JP6894461B2 - 情報処理装置、プログラム、及び情報処理方法 - Google Patents

Description

本発明は、情報処理装置、プログラム、及び情報処理方法に関する。

登録された社員のスキル等を管理するシステムが知られていた（例えば、特許文献１参照）。
［先行技術文献］
［特許文献］
［特許文献１］特開２００９−２７１６０１号公報

人物のスキルを自動的に推定可能な技術を提供することが望ましい。

本発明の第１の態様によれば、情報処理装置が提供される。情報処理装置は、人物に関連する非構造化データを取得する人物データ取得部を備えてよい。情報処理装置は、非構造化データに基づいて、人物のスキルを推定するスキル推定部を備えてよい。

上記スキル推定部は、上記非構造化データに基づいて上記人物の実務能力を推定してよい。上記スキル推定部は、非構造化データとスキルとの関係を学習した学習モデルを用いて、上記人物のスキルを推定してよい。上記情報処理装置は、上記スキル推定部によって推定された上記人物のスキルと上記人物を識別する人物識別情報とを対応付けて格納するスキル格納部と、上記スキル格納部を参照して、指定されたスキルを有する人物を検索する人物検索部とを備えてよい。上記スキルは、技術に関連するスキルであってよい。上記人物データ取得部は、上記人物の非構造化データとして、上記人物の行動履歴を取得してよい。上記非構造化データは、上記人物のメールデータ、上記人物のスケジュールデータ、上記人物によって生成されたドキュメントデータ、及び上記人物によって入力されたアンケートデータの少なくともいずれかを含んでよい。

上記情報処理装置は、上記人物の上記非構造化データに基づいて学習データを生成する学習データ生成部と、上記学習データに基づいて、上記学習データにラベルを付与した第１のラベル付き学習データを生成し、非構造化データとスキルとの関係を学習した学習モデルを生成する学習実行部と、上記学習モデルに非構造化データを入力することによって推定されたスキルの推定結果を上記非構造化データに対応する人物の通信端末に送信して、上記人物による上記推定結果に対するフィードバックを上記通信端末から取得するフィードバック取得部とを備えてよく、上記学習実行部は、上記フィードバック取得部が取得した上記フィードバックに基づいて生成した第２のラベル付き学習データに基づいて、学習モデルを生成してよい。

上記学習実行部は、上記第１のラベル付き学習データを学習モデルに入力することによって上記学習モデルが有するノード間の接続係数を修正し、上記第２のラベル付き学習データを学習モデルに入力することによって上記学習モデルが有するノード間の接続係数を修正してよく、上記スキル推定部は、上記学習実行部によって学習された上記学習モデルを取得し、上記学習モデルを用いて上記人物のスキルを推定してよい。上記学習データ生成部は、複数のスキルのそれぞれに関連する関連用語が登録されている辞書データに基づいて決定した、上記複数のスキルのそれぞれと、複数種類の非構造化データのそれぞれとの組み合わせに対して第１の値又は第２の値が対応付けられている上記学習データを生成してよく、上記学習実行部は、上記複数のスキルのそれぞれについて、上記複数種類の非構造化データとの組み合わせに対応付けられている上記第１の値又は上記第２の値を加算した合計が予め定められた閾値以上であるか否かに基づいて、上記ラベルを付与した上記第１のラベル付き学習データを生成してよい。

上記スキル推定部は、上記非構造化データと、上記人物に関連する構造化データとに基づいて、上記人物のスキルを推定してよい。上記構造化データは、上記人物が所属している組織の情報、及び上記人物が担当している業務の情報の少なくともいずれかを含んでよい。

本発明の第２の態様によれば、コンピュータを、上記情報処理装置として機能させるためのプログラムが提供される。

本発明の第３の態様によれば、コンピュータにより実行される情報処理方法が提供される。情報処理方法は、人物に関連する非構造化データを取得する人物データ取得段階を備えてよい。情報処理方法は、非構造化データに基づいて、人物のスキルを推定するスキル推定段階を備えてよい。

本発明の第４の態様によれば、情報処理装置が提供される。情報処理装置は、人物に関連する非構造化データに基づいて学習データを生成する学習データ生成部を備えてよい。情報処理装置は、学習データに基づいて、学習データにラベルを付与した第１のラベル付き学習データを生成し、非構造化データとスキルとの関係を学習した学習モデルを生成する学習実行部を備えてよい。情報処理装置は、学習モデルに非構造化データを入力することによって推定されたスキルの推定結果を、非構造化データに対応する人物の通信端末に送信して、人物による推定結果に対するフィードバックを取得するフィードバック取得部を備えてよい。学習実行部は、フィードバック取得部が取得したフィードバックに基づいて生成した第２のラベル付き学習データに基づいて、学習モデルを生成してよい。学習実行部は、第１のラベル付き学習データを学習モデルに入力することによって学習モデルが有するノード間の接続係数を修正してよく、第２のラベル付き学習データを学習モデルに入力することによって学習モデルが有するノード間の接続係数を修正してよい。

本発明の第５の態様によれば、コンピュータを、上記情報処理装置として機能させるためのプログラムが提供される。

本発明の第６の態様によれば、コンピュータにより実行される情報処理方法が提供される。情報処理方法は、人物に関連する非構造化データに基づいて学習データを生成する学習データ生成段階を備えてよい。情報処理方法は、学習データに基づいて、学習データにラベルを付与した第１のラベル付き学習データを生成し、非構造化データとスキルとの関係を学習した学習モデルを生成する第１生成段階を備えてよい。情報処理方法は、学習モデルに非構造化データを入力することによって推定されたスキルの推定結果を、非構造化データに対応する人物の通信端末に送信して、人物による推定結果に対するフィードバックを取得するフィードバック取得段階を備えてよい。情報処理方法は、フィードバック取得段階において取得されたフィードバックに基づいて生成した第２のラベル付き学習データに基づいて、学習モデルを生成する第２生成段階を備えてよい。第１生成段階は、第１のラベル付き学習データを学習モデルに入力することによって学習モデルが有するノード間の接続係数を修正してよく、第２生成段階は、第２のラベル付き学習データを学習モデルに入力することによって学習モデルが有するノード間の接続係数を修正してよい。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

管理システム１０の一例を概略的に示す。 ラベル２４０が対応付けられた学習データ２３０の一例を概略的に示す。 学習実行装置２００の機能構成の一例を概略的に示す。 スキル推定装置３００の機能構成の一例を概略的に示す。 人物情報６００の一例を概略的に示す。 学習実行装置２００又はスキル推定装置３００として機能するコンピュータ１２００のハードウェア構成の一例を概略的に示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、管理システム１０の一例を概略的に示す。本実施形態に係る管理システム１０は、組織に所属する人物を管理する。ここでは、管理システム１０が、会社に所属する社員４０を管理する場合を主に例に挙げて説明する。管理システム１０は、人物データ管理装置１００、学習実行装置２００、及びスキル推定装置３００を備える。学習実行装置２００は、情報処理装置の一例であってよい。スキル推定装置３００は、情報処理装置の一例であってよい。

人物データ管理装置１００は、人物に関連するデータ（人物データと記載する場合がある。）を管理する。本例では、人物データ管理装置１００は、社員４０に関連するデータ（社員データと記載する場合がある。）を管理する。

社員データは、例えば、社員４０に関連する構造化データを含む。社員４０に関連する構造化データは、例えば、社員４０の属性情報を含む。社員４０の属性情報の例として、社員４０が所属する組織の情報、社員４０が担当している業務の情報、社員４０が担当している案件の情報、社員４０が担当しているシステムの情報、社員４０が担当している顧客の情報、及び社員４０が保有している資格の情報等が挙げられる。

また、社員データは、例えば、社員４０に関連する非構造化データを含む。社員４０に関連する非構造化データは、例えば、社員４０の行動履歴を含む。社員４０の行動履歴とは、社員４０が行動した結果、生成されるデータであってよい。社員４０の行動履歴の例として、社員４０のメールデータ、社員４０のスケジュールデータ、社員４０によって生成されたドキュメントデータ、社員４０によって登録されたフリーコメント、社員４０によって入力されたアンケートデータ、社員４０のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）のログ、社員４０の電話のログ、社員４０が所有するスマートフォン及びタブレット端末等の携帯通信端末４００の使用ログ、及び社員４０の勤怠データ等が挙げられる。

人物データ管理装置１００は、例えば、メールシステムから、社員４０のメールデータを取得する。人物データ管理装置１００は、例えば、スケジュール管理システムから、社員４０のスケジュールデータを取得する。人物データ管理装置１００は、例えば、ドキュメント管理システムから、社員４０によって生成されたドキュメントデータを取得する。人物データ管理装置１００は、例えば、社員４０に対するアンケートを実施するアンケートシステムから、社員４０によって入力されたアンケートデータを取得する。人物データ管理装置１００は、例えば、社員４０のＰＣからログを取得する。人物データ管理装置１００は、例えば、電話管理システムから、社員４０の電話のログを取得する。人物データ管理装置１００は、例えば、社員４０の携帯通信端末４００から使用ログを取得する。人物データ管理装置１００は、例えば、勤怠管理システムから社員４０の勤怠データを取得する。

人物データ管理装置１００は、各システム、社員４０のＰＣ、及び社員４０の携帯通信端末４００等と、ネットワーク２０を介して通信する。ネットワーク２０は、社内ネットワークを含む。ネットワーク２０は、ＷｉＦｉ（登録商標）通信システムを含んでよい。ネットワーク２０は、３Ｇ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ）通信システム、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）通信システム、４Ｇ（４ｔｈ Ｇｅｎｅｒａｔｉｏｎ）通信システム、及び５Ｇ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ）通信システム以降の通信システム等の移動体通信ネットワークを含んでもよい。ネットワーク２０は、インターネットを含んでもよい。

社員４０の行動履歴は、社員４０が訪れた場所のログを含んでもよい。人物データ管理装置１００は、例えば、社員４０の携帯通信端末４００から、社員４０が訪れた場所のログを取得する。また、人物データ管理装置１００は、例えば、社内の各所に設置されているＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇ）デバイスから、社員４０が訪れた場所のログを取得する。例えば、社内の各部署に設置されているＩｏＴデバイスが、社員４０の携帯通信端末４００と通信することによって、ＩｏＴデバイスが設置されている部署に当該社員４０が訪れたことが特定される。

学習実行装置２００は、人物データ管理装置１００によって管理されている人物データを用いた学習を実行する。学習実行装置２００は、人物データとスキルとの関係を学習することによって、人物データから人物が有するスキルを推定するための学習モデルを生成する。人物データ管理装置１００と学習実行装置２００とは、ネットワーク２０を介して通信してよい。

学習実行装置２００は、例えば、まず、社員４０の社員データを解析することによって、社員４０の社員データ（構造化データ及び非構造化データ）とスキルの関係を示した学習データを生成する。次に学習実行装置２００は、当該学習データを用いて学習を行い、社員データ（構造化データ及び非構造化データ）とスキルの関係を学習した学習モデルを生成する。そして、学習実行装置２００は、学習した学習モデルに、社員４０の社員データを入力する。学習モデルからは、推定されたスキルが出力され、学習実行装置２００は、社員４０の携帯通信端末４００に対して、推定されたスキルを送信する。

携帯通信端末４００は、学習実行装置２００から受信した、推定されたスキルを社員４０に提示する。社員４０は、推定されたスキルが正しいか否かを携帯通信端末４００に入力する。社員４０は、例えば、自らが有すると推定されているスキルについて、有すると考える場合には、推定されたスキルが正しいとし、有していないと考える場合には、推定されたスキルを誤りとする。また、社員４０は、例えば、自らが有していないと推定されているスキルについて、有していないと考える場合には、推定されたスキルを正しいとし、有していると考える場合には、推定されたスキルを誤りとする。携帯通信端末４００は、社員４０によって入力された入力結果をフィードバックとして学習実行装置２００に送信する。学習実行装置２００は、携帯通信端末４００から受信したフィードバックを利用した再帰学習を実行して、スキル推定装置３００に提供する学習モデルを生成する。学習内容の詳細については後述する。

スキル推定装置３００は、人物データ管理装置１００によって管理されている人物データに基づいて、人物が有するスキルを推定する。スキル推定装置３００は、学習実行装置２００によって生成された学習モデルを用いて、社員４０の社員データから当該社員４０のスキルを推定してよい。スキル推定装置３００と、人物データ管理装置１００とは、ネットワーク２０を介して通信してよい。スキル推定装置３００と学習実行装置２００とは、ネットワーク２０を介して通信してよい。

スキル推定装置３００は、推定した社員４０のスキルを、社員４０を識別する社員識別情報に対応付けて格納してよい。また、スキル推定装置３００は、スキルによる社員４０の検索を可能とする検索機能を有してよい。例えば、スキル推定装置３００は、社員４０によって携帯通信端末４００に入力されたスキルを示すキーワードを、携帯通信端末４００から受信し、キーワードが示すスキルが対応付けられている社員４０の社員識別情報を特定して、携帯通信端末４００に表示させる。

従来の社員管理システムでは、例えば、社員に自らが保有する資格情報を登録させることによって、社員のスキルを管理していた。しかし、資格制度が追い付いていない技術だったり、資格を取得しても資格が登録されなかったりすることによって、社員１人１人のスキルを正確に把握しにくい状況にあった。このため、例えば、新たな技術に関するプロジェクトのチームメンバーを選定する場合に、その技術に関する経験を有する社員、その技術の業界に精通している社員、その技術に関するスキルを有する社員等を見つけることが難しく、選定に苦労していた。このような問題は、社員数が多い会社においてより顕著になる。

また、従来から、社員の構造化データから社員のスキルを推定する技術が検討されているが、構造化データに含まれる資格情報から、資格に対応するスキルを有していると推定するにとどまっている。資格の種類によっては、資格を有していることによってスキル（実務能力）を有していることが担保されるものもあるが、資格を有していることとスキル（実務能力）を有していることとは、必ずしも一致しない。本質的には、社員が実際に有しているスキル（実務能力）を推定することが望ましいが、そのような技術は実現されていない。

それに対して、本実施形態に係る管理システム１０では、社員の非構造化データに着目する。社員の非構造化データは、上述したように、社員のメールデータ、スケジュールデータ、ドキュメントデータ、フリーコメント、アンケートデータ、ＰＣのログ、電話のログ、携帯通信端末４００の使用ログ、及び勤怠データ等、社員が行動した結果生成されるデータであり、社員が有するスキル（実務能力）を抽出できる可能性がある。例えば、メールデータ中に、ロボットに関連するワードが数多く登場する社員は、日頃からロボットに関する業務を行ったり、ロボットについて調査したりしている可能性が高く、ロボットに関するスキル（実務能力）を有している可能性が高いといえる。

本実施形態に係る管理システム１０は、社員の非構造化データを主に学習データとして学習を実行し、学習モデルを生成するので、高い精度で、社員が有するスキル（実務能力）を推定することができる。これにより、例えば、ロボットに関するプロジェクトのチームメンバーを選択する場合に、ロボットに関するスキル（実務能力）を有する社員４０を容易に特定可能にできる。

なお、図１では、人物データ管理装置１００、学習実行装置２００、及びスキル推定装置３００を別の装置として示したが、これに限らない。人物データ管理装置１００、学習実行装置２００、及びスキル推定装置３００のうち全部又は一部が一体であってもよい。例えば、スキル推定装置３００は、学習実行装置２００の機能を有してもよく、スキル推定装置３００と学習実行装置２００とは一体であってもよい。また、例えば、スキル推定装置３００は、人物データ管理装置１００の機能を有してもよく、スキル推定装置３００と人物データ管理装置１００とは一体であってもよい。また、例えば、スキル推定装置３００は、人物データ管理装置１００及び学習実行装置２００の機能を有してもよく、スキル推定装置３００、人物データ管理装置１００、及び学習実行装置２００は一体であってもよい。

また、図１では、管理システム１０が、会社に所属する社員４０を管理する場合を主に例に挙げて説明したが、管理システム１０は、任意の人物を管理してよい。例えば、管理システム１０は、会社以外の民間組織に所属する人物を管理してもよい。また、管理システム１０は、公的組織に所属する人物を管理してもよい。

図２は、ラベル２４０が対応付けられた学習データ２３０の一例を概略的に示す。ここでは、社員ＩＤがＡ００００１である社員４０の、Ｊａｖａ（登録商標）、ＡＩ、ＳＱＬ、対話処理、及び画像処理というスキルに対する学習データ２３０及びラベル２４０を例示する。

学習実行装置２００は、社員４０の構造化データ及び非構造化データを解析することによって、学習データ２３０を生成する。学習実行装置２００は、例えば、非構造化データに、スキルに関連する関連用語が含まれている場合に、スキルの値を「１」とし、含まれていない場合に、スキルの値を「０」とする。

学習実行装置２００は、複数のスキルのそれぞれに対して、スキルに関連する関連用語が対応付けられている辞書データを格納しておいてよい。下記表１は、スキル「ＡＩ」に関連する関連用語の一例を示す。表１では、ＡＩに対して、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、教師ラベル、及び学習データが対応付けられている。

学習実行装置２００は、例えば、社員４０のメールデータに、表１に登録されている関連用語が１つでも含まれる場合に、メールとＡＩに対応する値を「１」とし、１つも含まれない場合、「０」とする。学習実行装置２００は、社員４０のメールデータに、表１に登録されている関連用語が予め設定された数よりも多く含まれる場合に、メールとＡＩに対応する値を「１」とし、メールデータに含まれる関連用語の数が予め設定された数よりも少ない場合、メールとＡＩに対応する値を「０」としてもよい。また、学習実行装置２００は、社員４０のメールデータにおける、表１に登録されている関連用語の出現頻度が予め定められた閾値より高い場合に、メールとＡＩに対応する値を「１」とし、閾値より低い場合に「０」としてもよい。

なお、学習実行装置２００は、Ｗｏｒｄ２ＶｅｃやＤｏｃ２Ｖｅｃ等を活用して意味ベクトルを導出し、複数のスキル毎に、メールデータ等を分類してもよい。例えば、学習実行装置２００は、メールデータに対してＷｏｒｄ２ＶｅｃやＤｏｃ２Ｖｅｃを適用した結果、ＡＩとＪａｖａについて、予め定められた閾値を超えた場合、メールデータとＡＩに対応する値と、メールデータとＪａｖａに対応する値とを「１」としてよい。

また、学習実行装置２００は、例えば、構造化データに、スキルに関連する関連用語が含まれている場合に、スキルの値を「１」とし、含まれていない場合に、スキルの値を「０」とする。例えば、学習実行装置２００は、社員４０が所属する組織の名称にＡＩが含まれている場合に、組織とＡＩに対応する値を「１」とする。

学習実行装置２００は、学習データ２３０に基づいて、ラベル２４０を決定し、学習モデルに入力するラベル付き学習データを生成する。学習実行装置２００は、例えば、複数のスキルのそれぞれについて、構造化データに対応する値と非構造化データに対応する値との合計が予め定められた閾値以上である場合に、ラベル２４０を「１」とし、閾値より低い場合に、ラベル２４０を「０」とする。

学習実行装置２００は、ラベル付き学習データを用いて学習する。ラベル２４０は損失関数を扱うためのデータとして用いることで学習を行う。学習実行装置２００は、例えば構造化データと非構造化データとから生成した学習データ２３０を学習モデルに入力した際に、ラベルが示す特徴を再現できるように、学習モデルが有するノード間の接続係数（すなわち、ノード間の値を伝達する際の重み）をバックプロパゲーション等の手法によって修正する。

例えば、ラベル２４０の値が「１」に対応する学習データを学習モデルに入力すると、学習データに対応するスキルを有する確度の値が閾値π以上となるように中間層が有する接続係数の再計算を行う。また出力層では上述したラベル２４０を損失関数として扱う。尚、閾値πの値は任意に設定可能である。

学習実行装置２００はラベル付き学習データを用いて学習した学習モデルに、社員４０の社員データを入力し、学習モデルによって出力された、推定されたスキルを携帯通信端末４００に送信して、社員４０に確認させる。学習実行装置２００は、複数のスキルのそれぞれについて、社員４０がスキルを有していると推定されたか、有していないと推定されたかを示す推定結果を携帯通信端末４００に送信して、社員４０に確認させてよい。例えば、学習実行装置２００は、Ｊａｖａのスキル有り、ＡＩのスキル有り、ＳＱＬのスキル有り、対話処理のスキル有り、及び画像処理のスキル無しという推定結果を携帯通信端末４００に送信する。携帯通信端末４００は、推定されたスキルが正しいか否かの社員４０による入力を受け付けて、入力内容をフィードバックとして学習実行装置２００に送信する。

学習実行装置２００は、携帯通信端末４００から受信したフィードバックを参照して、社員４０によって確認されたスキルの有無を示すラベル２４０を学習データ２３０に対応付けた新たなラベル付き学習データを生成する。そして、学習実行装置２００は、新たに生成したラベル付き学習データを学習モデルに入力して、上述と同様の学習を実行することによって、学習モデルを更新することにより、学習モデルを生成してよい。

最初にラベル付き学習データを用いて学習した学習モデルによって推定されたスキルは、推定精度が低いので、上述したように、社員４０に推定結果を確認させることによって、ラベル２４０を付し直し、より精度の高いラベル２４０を付した学習データ２３０を生成する。これにより、学習モデルによるスキルの推定の推定精度を高めることができる。

学習実行装置２００は、例えば、まず、複数の社員４０の社員データのうちの一部の社員データから学習データを生成し、当該学習データを用いて、上述した流れに従って学習モデルを生成する。次に、学習実行装置２００は、複数の社員データのうちの残りの社員データを学習モデルに入力して、学習モデルから出力された推定結果を、当該残りの社員データに対応する社員４０の携帯通信端末４００に対して送信し、フィードバックを取得する。そして、学習実行装置２００は、フィードバックを利用して学習モデルを更新する。また、学習実行装置２００は、新たな社員データを取得した場合に、同様の処理を実行することによって、学習モデルを更新してよい。このような処理を繰り返すことによって、学習モデルによるスキルの推定の推定精度を高めていくことができる。

スキル推定装置３００は、学習実行装置２００によって生成された学習モデルを用いて、社員４０のスキルを推定してよい。例えば、スキル推定装置３００は、まず、スキルを推定する対象の社員４０の構造化データ及び非構造化データから、学習データと同様のデータを生成する。次に、スキル推定装置３００は、生成したデータに対して学習モデルを適用することによって、当該社員４０のスキルを推定する。

図３は、学習実行装置２００の機能構成の一例を概略的に示す。学習実行装置２００は、辞書データ生成部２０２、辞書データ格納部２０４、人物データ取得部２１０、学習データ生成部２１２、学習実行部２１４、フィードバック取得部２１６、学習モデル格納部２２０、及び学習モデル送信部２２２を備える。なお、学習実行装置２００がこれらの全ての構成を備えることは必須とは限らない。

辞書データ生成部２０２は、スキルの辞書データを生成する。スキルの辞書データは、複数のスキルのそれぞれに対して、スキルに関連する関連用語が登録されたデータであってよい。辞書データ生成部２０２は、例えば、あるスキルをキーワードとしてＷｅｂ検索を実行し、検索結果のＷｅｂページに、より多く含まれるワードを、当該スキルに関連する関連用語としてスキルの辞書データに登録する。辞書データ格納部２０４は、辞書データ生成部２０２によって生成された辞書データを格納する。辞書データ格納部２０４は、学習実行装置２００のオペレータ等によって生成された辞書データを格納してもよい。

人物データ取得部２１０は、人物データを取得する。人物データ取得部２１０は、人物データ管理装置１００によって管理されている人物データを人物データ管理装置１００から受信してよい。

学習データ生成部２１２は、人物データ取得部２１０によって取得された人物データと、辞書データ格納部２０４に格納されている辞書データとを用いて、学習データを生成する。

学習データ生成部２１２は、人物データに含まれる非構造化データを解析することによって、非構造化データに対応する学習データを生成してよい。学習データ生成部２１２は、複数種類の非構造化データのそれぞれと、複数のスキルのそれぞれとに対応する値を決定していく。

学習データ生成部２１２は、例えば、第１の種類の非構造化データに、第１のスキルに関連する関連用語が含まれている場合に、第１の種類の非構造化データと第１のスキルとに対応する値を予め定められた第１の値とし、含まれていない場合に、第１の種類の非構造化データと第１のスキルとに対応する値を予め定められた第２の値とする。ここでは、第１の値が「１」であり、第２の値が「０」である場合を例に挙げて説明する。

第１の種類の非構造化データと第１のスキルとに対応する値を「１」とするか「０」とするかの判断基準は、第１の種類の非構造化データに、第１のスキルに関連する関連用語が含まれているか否かに限らない。例えば、第１の種類の非構造化データにおける第１のスキルに関連する関連用語の出現回数が予め定められた回数よりも多いか否か、第１の種類の非構造化データにおける第１のスキルに関連する関連用語の出現頻度が予め定められた頻度よりも多いか否か等、任意の判断基準が用いられてよい。

また、例えば、学習データ生成部２１２は、第１の種類の非構造化データに対してＷｏｒｄ２Ｖｅｃ又はＤｏｃ２Ｖｅｃ適用した結果に基づいて、第１の種類の非構造化データと第１のスキルとに対応する値を「１」とするか「０」とするかを判定してもよい。例えば、学習データ生成部２１２は、第１の種類の非構造化データに対してＷｏｒｄ２Ｖｅｃ又はＤｏｃ２Ｖｅｃ適用した結果、第１のスキルについて、予め定められた閾値以上である場合に、第１の種類の非構造化データと第１のスキルとに対応する値を「１」とし、閾値より低い場合に、「０」とする。

学習データ生成部２１２は、人物データに含まれる構造化データを解析することによって、構造化データに対応する学習データを生成してよい。学習データ生成部２１２は、複数種類の構造化データのそれぞれと、複数のスキルのそれぞれとに対応する値を決定していく。学習データ生成部２１２は、例えば、第１の種類の構造化データに、第１のスキルに関連する関連用語が含まれている場合に、第１の種類の構造化データと第１のスキルとに対応する値を「１」とし、含まれていない場合に、「０」とする。

第１の種類の構造化データと第１のスキルとに対応する値を「１」とするか「０」とするかの判断基準は、第１の種類の構造化データに、第１のスキルに関連する関連用語が含まれているか否かに限らない。例えば、第１の種類の構造化データにおける第１のスキルに関連する関連用語の出現回数が予め定められた回数よりも多いか否か、第１の種類の構造化データにおける第１のスキルに関連する関連用語の出現頻度が予め定められた頻度よりも多いか否か等、任意の判断基準が用いられてよい。

学習実行部２１４は、学習データ生成部２１２によって生成された学習データに基づいてラベルを決定し、学習モデルに入力するラベル付き学習データを生成する。学習実行部２１４は、複数のスキルのそれぞれについて、社員４０がスキルを有するか否かを示すラベルを決定してよい。

学習実行部２１４は、例えば、非構造化データに対応する値と構造化データに対応する値の合計が予め定められた閾値以上である場合に、ラベルを、スキルを有することを示す値とし、閾値より低い場合に、スキルを有さないことを示す値とする。ここでは、スキルを有することを示す値が「１」であり、スキルを有さないことを示す値が「０」である場合を例に挙げて説明する。

学習実行部２１４は、ラベル付き学習データを用いて学習する。ラベル２４０は損失関数を扱うためのデータとして用いることで学習を行う。学習実行部２１４は、例えば、学習データ生成部２１２によって生成された学習データを学習モデルに入力した際に、ラベルが示す特徴を再現できるように、学習モデルが有するノード間の接続係数（すなわち、ノード間の値を伝達する際の重み）をバックプロパゲーション等の手法によって修正する。

例えば、ラベルの値が「１」に対応する学習データを学習モデルに入力すると、学習データに対応するスキルを有する確度の値が閾値π以上となるように中間層が有する接続係数の再計算を行う。また出力層では上述したラベルを損失関数として扱う。尚、閾値πの値は任意に設定可能である。

学習実行部２１４は、ラベル付き学習データを用いて学習した学習モデルに、人物データを入力し、学習モデルによって出力された、推定されたスキルを取得する。

フィードバック取得部２１６は、学習モデルによって出力された、推定されたスキルに対するフィードバックを取得する。フィードバック取得部２１６は、例えば、推定されたスキルを、社員４０の携帯通信端末４００に送信する。フィードバック取得部２１６は、複数のスキルのそれぞれについて、社員４０がスキルを有していると推定されたか、有していないと推定されたかを示す推定結果を携帯通信端末４００に送信してよい。そして、フィードバック取得部２１６は、携帯通信端末４００からフィードバックを受信する。

学習実行部２１４は、フィードバック取得部２１６が取得したフィードバックを参照して、新たなラベル付き学習データを生成する。学習実行部２１４は、社員４０による確認が完了したスキルの有無を示すラベルを学習データに対応付けた、新たなラベル付学習データを生成してよい。そして、学習実行部２１４は、当該ラベル付き学習データを学習モデルに入力して、上述と同様の学習を実行することにより、学習モデルを更新する。

なお、学習実行部２１４は、人物データから学習モデルを生成してもよい。学習実行部２１４は、例えば、複数のスキルのそれぞれについて、スキルを有する１又は複数の人物の人物データを解析することによって導出したベクトルデータと、スキルとの対応付けデータを生成する。解析対象の人物データは、例えば、人物の非構造化データである。解析対象の人物データは、人物の行動履歴であってよい。そして、学習実行部２１４は、複数のスキルの対応付けデータを含む学習モデルを生成する。

当該学習モデルによれば、例えば、ある人物の非構造化データから導出されたベクトルデータと、学習モデルに含まれるベクトルデータとを比較することによって、当該人物のスキルを推定することができる。具体例として、ある人物の人物データから導出されたベクトルデータと、学習モデルに含まれる複数のベクトルデータとの一致度を導出した結果、Ｊａｖａに対応するベクトルデータとの一致度が予め定められた閾値より高かった場合、当該人物がＪａｖａのスキルを有すると推定することができる。

学習モデル格納部２２０は、学習実行部２１４によって生成された学習モデルを格納する。学習モデル送信部２２２は、学習モデル格納部２２０に格納されている学習された学習モデルを送信する。学習モデル送信部２２２は、学習モデル格納部２２０に格納されている学習された学習モデルをスキル推定装置３００に送信してよい。

図４は、スキル推定装置３００の機能構成の一例を概略的に示す。スキル推定装置３００は、学習モデル格納部３０２、人物データ取得部３０４、スキル推定部３０６、スキル格納部３０８、スキル検索部３１０、表示制御部３１２、及び人物情報提供部３１４を備える。なお、スキル推定装置３００がこれらの全ての構成を備えることは必須とは限らない。

学習モデル格納部３０２は、学習モデルを格納する。学習モデル格納部３０２は、学習実行装置２００によって生成された、学習された学習モデルを受信して格納してよい。

人物データ取得部３０４は、人物データを取得する。人物データ取得部３０４は、人物データ管理装置１００によって管理されている人物データを人物データ管理装置１００から取得してよい。

スキル推定部３０６は、人物データ取得部３０４が取得した人物データに基づいて、人物のスキルを推定する。スキル推定部３０６は、学習モデル格納部３０２に格納されている学習された学習モデルを用いて、人物データ取得部３０４が取得した人物データから、人物のスキルを推定してよい。

スキル推定部３０６は、例えば、人物の構造化データ及び非構造化データに基づいて、人物のスキルを推定する。スキル推定部３０６は、例えば、スキルを推定する対象の人物の人物データを人物データ取得部３０４から取得し、当該人物データに含まれる構造化データ及び非構造化データから、学習データと同様のデータを生成する。そして、スキル推定部３０６は、生成したデータを、学習モデルに入力して、学習モデルから出力された結果を、当該人物のスキルの推定結果とする。

スキル格納部３０８は、スキル推定部３０６によって推定された人物のスキルと、人物を識別する人物識別情報とを対応付けて格納する。人物識別情報は、人物を識別することができればどのような情報であってもよい。例えば、人物が社員である場合、人物識別情報は社員を識別する社員ＩＤであってよい。

スキル検索部３１０は、指定されたスキルを有する人物を検索する。スキル検索部３１０は、人物検索部の一例であってよい。スキル検索部３１０は、例えば、スキル格納部３０８を参照して、指定されたスキルを有する人物を検索する。スキル検索部３１０は、例えば、携帯通信端末４００に対して社員４０によって入力されたスキルを表すワードを携帯通信端末４００から受信し、当該ワードによってスキル格納部３０８に対する検索を実行することによって、当該スキルを有する人物を特定する。なお、スキル格納部３０８に対する検索として、既存のあらゆる検索手法が採用され得る。例えば、スキル格納部３０８に対する検索は、完全一致の検索であってよく、部分一致の検索であってよく、シソーラスを考慮した検索であってよく、概念検索であってもよい。

スキル検索部３１０は、人物データ取得部３０４を参照して、指定されたスキルを有する可能性がある人物を検索してもよい。例えば、スキル検索部３１０は、スキルを表すワードを取得し、人物データに当該ワードが含まれる人物を検索結果としてもよい。スキル検索部３１０は、例えば、取得したワードが構造化データに含まれる人物を検索結果とする。また、スキル検索部３１０は、例えば、取得したワードが非構造化データに含まれる人物を検索結果とする。また、スキル検索部３１０は、例えば、取得したワードが非構造化データ及び構造化データの少なくともいずれかに含まれる人物を検索結果とする。

表示制御部３１２は、スキル推定部３０６が学習データを用いて人物の人物データから推定した当該人物のスキルを、当該人物に対応する携帯通信端末４００に送信して表示させる。表示制御部３１２は、表示させたスキルを当該人物が有するか否かを、当該人物によって入力可能な形式で、推定した当該人物のスキルを携帯通信端末４００に表示させてよい。また、表示制御部３１２は、表示させたスキル以外に当該人物が有するスキルと、当該スキルに対するコメントとをさらに入力可能な形式で、推定した当該人物のスキルを携帯通信端末４００に表示させてもよい。

人物情報提供部３１４は、指定された人物の情報を提供する。人物情報提供部３１４は、例えば、携帯通信端末４００から人物識別情報を受信して、人物識別情報によって識別された人物の情報を携帯通信端末４００に提供する。人物情報提供部３１４が提供する人物の情報は、人物の構造化データを含んでよい。人物情報提供部３１４が提供する人物の情報は、人物のスキルを含んでよい。

図５は、人物情報提供部３１４によって提供される人物情報６００の一例を概略的に示す。ここでは、Ａ００００１によって識別される社員の人物情報６００を例示している。

人物情報６００は、氏名６０２、社員ＩＤ６０４、所属６０６、及び選択メニュー６０８を含んでよい。選択メニュー６０８には、任意のメニューが配置される。図５では、選択メニュー６０８に、人物が有するスキルを表示するメニューが配置されており、当該メニューが選択されている状態を例示している。当該メニューの選択によって、スキル一覧６１０が表示される。

人物情報提供部３１４が、図５に示すような人物情報を提供することによって、複数の人物のそれぞれが有するスキルを容易に確認可能にできる。

上記実施形態では、人物データに含まれる構造化データ及び非構造化データの両方を用いて、学習モデルを生成し、人物のスキルを推定する例を主に挙げて説明したが、これに限らない。学習実行装置２００は、構造化データを用いずに、非構造化データを用いて学習モデルを生成してよく、スキル推定装置３００は、構造化データを用いずに、非構造化データを用いて、人物のスキルを推定してよい。

図６は、学習実行装置２００又はスキル推定装置３００として機能するコンピュータ１２００のハードウェア構成の一例を概略的に示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００を、本実施形態に係る装置の１又は複数の「部」として機能させ、又はコンピュータ１２００に、本実施形態に係る装置に関連付けられるオペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。

本実施形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、及びグラフィックコントローラ１２１６を含み、それらはホストコントローラ１２１０によって相互に接続されている。コンピュータ１２００はまた、通信インタフェース１２２２、記憶装置１２２４、ＤＶＤドライブ１２２６、及びＩＣカードドライブのような入出力ユニットを含み、それらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続されている。ＤＶＤドライブ１２２６は、ＤＶＤ−ＲＯＭドライブ及びＤＶＤ−ＲＡＭドライブ等であってよい。記憶装置１２２４は、ハードディスクドライブ及びソリッドステートドライブ等であってよい。コンピュータ１２００はまた、ＲＯＭ１２３０及びキーボードのようなレガシの入出力ユニットを含み、それらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続されている。

ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又はそれ自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示されるようにする。

通信インタフェース１２２２は、ネットワークを介して他の電子デバイスと通信する。記憶装置１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤドライブ１２２６は、プログラム又はデータをＤＶＤ−ＲＯＭ１２２７等から読み取り、記憶装置１２２４に提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

ＲＯＭ１２３０はその中に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをＵＳＢポート、パラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ１２２０に接続してよい。

プログラムは、ＤＶＤ−ＲＯＭ１２２７又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもある記憶装置１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。

例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース１２２２に対し、通信処理を命令してよい。通信インタフェース１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、記憶装置１２２４、ＤＶＤ−ＲＯＭ１２２７、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。

また、ＣＰＵ１２１２は、記憶装置１２２４、ＤＶＤドライブ１２２６（ＤＶＤ−ＲＯＭ１２２７）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。

様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

上で説明したプログラム又はソフトウエアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ１２００に提供する。

本実施形態におけるフローチャート及びブロック図におけるブロックは、オペレーションが実行されるプロセスの段階又はオペレーションを実行する役割を持つ装置の「部」を表わしてよい。特定の段階及び「部」が、専用回路、コンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、及びプログラマブルロジックアレイ（ＰＬＡ）等のような、論理積、論理和、排他的論理和、否定論理積、否定論理和、及び他の論理演算、フリップフロップ、レジスタ、並びにメモリエレメントを含む、再構成可能なハードウェア回路を含んでよい。

コンピュータ可読記憶媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読記憶媒体は、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読記憶媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読記憶媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ−ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（登録商標）ディスク、メモリスティック、集積回路カード等が含まれてよい。

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路が、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を生成するために当該コンピュータ可読命令を実行すべく、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路に提供されてよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。その様な変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、及び図面中において示した装置、システム、プログラム、及び方法における動作、手順、ステップ、及び段階などの各処理の実行順序は、特段「より前に」、「先立って」などと明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、及び図面中の動作フローに関して、便宜上「まず、」、「次に、」などを用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ 管理システム、２０ ネットワーク、４０ 社員、１００ 人物データ管理装置、２００ 学習実行装置、２０２ 辞書データ生成部、２０４ 辞書データ格納部、２１０ 人物データ取得部、２１２ 学習データ生成部、２１４ 学習実行部、２１６ フィードバック取得部、２２０ 学習モデル格納部、２２２ 学習モデル送信部、２３０ 学習データ、２４０ ラベル、３００ スキル推定装置、３０２ 学習モデル格納部、３０４ 人物データ取得部、３０６ スキル推定部、３０８ スキル格納部、３１０ スキル検索部、３１２ 表示制御部、３１４ 人物情報提供部、４００ 携帯通信端末、６００ 人物情報、６０２ 氏名、６０４ 社員ＩＤ、６０６ 所属、６０８ 選択メニュー、６１０ スキル一覧、１２００ コンピュータ、１２１０ ホストコントローラ、１２１２ ＣＰＵ、１２１４ ＲＡＭ、１２１６ グラフィックコントローラ、１２１８ ディスプレイデバイス、１２２０ 入出力コントローラ、１２２２ 通信インタフェース、１２２４ 記憶装置、１２２６ ＤＶＤドライブ、１２２７ ＤＶＤ−ＲＯＭ、１２３０ ＲＯＭ、１２４０ 入出力チップ

Claims (13)

1. 情報処理装置であって、
   人物の行動履歴を含む非構造化データを取得する人物データ取得部であって、複数種類の前記非構造化データを取得する人物データ取得部と、
   複数のスキルのそれぞれに関連する関連用語が登録されている辞書データに基づいて決定した、前記複数のスキルのそれぞれと、前記複数種類の非構造化データとの組み合わせに対して第１の値又は第２の値が対応付けられている学習データを生成する学習データ生成部と、
   前記複数のスキルのそれぞれについて、前記複数種類の非構造化データとの組み合わせに対応付けられている前記第１の値又は前記第２の値を加算した合計が予め定められた閾値以上である場合に、スキルを有することを示すスキル有ラベルを付与し、前記合計が前記閾値以上でない場合に、スキルが無いことを示すスキル無ラベルを付与した第１のラベル付き学習データを生成し、複数の人物の前記第１のラベル付き学習データを用いて、前記複数のスキルのそれぞれについて、前記複数種類の非構造化データの入力に対して、スキルを有するか否かを出力する学習モデルを生成する学習実行部と、
   複数の人物のそれぞれについて、当該人物の複数種類の非構造化データを前記学習モデルに入力することによって推定されたスキルの推定結果を当該人物の通信端末に送信して当該人物による前記推定結果に対するフィードバックを前記通信端末から取得するフィードバック取得部と
   を備え、
   前記学習実行部は、前記フィードバック取得部が取得した前記フィードバックに基づいて生成した第２のラベル付き学習データに基づいて、学習モデルを生成し、
   前記情報処理装置は、
   前記学習実行部が前記第２のラベル付き学習データに基づいて生成した前記学習モデルを用いて、人物の非構造化データに基づいて、前記人物のスキルを推定するスキル推定部と
   を備える情報処理装置。
2. 前記学習実行部は、前記フィードバックに基づいて、前記複数のスキルのそれぞれに対して前記スキル有ラベル又は前記スキル無ラベルを付与した前記第２のラベル付き学習データを生成する、請求項１に記載の情報処理装置。
3. 前記人物データ取得部は、前記複数種類の非構造化データと、人物の属性情報を含む複数種類の構造化データとを取得し、
   前記学習データ生成部は、前記辞書データに基づいて決定した、前記複数のスキルのそれぞれと、前記複数種類の非構造化データ及び前記複数種類の構造化データとの組み合わせに対して第１の値又は第２の値が対応付けられている学習データを生成し、
   前記学習実行部は、前記複数のスキルのそれぞれについて、前記複数種類の非構造化データ及び前記複数種類の構造化データとの組み合わせに対応付けられている前記第１の値又は前記第２の値を加算した合計が予め定められた閾値以上である場合に、スキルを有することを示すスキル有ラベルを付与し、前記合計が前記閾値以上でない場合に、スキルが無いことを示すスキル無ラベルを付与した前記第１のラベル付き学習データを生成し、
   前記フィードバック取得部は、複数の人物のそれぞれについて、当該人物の複数種類の非構造化データ及び前記複数種類の構造化データを前記学習モデルに入力することによって推定されたスキルの推定結果を当該人物の通信端末に送信して当該人物による前記推定結果に対するフィードバックを前記通信端末から取得する、請求項１又は２に記載の情報処理装置。
4. 前記構造化データは、前記人物が所属している組織の情報、及び前記人物が担当している業務の情報の少なくともいずれかを含む、請求項３に記載の情報処理装置。
5. 前記スキル推定部は、前記非構造化データに基づいて前記人物の実務能力を推定する、請求項１から４のいずれか一項に記載の情報処理装置。
6. 前記スキル推定部によって推定された前記人物のスキルと前記人物を識別する人物識別情報とを対応付けて格納するスキル格納部と、
   前記スキル格納部を参照して、指定されたスキルを有する人物を検索する人物検索部と
   を備える請求項１から５のいずれか一項に記載の情報処理装置。
7. 前記スキルは、技術に関連するスキルである、請求項１から６のいずれか一項に記載の情報処理装置。
8. 前記非構造化データは、前記人物のメールデータ、前記人物のスケジュールデータ、前記人物によって生成されたドキュメントデータ、及び前記人物によって入力されたアンケートデータの少なくともいずれかを含む、請求項１から７のいずれか一項に記載の情報処理装置。
9. コンピュータを、請求項１から８のいずれか一項に記載の情報処理装置として機能させるためのプログラム。
10. コンピュータにより実行される、
    人物の行動履歴を含む非構造化データを取得する人物データ取得段階であって、複数種類の前記非構造化データを取得する人物データ取得段階と、
    複数のスキルのそれぞれに関連する関連用語が登録されている辞書データに基づいて決定した、前記複数のスキルのそれぞれと、前記複数種類の非構造化データとの組み合わせに対して第１の値又は第２の値が対応付けられている学習データを生成する第１生成段階と、
    前記複数のスキルのそれぞれについて、前記複数種類の非構造化データとの組み合わせに対応付けられている前記第１の値又は前記第２の値を加算した合計が予め定められた閾値以上である場合に、スキルを有することを示すスキル有ラベルを付与し、前記合計が前記閾値以上でない場合に、スキルが無いことを示すスキル無ラベルを付与した第１のラベル付き学習データを生成し、複数の人物の前記第１のラベル付き学習データを用いて、前記複数のスキルのそれぞれについて、前記複数種類の非構造化データの入力に対して、スキルを有するか否かを出力する学習モデルを生成する学習実行段階と、
    複数の人物のそれぞれについて、当該人物の複数種類の非構造化データを前記学習モデルに入力することによって推定されたスキルの推定結果を当該人物の通信端末に送信して当該人物による前記推定結果に対するフィードバックを前記通信端末から取得するフィードバック取得段階と、
    前記フィードバック取得段階において取得された前記フィードバックに基づいて生成した第２のラベル付き学習データに基づいて、学習モデルを生成する第２生成段階と、
    前記第２のラベル付き学習データに基づいて生成された前記学習モデルを用いて、人物の非構造化データに基づいて、前記人物のスキルを推定するスキル推定段階と
    を備える情報処理方法。
11. 人物の行動履歴を含む非構造化データを取得する人物データ取得部であって、複数種類の前記非構造化データを取得する人物データ取得部と、
    複数のスキルのそれぞれに関連する関連用語が登録されている辞書データに基づいて決定した、前記複数のスキルのそれぞれと、前記複数種類の非構造化データとの組み合わせに対して第１の値又は第２の値が対応付けられている学習データを生成する学習データ生成部と、
    前記複数のスキルのそれぞれについて、前記複数種類の非構造化データとの組み合わせに対応付けられている前記第１の値又は前記第２の値を加算した合計が予め定められた閾値以上である場合に、スキルを有することを示すスキル有ラベルを付与し、前記合計が前記閾値以上でない場合に、スキルが無いことを示すスキル無ラベルを付与した第１のラベル付き学習データを生成し、複数の人物の前記第１のラベル付き学習データを用いて、前記複数のスキルのそれぞれについて、前記複数種類の非構造化データの入力に対して、スキルを有するか否かを出力する学習モデルを生成する学習実行部と、
    複数の人物のそれぞれについて、当該人物の複数種類の非構造化データを前記学習モデルに入力することによって推定されたスキルの推定結果を当該人物の通信端末に送信して前記人物による前記推定結果に対するフィードバックを前記通信端末から取得するフィードバック取得部と
    を備え、
    前記学習実行部は、前記フィードバック取得部が取得した前記フィードバックに基づいて生成した第２のラベル付き学習データに基づいて、学習モデルを生成する、
    情報処理装置。
12. コンピュータを、請求項１１に記載の情報処理装置として機能させるためのプログラム。
13. コンピュータにより実行される、
    人物の行動履歴を含む非構造化データを取得する人物データ取得段階であって、複数種類の前記非構造化データを取得する人物データ取得段階と、
    複数のスキルのそれぞれに関連する関連用語が登録されている辞書データに基づいて決定した、前記複数のスキルのそれぞれと、前記複数種類の非構造化データとの組み合わせに対して第１の値又は第２の値が対応付けられている学習データを生成する学習データ生成段階と、
    前記複数のスキルのそれぞれについて、前記複数種類の非構造化データとの組み合わせに対応付けられている前記第１の値又は前記第２の値を加算した合計が予め定められた閾値以上である場合に、スキルを有することを示すスキル有ラベルを付与し、前記合計が前記閾値以上でない場合に、スキルが無いことを示すスキル無ラベルを付与した第１のラベル付き学習データを生成し、複数の人物の前記第１のラベル付き学習データを用いて、前記複数のスキルのそれぞれについて、前記複数種類の非構造化データの入力に対して、スキルを有するか否かを出力する学習モデルを生成する第１生成段階と、
    複数の人物のそれぞれについて、当該人物の複数種類の非構造化データを前記学習モデルに入力することによって推定されたスキルの推定結果を当該人物の通信端末に送信して前記人物による前記推定結果に対するフィードバックを前記通信端末から取得するフィードバック取得段階と、
    前記フィードバック取得段階において取得された前記フィードバックに基づいて生成した第２のラベル付き学習データに基づいて、学習モデルを生成する第２生成段階と
    を備える情報処理方法。

Images