発明の一態様による学習装置は、少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する設定部と、前記設定部によって設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデルに機械学習させる学習処理部と、を具備する。

［７］また、本発明の一態様は、上記の学習装置において、前記設定部は、前記ユーザー端末装置側から送信される質問テキストをさらに含む入力データと、前記出力データとの関係を、シナリオデータとして設定するものであり、前記学習処理部は、前記質問テキストをも含んだ前記シナリオデータに基づいて、前記入力データと前記出力データとの関係をモデルに機械学習させるものである。

［８］また、本発明の一態様は、チャットボットサーバー装置と、学習装置と、を含むチャットボットシステムであって、前記チャットボットサーバー装置は、少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力するチャットモデル部と、前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部に渡し、前記チャットモデル部が出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置に対して送信するクライアントインターフェース部と、を具備するものであり、前記学習装置は、少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する設定部と、前記設定部によって設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデルに機械学習させる学習処理部と、を具備するものであり、前記学習装置の前記学習処理部が機械学習させたモデルを、前記チャットモデル部が持つ前記学習済みのモデルとする、チャットボットシステムである。

［９］また、本発明の一態様は、チャットボットサーバー装置の動作方法であって、少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力する第１過程と、前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記第１過程に渡し、前記第１過程が出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置に対して送信する第２過程と、を含む。

［１０］また、本発明の一態様は、学習装置の動作方法であって、少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する設定過程と、前記設定過程において設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデルに機械学習させる学習処理過程と、を含む。

［１１］また、本発明の一態様は、コンピューターを、上記［１］から［５］までのいずれかに記載のチャットボットサーバー装置、として機能させるためのプログラムである。

［１２］また、本発明の一態様は、 コンピューターを、上記［６］または［７］の学習装置、として機能させるためのプログラムである。

［１３］また、本発明の一態様は、コンピューターを、上記［１］から［５］までのいずれかに記載のチャットボットサーバー装置、として機能させるためのプログラム、を記録したコンピューター読み取り可能な記録媒体である。

［１４］また、本発明の一態様は、 コンピューターを、上記［６］または［７］の学習装置、として機能させるためのプログラム、を記録したコンピューター読み取り可能な記録媒体である。

本発明によれば、いわゆるチャットボットサーバー装置が、受信した質問のテキストのみに依存する答弁ではなく、ユーザー端末装置側の状況にも応じた答弁を生成することが可能となる。

本発明の実施形態による動画連携型チャットボットシステムの機能構成を示すブロック図である。 同実施形態によるユーザー端末装置の概略機能構成を示すブロック図である。 同実施形態によるチャットボットサーバー装置の概略機能構成を示すブロック図である。 同実施形態による学習装置の概略機能構成を示すブロック図である。 同実施形態における、ユーザー端末装置と動画配信サーバー装置との間での通信手順の例を示すシーケンス図である。 同実施形態における、ユーザー端末装置とチャットボットサーバー装置との間での通信手順の例（質問と答弁）を示すシーケンス図である。 同実施形態における、ユーザー端末装置とチャットボットサーバー装置との間での通信手順の例（チャットボットサーバー装置側からのプッシュメッセージ）を示すシーケンス図である。 同実施形態における、ユーザー端末装置とチャットボットサーバー装置との間での通信手順の例（ユーザー端末装置側から動画再生位置を通知する制御メッセージ）を示すシーケンス図である。 同実施形態における、ユーザー端末装置とチャットボットサーバー装置との間での通信手順の例（チャットボットサーバー装置側からの動画再生位置の問い合わせと、その応答）を示すシーケンス図である。 同実施形態における、チャットボットサーバー装置内でのやりとりの例（質問と答弁）を示すシーケンス図である。 同実施形態における、チャットボットサーバー装置内でのやりとりの例（プッシュメッセージ）を示すシーケンス図である。 同実施形態において、動画の再生位置に関連付けて設定されるシナリオデータの例（質問と答弁）を示す概略図である。 同実施形態において、動画の再生位置に関連付けて設定されるシナリオデータの例（プッシュメッセージ）を示す概略図である。 同実施形態によるチャットボットサーバー装置が、状況に応じて異なる答弁等を生成するための、モデルの構成の一例を示す概略図である。 同実施形態によるチャットボットサーバー装置が、ユーザー端末装置からの質問に対応して答弁を生成する手順を示すシーケンス図である。 同実施形態によるチャットボットサーバー装置が、ユーザー端末装置からの質問がない状況でプッシュメッセージを生成する手順を示すシーケンス図である。

次に、本発明の実施形態について、図面を参照しながら説明する。なお、本実施形態において、答弁とプッシュメッセージとを合わせて「生成テキスト」とい呼ぶ場合がある。

図１は、本実施形態による動画連携型チャットボットシステムの機能構成を示すブロック図である。図示するように、動画連携型チャットボットシステム１は、チャットボットサーバー装置１０と、学習装置２０と、動画配信サーバー装置３０とを含んで構成される。また、ユーザー端末装置５０は、チャットボットサーバー装置１０および動画配信サーバー装置３０のそれぞれとの間で、相互に通信可能である。また、制作者用端末装置６０は、学習装置２０と相互に通信可能である。図１に示す装置間の通信には、例えば、インターネットプロトコル（ＩＰ）が用いられる。なお、チャットボットサーバー装置１０と、学習装置２０と、動画配信サーバー装置３０と、ユーザー端末装置５０と、制作者用端末装置６０とのそれぞれは、例えば、電子回路を用いて実現される。チャットボットサーバー装置１０と、学習装置２０と、動画配信サーバー装置３０と、ユーザー端末装置５０と、制作者用端末装置６０のそれぞれは、具体的には、コンピューターとプログラムとを用いて実現されてよい。また、これらの各装置は、必要に応じて、記憶手段を有する。記憶手段は、例えば半導体メモリーや磁気ハードディスク装置（ＨＤＤ）を用いて実現されるものであり、データやプログラムを記憶する。

なお、動画連携型チャットボットシステム１を、単に「チャットボットシステム」と呼ぶ場合がある。

チャットボットサーバー装置１０は、ユーザー端末装置５０との間でのチャットサービスを実現する。ユーザー端末装置５０側では、人がテキストを入力したり、人がテキストを読んだりすることが想定される。チャットボットサーバー装置１０側は、機械学習済みのモデルに基づいて自動的に生成したテキストを、ユーザー端末装置５０に送信する。チャットボットサーバー装置１０は、単にユーザー端末装置５０から送信される質問のみに応じた答弁を出力するのではなく、本実施形態特有の、次の処理を行う。第１に、チャットボットサーバー装置１０は、ユーザー端末装置５０側での状況（質問内容やチャットのやり取りにおける履歴といったこと以外の状況等）に依存した答弁を生成する。第２に、チャットボットサーバー装置１０は、ユーザー端末装置５０側での状況に依存して、プッシュメッセージを生成し、チャットボットサーバー装置１０に送信する。ここで、状況とは、例えば、その時点においてユーザー端末装置５０側で再生されている動画の種類、内容、タイトル等である。また、状況が、ユーザー端末装置５０側で再生されている動画の再生位置（シーンや、動画内の相対時刻等）を含むものであってもよい。チャットボットサーバー装置１０は、例えば、サーバー型のコンピューターを用いて実現される。

学習装置２０は、学習データに基づいてチャットボットサービス用のモデルの機械学習を行うものである。学習装置２０は、制作者用端末装置６０からのシナリオデータの登録を受け付ける。シナリオデータには、質問と答弁のシーケンスからなるシナリオと、チャットボットサーバー装置１０が自発的に出力するプッシュメッセージのためのシナリオとがある。学習装置２０は、登録されたシナリオを学習データとして用いて、モデルの機械学習を行う。学習装置２０は、機械学習済みのモデルを、チャットボットサーバー装置１０に提供する。学習装置２０は、例えば、サーバー型のコンピューターを用いて実現される。

動画配信サーバー装置３０は、動画コンテンツをクライアント装置に対して提供するサーバーである。具体的には、動画配信サーバー装置３０は、例えばユーザー端末装置５０からの要求に応じて、特定の動画コンテンツをそのユーザー端末装置５０に対して配信する。動画配信サーバー装置３０は、例えば、サーバー型のコンピューターを用いて実現される。

ユーザー端末装置５０は、一般のユーザーが使用することのできる端末装置である。本実施形態において、ユーザー端末装置５０は、動画配信サーバー装置３０に対して動画コンテンツの配信を要求し、その動画を受信し、再生することができる。また、ユーザー端末装置５０は、チャットボットサーバー装置１０との間で、テキストデータによるチャットを行うことができる。具体的には、ユーザー端末装置５０が質問のテキストをチャットボットサーバー装置１０に対して送信する。チャットボットサーバー装置１０は、その質問の内容に応じた答弁のテキストを、ユーザー端末装置５０に対して送信する。この送信と答弁のやりとりは、繰り返すことができる。チャットボットサーバー装置１０は、予め機械学習したモデルに基づいて、適切な答弁を自動的に生成するものである。本実施形態において、チャットボットサーバー装置１０が生成する答弁のテキストは、単に質問に応じたものであるだけでなく、ユーザー端末装置５０が置かれている状況（「状況」については前述の通り）に応じたものである。また、ユーザー端末装置５０は、チャットボットサーバー装置１０からのプッシュメッセージを受信する場合がある。このプッシュメッセージは、ユーザー端末装置５０が置かれている状況に応じてチャットボットサーバー装置１０が自動的に生成するものである。

なお、ユーザー端末装置５０は、予めセッションを確立してから、チャットボットサーバー装置１０との間でメッセージ（質問や、答弁や、制御メッセージ等）のやり取りを行うようにしてもよい。また、ユーザー端末装置５０は、セッションの確立を行わずに、チャットボットサーバー装置１０との間でメッセージのやり取りを行うようにしてもよい。

制作者用端末装置６０は、上記の、質問と答弁のやりとりや、プッシュメッセージを、「シナリオ」として制作するための装置である。具体的には、制作者が、制作者用端末装置６０を操作することによって、シナリオを、学習装置２０に設定する。このシナリオは、学習装置２０が機械学習を行う際に用いられる学習用データである。

以下では、各装置のより詳細な機能について説明する。

図２は、ユーザー端末装置５０の概略機能構成を示すブロック図である。図示するように、ユーザー端末装置５０は、チャットクライアント機能部５１と、動画再生機能部５２とを含んで構成される。

チャットクライアント機能部５１は、チャットサービスのクライアントとして、サーバー側との通信等を行うための機能を持つ。具体的には、チャットクライアント機能部５１は、チャットボットサーバー装置１０との間で、チャット（テキストの交換）を行う。チャットクライアント機能部５１は、質問のテキストをチャットボットサーバー装置１０に対して送信する。また、チャットクライアント機能部５１は、上記質問に対応してチャットボットサーバー装置１０が返す答弁を受信し、ユーザー端末装置５０の画面等に表示する。本実施形態のチャットクライアント機能部５１は、動画再生機能部５２が再生する動画コンテンツに関する情報を取得し、適宜、その情報をチャットボットサーバー装置１０に対して送信する。動画コンテンツに関する情報とは、動画再生機能部５２が再生する動画コンテンツを一意に特定可能な情報である動画ＩＤや、動画再生機能部５２が再生している位置（動画コンテンツのシーンを特定する情報や、動画コンテンツの再生位置を表す相対時刻情報等）である。

動画再生機能部５２は、動画を再生する。動画再生機能部５２は、動画配信サーバー装置３０が配信する動画のファイルを受信し、それらの動画のファイルを再生する（つまり、映像を画面に表示し、音声をスピーカー等から出力する）。動画再生機能部５２は、例えば、特定の動画コンテンツの配信を、動画配信サーバー装置３０に要求することができる。また、動画再生機能部５２が、動画コンテンツを任意の位置から再生するように指定できるようにしてもよい。動画再生機能部５２は、特定の動画を要求するための動画ＩＤや、再生位置を指定する情報（例えば、動画コンテンツ内の相対時刻）を、要求情報として、動画配信サーバー装置３０に対して送信することができる。なお、動画再生機能部５２が動画配信サーバー装置３０から受信する動画のファイルは、セグメント化（数秒程度の所定の長さの動画の集合への分割）されていてもよいし、されていなくてもよい。また、動画再生機能部５２が、ストリーミングによって動画を受信するようにしてもよい。

なお、本実施形態の動画再生機能部５２は、現在再生中の動画コンテンツの動画ＩＤと、その時点での再生位置の情報とを、チャットクライアント機能部５１に提供する機能を持つ。

図３は、チャットボットサーバー装置１０の概略機能構成を示すブロック図である。図示するように、チャットボットサーバー装置１０は、クライアントインターフェース部１１と、チャットモデル部１２ａとを含んで構成される。

クライアントインターフェース部１１は、ユーザー端末装置５０のチャットクライアント機能部５１に対するインターフェースとして機能する。即ち、クライアントインターフェース部１１は、ユーザー端末装置５０から、質問のデータを受信する。また、クライアントインターフェース部１１は、ユーザー端末装置５０に対して、答弁のデータを送信する。本実施形態のクライアントインターフェース部１１は、ユーザー端末装置５０から、動画ＩＤの情報や、動画の再生位置の情報をも受信する。また、クライアントインターフェース部１１は、ユーザー端末装置５０との間で、後述する制御情報の送受信をも行う。クライアントインターフェース部１１は、質問のテキストのデータや、動画ＩＤや、動画の再生位置の情報を、チャットモデル部１２ａに渡す。また、クライアントインターフェース部１１は、チャットモデル部１２ａが生成する答弁テキストのデータ（および、後述するプッシュテキストのデータ）を、受け取る。

チャットモデル部１２ａは、クライアントインターフェース部１１から渡されるデータに基づいて、また内蔵するモデルを参照することによって、受け取った質問に対応する最適な答弁を推論し、その結果として得られた答弁を、クライアントインターフェース部１１に渡す。内蔵されるモデルは、入力データと出力データの対応関係について、予め学習を済ませている。モデルは、例えば、ニューラルネットワークを用いて実現される。モデルは、学習装置２０によって、学習データを用いて予め学習可能である。ニューラルネットワークや機械学習の手法自体は、既存の技術を利用してよい。

上記モデルの入力データは、ユーザー端末装置５０から渡される質問や、動画ＩＤや、動画の再生位置の情報である。また、そのモデルの出力データは、答弁（または、後述するプッシュメッセージ）である。

チャットモデル部１２ａは、機械学習済みのモデルを内部に持つ。このモデルは、後述する学習装置２０から渡されるものである。言い換えれば、学習装置２０において機械学習を行った結果として、学習装置２０内の、後述するチャットモデル部１２ｂのモデルが構築される。チャットモデル部１２ａは、このチャットモデル部１２ｂと同一のモデルである。具体的には、例えば、学習装置２０内のチャットモデル部１２ｂが持つモデルそのものをチャットモデル部１２ａにコピーしたり、機械学習済みのチャットモデル部１２ｂ内のパラメーター値の集合をチャットモデル部１２ａ側にインポートしたりする。また、チャットモデル部１２ａとチャットモデル部１２ｂとが共通の記憶領域（例えば、通信ネットワークを介してアクセスされるソリッドステートドライブ（ＳＳＤ）等）に記憶されているモデルの情報を共有するようにしてもよい。

クライアントインターフェース部１１およびチャットモデル部１２ａのそれぞれの特徴をまとめると、次の通りである。

チャットモデル部１２ａは、少なくともユーザー端末装置５０側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力する。クライアントインターフェース部１１は、前記ユーザー端末装置５０側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部１２ａに渡し、前記チャットモデル部１２ａが出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置５０に対して送信する。

前記モデルは、質問テキストをさらに含む前記入力データと前記出力データとの関係を機械学習処理によって予め学習済みとしてよい。これに対応して、前記チャットモデル部１２ａは、前記動画ＩＤと前記再生位置情報とに加えて、ユーザー端末装置５０側からの質問テキストがさらに入力されたときに、前記モデルに基づいて推論される前記生成テキストを出力するものである。また、前記クライアントインターフェース部１１は、前記ユーザー端末装置から前記質問テキストを受信し、受信した前記質問テキストを入力データの一部として前記チャットモデル部に渡すものとしてよい。

前記クライアントインターフェース部１１は、前記ユーザー端末装置５０から質問テキストを受信していない状況において、後述する所定のタイミングで、前記ユーザー端末装置５０側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部１２ａに渡すようにしてよい。

前記再生位置情報は、過去において前記クライアントインターフェース部１１が前記ユーザー端末装置５０から受信した過去の再生位置情報と、前記過去の再生位置情報を受信したタイミングからの経過時間とに基づいて、前記クライアントインターフェース部１１が推定したものを用いてもよい。

前記モデルは、前記入力データと、関連する動画を識別する情報である関連動画ＩＤをさらに含む前記出力データと、の関係を機械学習処理によって予め学習済みとしてよい。これに対応して、チャットモデル部１２ａは、前記生成テキストに加えて、さらに関連動画ＩＤを出力するものとしてよい。また、前記クライアントインターフェース部１１は、前記チャットモデル部１２ａが出力した前記関連動画ＩＤによって特定される動画の再生を、前記ユーザー端末装置に対してリコメンドするようにしてよい。ユーザー端末装置５０は、関連動画ＩＤを動画配信サーバー装置３０に送信することによって、リコメンドされた動画の配信を受け、再生することができる。

図４は、学習装置２０の概略機能構成を示すブロック図である。図示するように、学習装置２０は、チャットモデル部１２ｂと、学習処理部２１と、シナリオデータ記憶部２２と、質問答弁シナリオ設定部２３と、プッシュメッセージ設定部２４とを含んで構成される。なお、質問答弁シナリオ設定部２３と、プッシュメッセージ設定部２４とを、総称して「設定部」と呼ぶ場合がある。

チャットモデル部１２ｂは、学習装置２０が機械学習の対象とするモデルを持つものである。チャットモデル部１２ｂが持つモデルは、チャットボットサーバー装置１０における入力データと出力データとの対応関係を表すものである。前述のとおり、機械学習済みのモデルの内容が、チャットモデル部１２ｂから、チャットボットサーバー装置１０のチャットモデル部１２ａに反映される。なお、モデルは、例えばニューラルネットワークの手法を用いて構築されるものである。

学習処理部２１は、シナリオデータ記憶部２２に記憶されているシナリオデータを学習データとして用いて、チャットモデル部１２ｂの機械学習処理を行う。具体的には、学習処理部２１は、質問テキストと動画ＩＤと再生位置の情報のセットを入力として、答弁テキストを出力として扱う。学習処理部２１は、これらの入出力関係を正解として、チャットモデル部１２ｂの学習処理を行う。例えば、ニューラルネットワークを用いる場合には、入力データの集合をニューラルネットワークに入力し、そのニューラルネットワークからの出力と正解出力との差に基づいて、誤差逆伝播法によるパラメーターの更新を行う。なお、機械学習の手法として、ニューラルネットワークの誤差逆伝播法以外の既存の手法を用いるようにしてもよい。

シナリオデータ記憶部２２は、学習処理部２１が学習処理を行うための学習データを記憶する。シナリオデータは、質問と答弁とのシーケンスとして表されるシナリオデータと、プッシュメッセージに対応したシナリオデータとの、２種類を含む。

質問答弁シナリオ設定部２３は、シナリオデータ記憶部２２に記憶されるシナリオデータを設定するものである。質問答弁シナリオ設定部２３は、特に、質問と答弁とのシーケンスとして表されるシナリオデータを、シナリオデータ記憶部２２に設定する。具体的には、質問答弁シナリオ設定部２３は、制作者用端末装置６０からの入力や更新等の要求を受け付けて、質問および答弁のシナリオデータを設定する。

プッシュメッセージ設定部２４は、シナリオデータ記憶部２２に記憶されるシナリオデータを設定するものである。プッシュメッセージ設定部２４は、特に、プッシュメッセージのためのシナリオデータを、シナリオデータ記憶部２２に設定する。具体的には、プッシュメッセージ設定部２４は、制作者用端末装置６０からの入力や更新等の要求を受け付けて、プッシュメッセージ用のシナリオデータを設定する。

学習装置２０の主要部の特徴をまとめると、次の通りである。

設定部（質問答弁シナリオ設定部２３、プッシュメッセージ設定部２４）は、少なくともユーザー端末装置５０側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する。学習処理部２１は、前記設定部によって設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデル（チャットモデル部１２ｂ）に機械学習させる。

前記設定部は、前記ユーザー端末装置５０側から送信される質問テキストをさらに含む入力データと、前記出力データとの関係を、シナリオデータとして設定するものである。前記学習処理部２１は、前記質問テキストをも含んだ前記シナリオデータに基づいて、前記入力データと前記出力データとの関係をモデル（チャットモデル部１２ｂ）に機械学習させるものとしてよい。

図５は、本実施形態における、ユーザー端末装置５０と動画配信サーバー装置３０との間での通信手順の例を示すシーケンス図である。同図に示すように、ユーザー端末装置５０から動画配信サーバー装置３０への配信要求に応じて、動画配信サーバー装置３０は、動画のデータを配信する。図示する例では、動画は、所定の長さ（例えば、２秒、６秒、１０秒等といった長さ）を有する動画セグメントファイルの系列として、ユーザー端末装置５０に配信される。

具体的には、ステップＳ１０１において、ユーザー端末装置５０は、動画配信サーバー装置３０に対して、配信を要求する。この配信要求は、動画コンテンツを特定するための動画ＩＤ（同図の例では、動画ＩＤは、８７６５４３２１）と、その動画コンテンツ内における開始位置（動画コンテンツ内の相対時刻で表される）を含む。動画ＩＤや開始位置の情報は、ユーザー端末装置５０が要求する際に指定するＵＲＬ（ユニフォーム・リソース・ロケーター）内に含まれていてもよいし、その他の制御情報の領域に含まれていてもよい。

次に、ステップＳ１０２において、動画配信サーバー装置３０は、要求された動画ＩＤを有する動画コンテンツの第１のセグメントファイルを、ユーザー端末装置５０に対して送信する。次に、ステップＳ１０３において、動画配信サーバー装置３０は、要求された動画ＩＤを有する動画コンテンツの第２のセグメントファイルを、ユーザー端末装置５０に対して送信する。次に、ステップＳ１０４において、動画配信サーバー装置３０は、要求された動画ＩＤを有する動画コンテンツの第３のセグメントファイルを、ユーザー端末装置５０に対して送信する。以後のステップにおいても、動画配信サーバー装置３０は、後続する動画セグメントファイルを順次、送信する。

動画セグメントファイルを受信したユーザー端末装置５０は、その順序にしたがって、動画セグメントファイルを順次再生することができる。なお、図５では、動画コンテンツがセグメントファイルの集合として配信される場合を説明したが、配信の形態は任意であり、必ずしもセグメントファイルの集合として配信されなくてもよい。

図６は、本実施形態における、ユーザー端末装置５０とチャットボットサーバー装置１０との間での通信手順の例（質問と答弁）を示すシーケンス図である。同図に示すように、ユーザー端末装置５０は、チャットボットサーバー装置１０に対して質問を送信してよい。また、チャットボットサーバー装置１０は、その質問を受信し、受信した質問に応じた答弁を生成し、生成した答弁をユーザー端末装置５０に送信する。

具体的には、ステップＳ１１１において、ユーザー端末装置５０は、チャットボットサーバー装置１０に対して、質問を送信する。この質問は、動画ＩＤと、再生位置と、質問テキストのデータを含むものである。動画ＩＤは、この質問が送信される時点で、ユーザー端末装置５０側の動画再生機能部５２において再生されている動画を識別するためのＩＤである。再生位置は、その動画ＩＤを有する動画の、動画再生機能部５２において再生されている位置（動画コンテンツ内の相対時刻）を表す情報である。再生時刻は、例えば「ｍｍ分ｓｓ秒」等といった形式で表わされる。質問テキストは、ユーザー端末装置５０からチャットボットサーバー装置１０に対しての質問のテキストである。質問テキストは、例えば、ユーザー端末装置５０のユーザーが入力したテキストである。

このステップＳ１１１で送信された質問を受信すると、チャットボットサーバー装置１０は、それらの、動画ＩＤと、再生位置と、質問テキストとに基づいて、答弁テキストを生成する。つまり、チャットボットサーバー装置１０が生成する答弁テキストは、質問テキストのみに依存するものではなく、動画ＩＤや再生位置にも依存して生成されるテキストである。

次に、ステップＳ１１２において、チャットボットサーバー装置１０は、ユーザー端末装置５０に対して、答弁を送信する。この答弁は、チャットボットサーバー装置１０が上で生成した答弁テキストを含むものである。

つまり、図６に示した手順により、チャットボットサーバー装置１０は、ユーザー端末装置５０側から受け取った、動画ＩＤや、再生位置や、質問テキストに基づく答弁テキストを生成する。チャットボットサーバー装置１０は、生成した答弁テキストを、ユーザー端末装置５０に送信する。つまり、チャットボットサーバー装置１０は、単に質問テキストのみに対応した答弁テキストを生成するのではなく、ユーザー端末装置５０の動画再生機能部５２においてそのときに再生されている動画の、動画ＩＤや、再生位置にも応じた答弁テキストを生成する。このように、チャットボットサーバー装置１０は、ユーザー端末装置５０における状況（例えば、動画コンテンツの再生状況）に応じた答弁テキストを、自動的に生成し、ユーザーに対して提供することができる。

チャットボットサーバー装置１０が、ユーザー端末装置５０からの質問に応じて答弁を生成するだけでなく、次の図７で示すように、チャットボットサーバー装置１０側からの自発的なメッセージ（プッシュメッセージ）を生成して送信するようにしてもよい。

図７は、本実施形態における、ユーザー端末装置５０とチャットボットサーバー装置１０との間での通信手順の例（チャットボットサーバー装置側からのプッシュメッセージ）を示すシーケンス図である。

図示するように、ステップＳ１２１において、チャットボットサーバー装置１０は、プッシュメッセージを、ユーザー端末装置５０に送信する。このプッシュメッセージは、後述する方法により、チャットボットサーバー装置１０が生成する。プッシュメッセージは、プッシュテキストを含むものである。なお、このプッシュテキストは、ユーザー端末装置５０側で再生されている動画コンテンツの、動画ＩＤや再生位置に依存して、チャットボットサーバー装置１０が生成するものである。チャットボットサーバー装置１０は、プッシュテキストを生成する前に、図８あるいは図９に示す制御メッセージによって、ユーザー端末装置５０側での再生位置の情報を取得している。ユーザー端末装置５０側では、プッシュメッセージを受信すると、そのプッシュメッセージに含まれているプッシュテキストを、例えば、画面等に表示するなどといった動作を行える。

つまり、本実施形態では、ユーザー端末装置５０からの質問に対応する答弁としてだけではなく、チャットボットサーバー装置１０が自発的に送信するプッシュメッセージとして、ユーザー端末装置５０側での状況（ユーザー端末装置５０側で再生されている動画コンテンツの、動画ＩＤや再生位置）に応じたメッセージを、ユーザー端末装置５０側に送ることが可能となる。

図８は、本実施形態における、ユーザー端末装置５０とチャットボットサーバー装置１０との間での通信手順の例（ユーザー端末装置側から動画再生位置を通知する制御メッセージ）を示すシーケンス図である。ここに示す制御メッセージは、ユーザー端末装置５０側から送られる質問や、チャットボットサーバー装置１０側から送られる答弁に、直接関係するものではない。この制御メッセージは、「再生位置通知」とも呼ばれ、動画ＩＤおよび再生位置の情報を含むものである。

図示するように、ステップＳ１３１において、ユーザー端末装置５０は、チャットボットサーバー装置１０に対して、再生位置通知の制御メッセージを送信する。図示する例では、再生位置通知に含まれる情報として、動画ＩＤは８７６５４３２１であり、再生位置は０１分１２秒である。

図９は、本実施形態における、ユーザー端末装置５０とチャットボットサーバー装置１０との間での通信手順の例（チャットボットサーバー装置側からの動画再生位置の問い合わせと、その応答）を示すシーケンス図である。図８に示したユーザー端末装置５０とチャットボットサーバー装置１０との間のやりとりでは、ユーザー端末装置５０の側から自発的に再生位置通知の制御メッセージを送っていた。図９に示す手順では、チャットボットサーバー装置１０の側からまず「再生位置要求」の制御メッセージを送り、それに応じて、ユーザー端末装置５０が、「再生位置応答」の制御メッセージを、チャットボットサーバー装置１０に送信する。

つまり、図示するように、ステップＳ１４１において、チャットボットサーバー装置１０は、ユーザー端末装置５０に対して、再生位置要求の制御メッセージを送信する。ユーザー端末装置５０は、この再生位置要求の制御メッセージを受信すると、自装置の動画再生機能部５２が再生している動画コンテンツの、動画ＩＤおよび再生位置の情報を取得する。

次に、ステップＳ１４２において、ユーザー端末装置５０は、チャットボットサーバー装置１０に対して、再生位置応答の制御メッセージを送信する。この再生位置応答のメッセージは、動画ＩＤおよび再生位置の情報を含む。つまり、ユーザー端末装置５０は、ステップＳ１４１におけるチャットボットサーバー装置１０からの要求に応じて、自装置の状況である、動画ＩＤおよび再生位置の情報を、チャットボットサーバー装置１０に送信するものである。

上の図８および図９では、チャットボットサーバー装置１０が、制御メッセージを用いることによって、ユーザー端末装置５０で再生されている動画の動画ＩＤおよび再生位置の情報を取得する手順を説明した。これらにより、チャットボットサーバー装置１０は、動画ＩＤを取得するとともに、制御メッセージを受信した時点での再生位置の情報を得ることができる。また、チャットボットサーバー装置１０は、既に取得した動画ＩＤおよび再生位置の情報に基づいて、その後の任意のタイミングにおける動画ＩＤおよび再生位置を推定することができる。具体的には、チャットボットサーバー装置１０は、最新の制御メッセージを受信した日時を記憶する。そして、その日時からの経過時間を、制御メッセージに記録されている再生位置に加算する。これにより、チャットボットサーバー装置１０は、所望のタイミングにおける、ユーザー端末装置５０側での動画の再生位置を推定することができる。一例として、制御メッセージの取得時刻が「午前１０時０１分４５秒」であり、その制御メッセージに記録された再生位置が「００分４９秒」である場合、午前１０時０２分３０秒（上記の制御メッセージの取得時刻から００分４５秒後）における再生位置は、記録された再生位置である００分４９秒に経過時間００分４５秒を加算して、０１分３４秒であると推定できる。ただし、チャットボットサーバー装置１０は、推定された再生位置がその動画コンテンツの長さを超えている場合には、その推定値を無効とできる。

チャットボットサーバー装置１０は、上記の方法で推定された再生位置に基づいて、答弁メッセージやプッシュメッセージを自動生成するようにしてもよい。

図１０は、本実施形態における、チャットボットサーバー装置１０内でのやりとりの例（質問と答弁）を示すシーケンス図である。図示するように、チャットボットサーバー装置１０内において、クライアントインターフェース部１１は、チャットモデル部１２ａに対して、質問を渡す。そして、チャットモデル部１２ａは、クライアントインターフェース部１１から受け取る質問に基づいて、且つ、機械学習処理済みである自モデルの状態に基づいて、答弁を生成し、生成した答弁をクライアントインターフェース部１１に渡す。

具体的には、ステップＳ１５１において、クライアントインターフェース部１１は、質問をチャットモデル部１２ａに渡す。この質問は、動画ＩＤと、再生位置と、質問テキストとを含む。これらの動画ＩＤと、再生位置と、質問テキストとは、クライアントインターフェース部１１が、同一のユーザー端末装置５０から受け取った情報である。即ち、動画ＩＤは、そのユーザー端末装置５０で再生されている動画コンテンツを識別するＩＤである。再生位置は、そのユーザー端末装置５０で再生されている動画コンテンツにおける再生中の位置（動画コンテンツ内での相対時刻）である。質問テキストは、そのユーザー端末装置５０から渡された質問テキストである。質問テキストは、通常、そのユーザー端末装置５０を操作するユーザーが入力したテキストである。

そして、チャットモデル部１２ａは、ステップＳ１５１で受信した質問（動画ＩＤと、再生位置と、質問テキストを含む）に基づいて、答弁テキストを生成する。つまり、チャットモデル部１２ａは、予め学習済みのモデルである。具体的には、チャットモデル部１２ａは、入力である動画ＩＤ、再生位置、および質問テキストと、出力である答弁テキストとの関係を学習済みである。そして、ステップＳ１５２において、チャットモデル部１２ａは、生成した答弁テキストを含む答弁を、クライアントインターフェース部１１に渡す。

つまり、チャットモデル部１２ａは、動画ＩＤ、再生位置、および質問テキストを入力して、予め機械学習済みのモデルに基づいて、答弁テキストを出力する。

図１１は、本実施形態における、チャットボットサーバー装置１０内でのやりとりの例（プッシュメッセージ）を示すシーケンス図である。図示するように、チャットボットサーバー装置１０内において、クライアントインターフェース部１１は、チャットモデル部１２ａに対して、質問を渡す。ただし、ここでの質問は、ユーザー端末装置５０から受信した質問に基づくものではなく、クライアントインターフェース部１１が自ら生成する質問である。ここでの質問は、動画ＩＤと再生位置とを持つが、質問テキストそのものを持たない。チャットモデル部１２ａは、クライアントインターフェース部１１から受け取るこれらの情報に基づいて、且つ、機械学習処理済みである自モデルの状態に基づいて、プッシュメッセージを生成し、生成したプッシュメッセージをクライアントインターフェース部１１に渡す。

具体的には、ステップＳ１６１において、クライアントインターフェース部１１は、チャットモデル部１２ａに対して、質問を渡す。この質問は、次の情報を含む。即ち、動画ＩＤが８７６５４３２１であり、再生位置が０３分３３秒であり、質問テキストが「なし」である。そして、ステップＳ１６２において、チャットモデル部１２ａは、プッシュメッセージをクライアントインターフェース部１１に渡す。このプッシュメッセージは、チャットモデル部１２ａが生成したプッシュテキストを含むものである。

なお、図１１に示すシーケンスにおける、クライアントインターフェース部１１が質問をチャットモデル部１２ａに渡すタイミングについては、後で図１６を参照しながら説明する。

ここで、図１０と図１１とを比較してみる。図１０と図１１のいずれの場合においても、クライアントインターフェース部１１から渡される質問に対応して、チャットモデル部１２ａは答弁またはプッシュメッセージを生成し、その答弁またはプッシュメッセージをクライアントインターフェース部１１に返す。図１０の場合には質問テキストが存在し、図１１の場合には質問テキストがない（空である）。また、図１０の場合にチャットモデル部１２ａが生成するデータは答弁と呼ばれ、図１１の場合にチャットモデル部１２ａが生成するデータはプッシュメッセージと呼ばれる。ただし、答弁とプッシュメッセージとは、その本質はチャットモデル部１２ａが生成するテキストであるという点において、相互に同様のものである。また、図１０の場合にクライアントインターフェース部１１が質問をチャットモデル部１２ａに渡すアクションのトリガーは、ユーザー端末装置５０側からの質問の受信である。一方、図１１の場合にクライアントインターフェース部１１が質問をチャットモデル部１２ａに渡すアクションのトリガーは、クライアントインターフェース部１１自身が自発的に生成するトリガーである。

次に、チャットモデル部１２ａの機械学習のための、学習データについて説明する。以下では、図１２を参照しながらシナリオデータ（質問と答弁）を説明し、図１３を参照しながらシナリオデータ（プッシュメッセージ）を説明する。

図１２は、本実施形態において、動画の再生位置に関連付けて設定されるシナリオデータの例（質問と答弁）を示す概略図である。既に説明した通り、学習装置２０の質問答弁シナリオ設定部２３は、制作者用端末装置６０から、質問と答弁のシーケンスとして表されるシナリオデータの登録や更新を受け付ける。

図１２に示すシナリオデータ（質問および答弁）は、動画ＩＤと、再生位置（開始位置（ＦＲＯＭ）および終了位置（ＴＯ））と、質問と、答弁と、関連動画ＩＤの、各項目を持つ。動画ＩＤは、このシナリオ（質問と答弁）が関連付けられる動画コンテンツの識別情報である。再生位置は、上記動画ＩＤによって識別される動画コンテンツ内の位置の範囲である。位置の範囲は、その始端位置（開始位置）と終端位置（終了位置）によって指定される。なお、開始位置も、終了位置も、当該動画コンテンツ内の相対時刻で表わされる。つまり、この動画ＩＤで識別される動画コンテンツの、この再生位置の範囲が再生されている場合に、このシナリオ（質問と答弁）が有効になるように、モデルの機械学習が行われる。質問は、ユーザー端末装置５０側から送信される質問テキストの例である。答弁は、チャットボットサーバー装置１０が生成する答弁テキストの例である。関連動画ＩＤは、当該シナリオデータに関連する動画の識別情報である。

なお、図１２に示した例では、１件のシナリオに、１対の質問と答弁のみが含まれていた。これは、質問−答弁というシーケンスに対応するものである。しかし、シナリオデータが２対以上の質問と答弁を含んでいてもよい。つまり、例えば、１件のシナリオが、質問−答弁−質問−答弁−質問−答弁−・・・と続くシーケンスに対応するものであってもよい。

図１３は、本実施形態において、動画の再生位置に関連付けて設定されるシナリオデータの例（プッシュメッセージ）を示す概略図である。既に説明した通り、学習装置２０のプッシュメッセージ設定部２４は、制作者用端末装置６０から、プッシュメッセージ用に用いるシナリオの登録や更新を受け付ける。

図１３に示すシナリオデータ（プッシュメッセージ）は、動画ＩＤと、再生位置（開始位置（ＦＲＯＭ）および終了位置（ＴＯ））と、プッシュメッセージと、関連動画ＩＤの、各項目を持つ。これらの項目のうち、動画ＩＤと、再生位置と、関連動画ＩＤについては、質問と答弁のシーケンスとして表されるシナリオデータにおける項目として、図１２を参照しながら説明した通りである。プッシュメッセージは、図１３のシナリオデータに特有の項目である。このプッシュメッセージは、状況に応じてチャットボットサーバー装置１０が生成するプッシュテキストの例である。

以上、図１２と図１３とを参照しながら、シナリオデータ（機械学習のためのデータ）について説明した。なお、シナリオデータに含まれる、質問テキストと答弁テキストとプッシュテキストとについては、それぞれ、形態素解析処理を行ってから登録するようにしてもよい。つまり、その場合、質問テキストと答弁テキストとプッシュテキストのそれぞれは、形態素列のデータとして、機械学習に用いられる。また、関連動画ＩＤは、関連動画をリコメンドするために使用され得るものである。つまり、そのシナリオに相当するチャットが行われている状況において、チャットボットサーバー装置１０は、関連動画ＩＤによって識別される動画コンテンツを、ユーザー端末装置５０に対してリコメンドすることができる。この関連動画は、例えば、特定の商品やサービス等の、宣伝あるいはプロモーションのための動画であってもよい。ただし、関連動画ＩＤを使用しない（即ち、関連動画のリコメンデーションを行わない）ように、チャットボットサーバー装置１０を構成してもよい。

図１４は、本実施形態によるチャットボットサーバー装置１０が、状況に応じて異なる答弁等を生成するための、モデルの構成の一例を示す概略図である。図示する構成では、チャットボットサーバー装置１０が参照するモデルは、動画ＩＤおよび動画内の状況によって決まる。そのため、チャットボットサーバー装置１０内のチャットモデル部１２ａは、動画ＩＤと状況と適用モデルとの対応関係を保持する対応表のデータを保持する。動画内の状況は、状況ＩＤと、再生位置とで表わされ得る。ここで、各状況の再生位置は、動画コンテンツ内の相対時刻で表わした開始位置（ＦＲＯＭ）および終了位置（ＴＯ）で表わされ得る。図示する対応表の例は、動画ＩＤが「１２３４５６７８」である動画コンテンツに関する情報を持つ。この動画コンテンツの状況ＩＤは、０１，０２，０３，・・・である。例えば状況ＩＤが「０１」である状況の再生位置は、００分００秒（開始位置）から００分３０秒（終了位置）までである。また、状況ＩＤが「０２」である状況の再生位置は、００分３０秒（開始位置）から００分４２秒（終了位置）までである。他の状況ＩＤについても同様である。そして、各状況に、適用モデルが対応付けられている。図示するＭ００００１，Ｍ００００２，Ｍ００００３，・・・は、チャットモデル部１２ａが答弁あるいはプッシュメッセージを生成する際に使用するための、個々の状況ごとのモデルである。つまり、これらのモデルの各々は、動画ＩＤおよび状況ＩＤに依存するものであり、また、質問テキスト（質問テキストが「なし」である場合も含む）を入力として、答弁テキストまたはプッシュテキストを出力するものである。図示する例では、動画ＩＤ「１２３４５６７８」の状況ＩＤ「０１」に対して適用すべきモデルとして、モデルＭ００００１が指定されている。また、動画ＩＤ「１２３４５６７８」の状況ＩＤ「０２」に対して適用すべきモデルとして、モデルＭ００００２が指定されている。他の動画ＩＤや、他の状況ＩＤに対しても同様である。なお、各々のモデルの実体Ｍ００００１，Ｍ００００２，Ｍ００００３，・・・は、記憶手段に記憶されている。

なお、図１４で示した、状況ごとに個別のモデルを持つ構成は、単なる例である。チャットボットサーバー装置１０のチャットモデル部１２ａが、別の構成方法で実現されてもよい。例えば、モデル（ニューラルネットワーク）が、質問と動画ＩＤと状況ＩＤとを入力して、それらの入力の値に対応する答弁テキスト（あるいはプッシュテキスト）を出力するようにしてもよい。

図１５は、チャットボットサーバー装置１０が、ユーザー端末装置５０からの質問に対応して答弁を生成する一連の手順を示すシーケンス図である。以下、このシーケンス図に沿って説明する。

ステップＳ２０１において、ユーザー端末装置５０は、質問を、チャットボットサーバー装置１０に送信する。質問は、動画ＩＤと、再生位置と、質問テキストの、各情報を含む。チャットボットサーバー装置１０のクライアントインターフェース部１１が、この質問を受信する。

ステップＳ２０２において、チャットボットサーバー装置１０のクライアントインターフェース部１１は、ステップＳ２０１で受信した質問を、チャットモデル部１２ａに渡す。この質問は、動画ＩＤと、再生位置と、質問テキストの、各情報を含む。チャットモデル部１２ａは、この質問を受け取る。

ステップＳ２０３において、チャットモデル部１２ａは、受け取った質問に含まれている再生位置の情報を基に、状況ＩＤを特定する。状況ＩＤは、例えば図１４に示した対応表に基づいて特定される。

ステップＳ２０４において、チャットモデル部１２ａは、ステップＳ２０２で受け取った動画ＩＤおよび質問テキストと、ステップＳ２０３で求めた状況ＩＤとに基づいて、答弁テキストを生成する。このとき、図１４に示したように、動画ＩＤおよび状況ＩＤに対応する適用モデルに、質問テキストを入力して答弁テキストを生成するようにしてもよい。あるいは、前に説明したように、動画ＩＤと状況ＩＤと質問テキストとをモデル（例えば、ニューラルネットワーク）に入力することによって答弁テキストを生成するようにしてもよい。

ステップＳ２０５において、チャットモデル部１２ａは、ステップＳ２０４で生成した答弁テキストを含む答弁を、クライアントインターフェース部１１に渡す。そして、ステップＳ２０６において、クライアントインターフェース部１１は、その答弁を、ユーザー端末装置５０に送信する。答弁を受信したユーザー端末装置５０の側では、その答弁のテキストを例えば画面に表示する。

図１６は、チャットボットサーバー装置１０が、ユーザー端末装置５０からの質問がない状況でプッシュメッセージを生成する一連の手順を示すシーケンス図である。以下、このシーケンス図に沿って説明する。

ステップＳ３０１において、チャットボットサーバー装置１０のクライアントインターフェース部１１は、質問を、チャットモデル部１２ａに渡す。この質問は、動画ＩＤと、再生位置と、質問テキストの、各情報を含む。ただし、質問テキストは「なし」である。チャットモデル部１２ａは、この質問を受け取る。ここでの動画ＩＤや再生位置の情報は、制御メッセージのやり取り（図８または図９）に基づいて、クライアントインターフェース部１１が予め把握していた情報である。あるいは、制御メッセージのやり取り（図８または図９）で得られた再生位置の情報と、その時点からの経過時間に基づいて、クライアントインターフェース部１１が推定した現在の再生位置の情報である。

なお、クライアントインターフェース部１１は、任意のトリガーに基づいてステップＳ３０１の処理を行うようにしてよい。例えば、ランダムなタイミングで発生するトリガーに基づいて、クライアントインターフェース部１１が、ステップＳ３０１の処理を行うようにしてよい。

あるいは、例えば、クライアントインターフェース部１１がユーザー端末装置５０で再生されている動画ＩＤの現時点での再生位置を、過去に受け取った再生位置の情報に基づいて推定してよい。そして、その現時点の再生位置が所定の位置に近付いたときに発生するトリガーに基づいて、クライアントインターフェース部１１が、ステップＳ３０１の処理を行うようにしてよい。この場合、例えば、動画ＩＤごとに、ここで述べているトリガーを発生させる再生位置を、あらかじめ定めて記憶しておくようにする。クライアントインターフェース部１１は、トリガーを発生させる再生位置の情報を適宜読み出すことによって、上記トリガーを発生させる。

ステップＳ３０２において、チャットモデル部１２ａは、受け取った質問に含まれている再生位置の情報を基に、状況ＩＤを特定する。このステップの処理は、図１５のステップＳ２０３の処理と同様のものである。

ステップＳ３０３において、チャットモデル部１２ａは、ステップＳ３０１で受け取った動画ＩＤと、ステップＳ３０２で求めた状況ＩＤとに基づいて、プッシュテキストを生成する。このステップの処理は、図１５のステップＳ２０４の処理と類似のものである。

ステップＳ３０４において、チャットモデル部１２ａは、ステップＳ３０３で生成したプッシュテキストを含むプッシュメッセージを、クライアントインターフェース部１１に渡す。そして、ステップＳ３０５において、クライアントインターフェース部１１は、そのプッシュメッセージを、ユーザー端末装置５０に送信する。プッシュメッセージを受信したユーザー端末装置５０の側では、そのプッシュテキストを例えば画面に表示する。

ここで、動画連携型チャットボットシステム１の２つの動作例を説明する。

［動作例１］
ユーザー端末装置５０では、動画配信サーバー装置３０から配信された動画が再生される。その動画は、山岳地帯の風景を映した動画である。その動画を再生している途中で、ユーザー端末装置５０のユーザーが、質問のテキストを入力する。質問のテキストは、「あの山は何という山ですか？」というものである。ユーザー端末装置５０は、この質問テキストを、動画ＩＤの情報および動画の再生位置（分・秒）の情報とともに、チャットボットサーバー装置１０に送信する。チャットボットサーバー装置１０側では、当該動画に関するシナリオは予め学習済みであり、チャットモデル部１２ａにも反映されている。つまり、この動画の、この再生位置のあたりで、山の名前を尋ねる質問である場合に対応する適切な答弁は、学習済みのモデルから出力される。例えば、答弁のテキストは、「あの山はモンブランです。」というものである。この答弁は、チャットボットサーバー装置１０から、ユーザー端末装置５０に送信される。そして、その答弁は、ユーザー端末装置５０の画面に表示される。つまり、この動作例１が示すように、動画連携型チャットボットシステム１は、質問のみに依存する答弁ではなく、ユーザー端末装置５０側での状況にも応じた答弁を、返すことができる。

なお、前述の関連動画ＩＤを用いて、チャットボットサーバー装置１０が、このシナリオに対応した動画をリコメンドするようにしてもよい。

［動作例２］
ユーザー端末装置５０では、動画配信サーバー装置３０から配信された動画が再生される。その動画は、リゾート地の情景を映した動画である。映像には１本のワインのボトルが移されている。その動画を再生している途中の何らかのタイミングで、チャットボットサーバー装置１０内のクライアントインターフェース部１１は、質問をチャットモデル部１２ａに渡す（図１６のステップＳ３０１の状況）。ただし、質問テキストは空（なし）である。また、クライアントインターフェース部１１からチャットモデル部１２ａに渡される動画ＩＤおよび再生位置の情報は、クライアントインターフェース部１１が前述の方法で推定した情報である。チャットボットサーバー装置１０側では、当該動画に関するプッシュメッセージのシナリオは予め学習済みであり、チャットモデル部１２ａにも反映されている。予め学習した内容に応じて、チャットモデル部１２ａは、プッシュメッセージを生成する場合がある。本例のタイミングで生成されるプッシュメッセージのテキストは、「このワインに興味はありますか？」というものである。このプッシュメッセージは、チャットボットサーバー装置１０から、ユーザー端末装置５０に送信される。そして、そのプッシュメッセージは、ユーザー端末装置５０の画面に表示される。つまり、この動作例２が示すように、動画連携型チャットボットシステム１は、ユーザーからの質問が渡されない状況においても、ユーザー端末装置５０側での状況に応じたプッシュメッセージを、出力することができる。

なお、前述の関連動画ＩＤを用いて、チャットボットサーバー装置１０が、このシナリオに対応した動画をリコメンドするようにしてもよい。

以上、説明したように、本実施形態によれば、チャットボットシステムにおいて、チャットボットサーバー装置が、ユーザー端末装置側での状況（例えば、再生中の動画を識別する情報や、動画の再生位置の情報等）に依存した答弁を出力することができるようになる。また、チャットボットサーバー装置が、ユーザー端末側からの質問に対する答弁を出力するだけでなく、ユーザー端末装置側での状況に応じたプッシュメッセージを出力することができるようになる。これらの機能の少なくとも一部を備えることにより、チャットボットシステムの応用範囲を広げることができるようになる。

なお、上述した実施形態におけるチャットボットサーバー装置１０、学習装置２０、動画配信サーバー装置３０、ユーザー端末装置５０、および制作者用端末装置６０のそれぞれが持つ機能の少なくとも一部を、コンピューターで実現することができる。その場合、この機能を実現するためのプログラムをコンピューター読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピューターシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピューターシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピューター読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＵＳＢメモリー等の可搬媒体、コンピューターシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピューター読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、一時的に、動的にプログラムを保持するもの、その場合のサーバーやクライアントとなるコンピューターシステム内部の揮発性メモリーのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピューターシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

以上、実施形態を説明したが、本発明はさらに次のような変形例でも実施することが可能である。

［変形例１］
モデルが学習済みである場合には、学習装置２０は不要である。つまり、動画連携型チャットボットシステム１が、学習装置２０を含まないように構成してもよい。学習装置２０を持たないシステム構成においても、チャットボットサーバー装置１０は、既に機械学習済みのモデルを用いて、答弁テキストやプッシュテキストを生成することができる。

［変形例２］
前述の実施形態では、動画ＩＤと、再生位置（ないしは、再生位置から特定される状況ＩＤ）とに基づいて、チャットボットサーバー装置１０が、答弁あるいはプッシュメッセージを生成するようにした。チャットボットサーバー装置１０が答弁あるいはプッシュメッセージを生成する際に依存する、ユーザー端末装置５０側の状況は、動画ＩＤと再生位置等には限定されず、任意である。

［変形例３］
前述の実施形態では、チャットボットサーバー装置１０は、質問に対する答弁を生成するとともに、質問がない状況におけるプッシュメッセージをも生成するものであった。変形例３では、チャットボットサーバー装置１０は、質問に対応する答弁のみを生成する（即ち、プッシュメッセージを生成しない）ものであってもよい。また、逆に、チャットボットサーバー装置１０は、プッシュメッセージのみを生成する（即ち、質問に対応する答弁を生成しない）ものであってもよい。また、これらのそれぞれの場合には、変形例の態様に応じて、シナリオデータ（即ち、学習データ）の種類を削減してもよい。

［変形例４］
変形例４として、シナリオデータが、関連動画ＩＤを持たないようにしてもよい。このとき、関連動画ＩＤは学習されず、モデルにも反映されない。したがって、モデルに基づいて動作するチャットボットサーバー装置１０は、この変形例においては、関連動画のリコメンデーションの処理を行わない。

以上、この発明の実施形態およびその変形例について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

本発明は、例えば、メディア産業（動画配信関連を含む）や、その他のほぼすべての産業において、ユーザーに情報を提供する目的等で利用することができる。但し、本発明の利用範囲はここに例示したものには限られない。

１ 動画連携型チャットボットシステム（チャットボットシステム）
１０ チャットボットサーバー装置
１１ クライアントインターフェース部
１２ａ，１２ｂ チャットモデル部
２０ 学習装置
２１ 学習処理部
２２ シナリオデータ記憶部
２３ 質問答弁シナリオ設定部（設定部）
２４ プッシュメッセージ設定部（設定部）
３０ 動画配信サーバー装置
５０ ユーザー端末装置
５１ チャットクライアント機能部
５２ 動画再生機能部
６０ 制作者用端末装置

Claims (15)

1. 少なくともユーザー端末装置で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力するチャットモデル部と、
   前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部に渡し、前記チャットモデル部が出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置に対して送信するクライアントインターフェース部と、
   を具備し、
   前記モデルは、質問テキストをさらに含む前記入力データと前記出力データとの関係を機械学習処理によって予め学習済みであり、
   前記チャットモデル部は、前記動画ＩＤと前記再生位置情報とに加えて、質問テキストがさらに入力されたときに、前記モデルに基づいて推論される前記生成テキストを出力するものであり、
   前記クライアントインターフェース部は、前記ユーザー端末装置から前記質問テキストを受信し、受信した前記質問テキストを入力データの一部として前記チャットモデル部に渡すものである、
   チャットボットサーバー装置。
2. 少なくともユーザー端末装置で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力するチャットモデル部と、
   前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部に渡し、前記チャットモデル部が出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置に対して送信するクライアントインターフェース部と、
   を具備し、
   前記クライアントインターフェース部は、前記ユーザー端末装置から質問テキストを受信していない状況において、所定のタイミングで、前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記チャットモデル部に渡す、
   チャットボットサーバー装置。
3. 前記再生位置情報は、過去において前記クライアントインターフェース部が前記ユーザー端末装置から受信した過去の再生位置情報と、前記過去の再生位置情報を受信したタイミングからの経過時間とに基づいて、前記クライアントインターフェース部が推定したものである、
   請求項２に記載のチャットボットサーバー装置。
4. 前記モデルは、前記入力データと、関連する動画を識別する情報である関連動画ＩＤをさらに含む前記出力データと、の関係を機械学習処理によって予め学習済みであり、
   前記チャットモデル部は、前記生成テキストに加えて、さらに関連動画ＩＤを出力するものであり、
   前記クライアントインターフェース部は、前記チャットモデル部が出力した前記関連動画ＩＤによって特定される動画の再生を、前記ユーザー端末装置に対してリコメンドする、
   請求項１から３までのいずれか一項に記載のチャットボットサーバー装置。
5. 少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す秒単位の再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する設定部と、
   前記設定部によって設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデルに機械学習させる学習処理部と、
   を具備する学習装置。
6. 少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する設定部と、
   前記設定部によって設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデルに機械学習させる学習処理部と、
   を具備し、
   前記設定部は、前記ユーザー端末装置側から送信される質問テキストをさらに含む入力データと、前記出力データとの関係を、シナリオデータとして設定するものであり、
   前記学習処理部は、前記質問テキストをも含んだ前記シナリオデータに基づいて、前記入力データと前記出力データとの関係をモデルに機械学習させるものである、
   学習装置。
7. チャットボットサーバー装置と、
   学習装置と、
   を含むチャットボットシステムであって、
   前記チャットボットサーバー装置は、請求項１から４までのいずれか一項に記載のチャットボットサーバー装置であり、
   前記学習装置は、請求項５または６に記載の学習装置であり、
   前記学習装置の前記学習処理部が機械学習させたモデルを、前記チャットモデル部が持つ前記学習済みのモデルとする、
   チャットボットシステム。
8. 少なくともユーザー端末装置で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力する第１過程と、
   前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記第１過程に渡し、前記第１過程が出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置に対して送信する第２過程と、
   を含み、
   前記モデルは、質問テキストをさらに含む前記入力データと前記出力データとの関係を機械学習処理によって予め学習済みであり、
   前記第１過程は、前記動画ＩＤと前記再生位置情報とに加えて、質問テキストがさらに入力されたときに、前記モデルに基づいて推論される前記生成テキストを出力するものであり、
   前記第２過程は、前記ユーザー端末装置から前記質問テキストを受信し、受信した前記質問テキストを入力データの一部として前記チャットモデル部に渡すものである、
   チャットボットサーバー装置の動作方法。
9. 少なくともユーザー端末装置で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を機械学習処理によって予め学習済みのモデルを持ち、少なくとも前記動画ＩＤと前記再生位置情報とが入力されたときに、前記モデルに基づいて推論される生成テキストを出力する第１過程と、
   前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記第１過程に渡し、前記第１過程が出力する前記生成テキストを受け取り、前記生成テキストを含んだメッセージを前記ユーザー端末装置に対して送信する第２過程と、
   を含み、
   前記第２過程は、前記ユーザー端末装置から質問テキストを受信していない状況において、所定のタイミングで、前記ユーザー端末装置側から得られた前記動画ＩＤと前記再生位置情報とを前記第１過程に渡す、
   チャットボットサーバー装置の動作方法。
10. 少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す秒単位の再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する設定過程と、
    前記設定過程において設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデルに機械学習させる学習処理過程と、
    を含む、学習装置の動作方法。
11. 少なくともユーザー端末装置側で再生される動画を識別する情報である動画ＩＤと前記動画の再生位置を表す再生位置情報とを入力データとして、生成テキストを出力データとしたときの、入力データと出力データとの関係を、シナリオデータとして設定する設定過程と、
    前記設定過程において設定された前記シナリオデータに基づいて、前記シナリオデータが持つ前記入力データと前記出力データとの対の集合を用いて、前記入力データと前記出力データとの関係をモデルに機械学習させる学習処理過程と、
    を含み、
    前記設定過程は、前記ユーザー端末装置側から送信される質問テキストをさらに含む入力データと、前記出力データとの関係を、シナリオデータとして設定するものであり、
    前記学習処理過程は、前記質問テキストをも含んだ前記シナリオデータに基づいて、前記入力データと前記出力データとの関係をモデルに機械学習させるものである、
    学習装置の動作方法。
12. コンピューターを、
    請求項１から４までのいずれか一項に記載のチャットボットサーバー装置、
    として機能させるためのプログラム。
13. コンピューターを、
    請求項５または６に記載の学習装置、
    として機能させるためのプログラム。
14. コンピューターを、
    請求項１から４までのいずれか一項に記載のチャットボットサーバー装置、
    として機能させるためのプログラム、を記録したコンピューター読み取り可能な記録媒体。
15. コンピューターを、
    請求項５または６に記載の学習装置、
    として機能させるためのプログラム、を記録したコンピューター読み取り可能な記録媒体。

Images