JP7027696B2 - 情報処理装置及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置及び情報処理プログラムに関する。

特許文献１には、指定された特定の番組と内容が類似する番組を精度よく検索することのできる番組検索装置及び番組検索プログラムを提供することを課題とし、出現頻度情報と固有表現情報を記憶する番組情報記憶部と、番組情報を取得する番組情報取得部と、指定された指定番組に関して番組情報取得部が取得した番組情報における表現の出現頻度をカウントする出現頻度カウント部と、前記出現頻度と番組情報記憶部から読み出した特定の検索対象番組に関する出現頻度情報とに基づき、指定番組と検索対象番組との間での表現の共起の度合いを計算するとともに、固有表現重み値によって重み付ける処理をすることによって関連度を算出する類似度計算部と、類似度計算部が算出した関連度に基づいて選択された検索対象番組を出力する検索結果提示部を、番組検索装置が備えるようにすることが開示されている。

特許文献２には、学習データから不要なデータを取り除いて精度を向上させることを課題とし、素性取得部は、学習データ保持部に保持されるデータや、システムに投入される評価データから、機械学習を行う際に用いる素性情報を抽出し、機械学習部は、学習データ保持部に保持されている各学習データの評価と、素性取得部から得られた各データの素性情報をもとに、素性とその評価の間の対応関係を学習し、データ選択部は、機械学習部から得られる学習結果に基づいて、学習データ保持部に保持されている学習データの候補の中から機械学習に不適切な学習データを削除することが開示されている。

特許文献３には、連続的に与えられる文書集合から高精度な同義タグを推定して出力することを課題とし、入力文書（マイクロブログの文書集合）に付与されたタグの個数をカウントし、タグが１つだけの文書に限定して、単語とタグによる文書出現頻度（ＦＳ）と、タグを１つに限定しないで、単語とタグによる文書出現頻度（ＦＡ）を求め、ＦＳからタグ間類似度を求め、同じく、ＦＡからタグ間類似度を求め、２つのタグ間類似度が共に、所定の値（閾値）以上であれば同義タグと判定することが開示されている。

特開２０１１－０４３９０８号公報 特開２００５－１８１９２８号公報 特開２０１４－０５２６９４号公報

ユーザーの操作によって、タグ付け作業が行われている。したがって、そのタグ付け作業でミスが発生する可能性がある。例えば、誤ったタグを付与することが起こり得る。
一方、単語とタグによる文書出現頻度を用いた技術では、同義タグを推定して出力することはできるが、誤ったタグ付けを検出することはできず、その結果機械学習の制度が低下してしまう。
本発明は、本発明の構成をもたない場合と比較して、誤ったタグ付けを行うことによって機械学習の精度が低下してしまうことを防止することができる情報処理装置及び情報処理プログラムを提供することを目的としている。

かかる目的を達成するための本発明の要旨とするところは、次の各項の発明に存する。
請求項１の発明は、文書内で共起するタグを抽出する第１の抽出手段と、既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率又は共起回数の期待値から、前記第１の抽出手段によって抽出された共起するタグの共起確率又は共起回数の期待値を抽出する第２の抽出手段と、前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値に基づいて、前記第１の抽出手段によって抽出された共起するタグが異常である旨の通知を行う通知手段を有する情報処理装置である。

請求項２の発明は、前記通知手段は、前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値の統計的値と予め定められた閾値とを比較することによって、通知を行うか否かを判断する、請求項１に記載の情報処理装置である。

請求項３の発明は、前記統計的値として、前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値の平均値、最頻値、中央値、最小値、重み付け平均値のいずれか１つ又はこれらの組み合わせを用い、前記通知手段は、前記統計的値が前記閾値未満又は以下である場合に、通知を行う、請求項２に記載の情報処理装置である。

請求項４の発明は、前記共起確率又は前記共起回数の期待値は、タグの出現頻度に基づき正規化して算出した値である、請求項１に記載の情報処理装置である。

請求項５の発明は、前記共起確率又は前記共起回数の期待値は、タグの順序に応じた共起関係における確率又は共起回数の期待値である、請求項１に記載の情報処理装置である。

請求項６の発明は、前記共起確率又は前記共起回数の期待値は、タグの直前又は直後のタグに限定した確率若しくは共起回数の期待値、又は、対象としているタグとの距離に応じて重み付けした確率若しくは共起回数の期待値である、請求項５に記載の情報処理装置である。

請求項７の発明は、前記第１の抽出手段、前記第２の抽出手段、又は、前記通知手段のいずれか１つ以上は、出現頻度が高いタグは対象としない、請求項１に記載の情報処理装置である。

請求項８の発明は、前記通知手段によって通知されたタグについて、ユーザーによって正しいタグであるとの認定を受けた場合、該タグよりも前のデータ、又は、該タグ以降のデータを対象として、前記第１の抽出手段による処理を行う、請求項１から７のいずれか一項に記載の情報処理装置である。

請求項９の発明は、コンピュータを、文書内で共起するタグを抽出する第１の抽出手段と、既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率又は共起回数の期待値から、前記第１の抽出手段によって抽出された共起するタグの共起確率又は共起回数の期待値を抽出する第２の抽出手段と、前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値に基づいて、前記第１の抽出手段によって抽出された共起するタグが異常である旨の通知を行う通知手段として機能させるための情報処理プログラムである。

請求項１の情報処理装置によれば、誤ったタグ付けを行うことによって機械学習の精度が低下してしまうことを防止することができる。

請求項２の情報処理装置によれば、共起確率又は共起回数の期待値の統計的値と予め定められた閾値とを比較することによって、通知を行うか否かを判断することができる。

請求項３の情報処理装置によれば、統計的値として、共起確率又は共起回数の期待値の平均値、最頻値、中央値、最小値、重み付け平均値のいずれか１つ又はこれらの組み合わせを用いることができる。

請求項４の情報処理装置によれば、共起確率又は共起回数の期待値をタグの出現頻度に基づき正規化して算出した値とすることができる。

請求項５の情報処理装置によれば、共起確率又は共起回数の期待値をタグの順序に応じた共起関係における確率又は共起回数の期待値とすることができる。

請求項６の情報処理装置によれば、共起確率又は共起回数の期待値をタグの直前又は直後のタグに限定した確率若しくは共起回数の期待値、又は、対象としているタグとの距離に応じて重み付けした確率若しくは共起回数の期待値とすることができる。

請求項７の情報処理装置によれば、出現頻度が高いタグは対象としないことができる。

請求項８の情報処理装置によれば、通知されたタグについて、ユーザーによって正しいタグであるとの認定を受けた場合、そのタグよりも前のデータ、又は、そのタグ以降のデータを対象として、処理を行うことができる。

請求項９の情報処理プログラムによれば、誤ったタグ付けを行うことによって機械学習の精度が低下してしまうことを防止することができる。

本実施の形態の構成例についての概念的なモジュール構成図である。 本実施の形態を利用したシステム構成例を示す説明図である。 本実施の形態による処理例を示すフローチャートである。 本実施の形態による処理例を示す説明図である。 共起確率テーブルのデータ構造例を示す説明図である。 本実施の形態による処理例を示す説明図である。 共起確率テーブルのデータ構造例を示す説明図である。 タグ頻度テーブルのデータ構造例を示す説明図である。 本実施の形態による処理例を示すフローチャートである。 本実施の形態による処理例を示す説明図である。 本実施の形態による処理例を示すフローチャートである。 タグ候補メニューの提示例を示す説明図である。 本実施の形態を実現するコンピュータのハードウェア構成例を示すブロック図である。

まず、本実施の形態を説明する前に、その前提又は本実施の形態を利用する学習データの生成処理について説明する。なお、この説明は、本実施の形態の理解を容易にすることを目的とするものである。
固有表現抽出技術がある。つまり、文書内から自動的に固有名詞を抽出し、抽出した固有名詞の種類（以下、カテゴリともいう）を推定する技術である。
固有表現抽出技術において、固有名詞を自動的に抽出するためには、正解のデータである学習データが必要である。一般的に、予め文書を用意した上で、作業者（アノテーター、ユーザーともいわれる。以下、ユーザーともいう）がタグ付け作業により、学習データを生成する。
例えば、以下のような文書（データ）を用意する。
－－－－－ －－－－－ －－－－－ －－－－－ －－－－－
アメリカンフットボールの全日本統一選手権が１８日、横浜ドームで２万人を集めて行われた。
－－－－－ －－－－－ －－－－－ －－－－－ －－－－－
このような文に対して、以下のように、作業者によってタグ付けが行われて、学習データを生成する。
－－－－－ －－－－－ －－－－－ －－－－－ －－－－－
＜Ｓｐｏｒｔｓ＞アメリカンフットボール＜／Ｓｐｏｒｔｓ＞の＜Ｅｖｅｎｔ＞全日本統一選手権＜／Ｅｖｅｎｔ＞が＜Ｔｉｍｅｘ＞１８日＜／Ｔｉｍｅｘ＞、＜Ｆａｃｉｌｉｔｙ＞横浜ドーム＜／Ｆａｃｉｌｉｔｙ＞で＜Ｃｏｕｎｔｘ＞２万人＜／Ｃｏｕｎｔｘ＞を集めて行われた。
－－－－－ －－－－－ －－－－－ －－－－－ －－－－－
なお、＜＞又は＜／＞がタグであり、＜＞又は＜／＞で囲まれた「Ｓｐｏｒｔ」、「Ｅｖｅｎｔ」等がタグの種類を示しており、＜＞と＜／＞とで囲まれた文字列がそのタグ種類であることを示している。例えば、＜Ｓｐｏｒｔ＞と＜／Ｓｐｏｒｔ＞とで囲まれた「アメリカンフットボール」はＳｐｏｒｔ種類の用語であり、＜Ｅｖｅｎｔ＞と＜／Ｅｖｅｎｔ＞とで囲まれた「全日本統一選手権」はＥｖｅｎｔ種類の用語であることを示している。なお、この例では、Ｅｖｅｎｔ種類、Ｆａｃｉｌｉｔｙ種類が固有名詞である。

学習データを生成する際、以下の例のように誤ってタグ付けされるケースが生じてしまう。
－－－－－ －－－－－ －－－－－ －－－－－ －－－－－
（１）＜Ｃｏｍｐａｎｙ＞ＡＢＣ銀＜／Ｃｏｍｐａｎｙ＞行は、
（２）＜Ｃｉｔｙ＞ＡＢＣ銀行＜／Ｃｉｔｙ＞は、－－－－－ －－－－－ －－－－－ －－－－－ －－－－－
（１）の例は、「位置ずれ」が発生している例である。この誤りは、形態素解析によって抽出（発見を含む）し、そして、異常である旨を通知（警告アラート等を含む）することが可能である。
しかし、（２）のように誤ったタグが付与されてしまった場合、前述した特許文献に記載の技術では、抽出することは困難である。
このようなタグ付けの誤りは、機械学習のモデルに大きな悪影響を与え、固有表現の抽出精度が低下してしまう。

以下、図面に基づき本発明を実現するにあたっての好適な一実施の形態の例を説明する。
図１は、本実施の形態の構成例についての概念的なモジュール構成図を示している。
なお、モジュールとは、一般的に論理的に分離可能なソフトウェア（コンピュータ・プログラム）、ハードウェア等の部品を指す。したがって、本実施の形態におけるモジュールはコンピュータ・プログラムにおけるモジュールのことだけでなく、ハードウェア構成におけるモジュールも指す。それゆえ、本実施の形態は、それらのモジュールとして機能させるためのコンピュータ・プログラム（コンピュータにそれぞれの手順を実行させるためのプログラム、コンピュータをそれぞれの手段として機能させるためのプログラム、コンピュータにそれぞれの機能を実現させるためのプログラム）、システム及び方法の説明をも兼ねている。ただし、説明の都合上、「記憶する」、「記憶させる」、これらと同等の文言を用いるが、これらの文言は、実施の形態がコンピュータ・プログラムの場合は、記憶装置に記憶させる、又は記憶装置に記憶させるように制御するという意味である。また、モジュールは機能に一対一に対応していてもよいが、実装においては、１モジュールを１プログラムで構成してもよいし、複数モジュールを１プログラムで構成してもよく、逆に１モジュールを複数プログラムで構成してもよい。また、複数モジュールは１コンピュータによって実行されてもよいし、分散又は並列環境におけるコンピュータによって１モジュールが複数コンピュータで実行されてもよい。なお、１つのモジュールに他のモジュールが含まれていてもよい。また、以下、「接続」とは物理的な接続の他、論理的な接続（データの授受、指示、データ間の参照関係等）の場合にも用いる。「予め定められた」とは、対象としている処理の前に定まっていることをいい、本実施の形態による処理が始まる前はもちろんのこと、本実施の形態による処理が始まった後であっても、対象としている処理の前であれば、そのときの状況・状態にしたがって、又はそれまでの状況・状態にしたがって定まることの意を含めて用いる。「予め定められた値」が複数ある場合は、それぞれ異なった値であってもよいし、２以上の値（もちろんのことながら、全ての値も含む）が同じであってもよい。また、「Ａである場合、Ｂをする」という記載は、「Ａであるか否かを判断し、Ａであると判断した場合はＢをする」の意味で用いる。ただし、Ａであるか否かの判断が不要である場合を除く。また、「Ａ、Ｂ、Ｃ」等のように事物を列挙した場合は、断りがない限り例示列挙であり、その１つのみを選んでいる場合（例えば、Ａのみ）を含む。
また、システム又は装置とは、複数のコンピュータ、ハードウェア、装置等がネットワーク（一対一対応の通信接続を含む）等の通信手段で接続されて構成されるほか、１つのコンピュータ、ハードウェア、装置等によって実現される場合も含まれる。「装置」と「システム」とは、互いに同義の用語として用いる。もちろんのことながら、「システム」には、人為的な取り決めである社会的な「仕組み」（社会システム）にすぎないものは含まない。
また、各モジュールによる処理毎に又はモジュール内で複数の処理を行う場合はその処理毎に、対象となる情報を記憶装置から読み込み、その処理を行った後に、処理結果を記憶装置に書き出すものである。したがって、処理前の記憶装置からの読み込み、処理後の記憶装置への書き出しについては、説明を省略する場合がある。なお、ここでの記憶装置としては、ハードディスク、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、外部記憶媒体、通信回線を介した記憶装置、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）内のレジスタ等を含んでいてもよい。

本実施の形態である情報処理装置１００は、文書にタグ（アノテーションともいわれる）付けを行うものであって、図１の例に示すように、未タグ付けデータ記憶モジュール１０５、学習データ記憶モジュール１４５、学習データ生成モジュール１５０を有している。特に、そのタグを用いて機械学習用のデータを生成するものである。前述したように、タグ付けは、作業者が行うため、タグ付けの誤りが発生することがある。情報処理装置１００は、その誤ったタグ付けを抽出し、異常である旨の通知を行うものである。なお、文書（ファイルともいわれる）とは、テキストデータを少なくとも含み、数値データ、図形データ、画像データ、動画データ、音声データ等を含んでいてもよく、記憶、編集及び検索等の対象となり、システム又は利用者間で個別の単位として交換できるものをいい、これらに類似するものを含む。具体的には、文書作成プログラムによって作成された文書、電子メール、Ｗｅｂページ等を含む。

単位文書（例えば、１記事、１メール等）内は内容が比較的統一されていると考えられる。すなわち、同一文書内に含まれるタグの種類には一貫性があるといえる。本実施の形態である情報処理装置１００は、その関係性に着目したものである。関係性として、例えば、会社や経済の話題の中に自然物(例えば、肩、バニラ等)が入る可能性は低いこと、イベントの後に日付や場所は入りやすいが、年齢は入りにくい等がある。情報処理装置１００は、既に付与したタグ付きデータをもとに同一文書内に出現するタグの共起関係を数値化し、対象としている文書に対するタグ付与の段階（学習データとして採用する前の段階）で、その関係にそぐわない場合に異常である旨を通知する。

未タグ付けデータ記憶モジュール１０５は、学習データ生成モジュール１５０のタグ付けモジュール１１０と接続されている。未タグ付けデータ記憶モジュール１０５は、学習データ生成モジュール１５０によって、機械学習における学習データを生成するための文書を記憶している。つまり、タグ付けモジュール１１０によって、これからタグ付けの対象となる文書等を記憶している。例えば、一般的には、タグ付けが行われていない文書を記憶しているが、一部にタグ付けが行われている文書、タグ付けが行われているが、未だそのタグが正しいか否かの検証が行われていない文書等を記憶していてもよい。

学習データ生成モジュール１５０は、タグ付けモジュール１１０、タグ共起関係抽出モジュール１１５、タグ付け済データ記憶モジュール１２０、タグ間共起統計情報抽出モジュール１２５、タグ正当性判断モジュール１３０、通知モジュール１３５、タグ付け修正モジュール１４０を有している。
なお、学習データ生成モジュール１５０（特に、タグ共起関係抽出モジュール１１５、タグ間共起統計情報抽出モジュール１２５、又は、通知モジュール１３５のいずれか１つ以上）は、出現頻度が高いタグは対象としないようにしてもよい。ここで「出現頻度が高いタグ」とは、タグの出現頻度が予め定められた閾値より高い又は以上である場合をいう。出現頻度は、既にタグ付けが行われた文書（タグ付け誤りの修正が行われた文書）内において、単に出現回数であってもよいし、その文書内の全てのタグ数に対する割合であってもよい。
タグ付けモジュール１１０は、未タグ付けデータ記憶モジュール１０５、タグ共起関係抽出モジュール１１５と接続されており、タグ共起関係抽出モジュール１１５にタグ付結果１１２である文書を渡す。タグ付けモジュール１１０は、未タグ付けデータ記憶モジュール１０５から抽出した文書に対して、ユーザーの操作に応じてタグ付けを行う。例えば、タグ付けモジュール１１０は、マウス、キーボード、タッチパネルを兼ねる液晶ディスプレイ等に対してのユーザーによる操作を受け付け、文書に対してのタグ付けを行う。
また、タグ付けモジュール１１０は、未タグ付けデータ記憶モジュール１０５から抽出した文書にタグを付与するにあたって、既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率（複数（例えば、２つ）のタグが、単位文書内で出現する確率）から、タグ共起関係抽出モジュール１１５によって抽出されたタグと共起確率が高いタグを提示するようにしてもよい。ユーザーによるタグ付与作業に用いられる機能である。「共起確率が高いタグ」として、例えば、共起確率が予め定められた閾値より高い又は以上となるタグ、又は、共起確率を降順にソートした場合に、予め定められた順位未満又は以下となるタグ（つまり、順位が上位であるタグ）がある。もちろんのことながら、複数のタグを提示する場合は、共起確率の高いものから順に提示してもよい。

タグ共起関係抽出モジュール１１５は、タグ付けモジュール１１０、タグ正当性判断モジュール１３０と接続されており、タグ付けモジュール１１０からタグ付結果１１２を受け取る。タグ共起関係抽出モジュール１１５は、タグ付結果１１２の文書内で共起するタグを抽出する。ここで「文書内で共起するタグ」とは、文書内で用いられている複数（一般的には２つ、以下、２つの場合を例示する）種類のタグの組み合わせをいう。つまり、１文書内で付与されたタグを抽出し、タグの共起状況を認識する。
なお、タグ共起関係抽出モジュール１１５が対象とする文書として、ユーザーがタグ付けを行った文書の他に、タグ間共起統計情報抽出モジュール１２５が用いた「既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率」における「既にタグ付けが行われた文書」（いわゆる学習データとなった文書）としてもよい。
また、タグ共起関係抽出モジュール１１５は、通知モジュール１３５によって通知されたタグについて、ユーザーによって正しいタグであるとの認定を受けた場合、そのタグよりも前のデータ、又は、そのタグ以降のデータを対象として、処理を行うようにしてもよい。ここで「通知モジュール１３５によって通知されたタグについて、ユーザーによって正しいタグであるとの認定を受けた場合」として、例えば、内容（話題）の変化があった場合が該当する。そこで、そのタグを境界にして、文書を分割する。つまり、内容（話題）が変わった後については、学習データ生成モジュール１５０での処理を行う。したがって、文書全体における共起関係ではなく、その後半部分での共起関係が対象となる。また、内容（話題）が変わる前の部分（そのタグよりも前の部分）についても、学習データ生成モジュール１５０での処理を行うようにしてもよい。つまり、既に処理を行った部分についても、学習データ生成モジュール１５０での処理を再度行うようにしてもよい。文書全体における共起関係ではなく、その前半部分での共起関係が対象となるので、共起関係が変わることとなり、異常である旨の通知を行うタグが異なるものとなる可能性があるからである。異常とは、タグ付与が間違っている可能性があることである。具体的には、共起するタグが出現する確率が一般的には低いにもかかわらず、その共起するタグ対象としている文書内で発生することである。

タグ付け済データ記憶モジュール１２０は、タグ間共起統計情報抽出モジュール１２５、タグ正当性判断モジュール１３０、タグ付け修正モジュール１４０、学習データ記憶モジュール１４５と接続されている。タグ付け済データ記憶モジュール１２０は、既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率を記憶している。また、タグ付け修正モジュール１４０によって修正されたタグ付け文書（誤ったタグ付けが修正された文書）を記憶している。そして、タグ付け済データ記憶モジュール１２０内のタグ付け文書を機械学習用のデータとして、学習データ記憶モジュール１４５に記憶させる。タグ付け済データ記憶モジュール１２０から学習データ記憶モジュール１４５にタグ付け文書を記憶するタイミングは、タグ付け済データ記憶モジュール１２０にタグ付け文書が記憶される毎であってもよいし、予め定められた期間毎であってもよいし、予め定められた数のタグ付け文書が記憶された場合であってもよい。
ここで、共起確率は、タグの出現頻度に基づき正規化して算出した値としてもよいし、タグの順序に応じた共起関係における確率としてもよい。さらに、後者（タグの順序に応じた共起関係における確率）においては、タグの直前又は直後のタグに限定した確率としてもよい。タグの順序にも関係があると仮定した場合である。具体的には、イベントの後、前には日付が付与されやすいので、イベントを示すタグの直前又は直後に日付を示すタグがある場合等が多くなりやすいからである。又は、後者（タグの順序に応じた共起関係における確率）においては、対象としているタグとの距離に応じて重み付けした確率としてもよい。例えば、３文字前（又は、３文字後）は０．２、２文字前（又は、２文字後）は０．５、１文字前（又は、１文字後）は１．０との重み付けを行えばよい。

タグ間共起統計情報抽出モジュール１２５は、タグ付け済データ記憶モジュール１２０、タグ正当性判断モジュール１３０と接続されている。タグ間共起統計情報抽出モジュール１２５は、既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率又は共起回数の期待値から、タグ共起関係抽出モジュール１１５によって抽出された共起するタグの共起確率又は共起回数の期待値を抽出する。なお、「既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率」は、タグ付け済データ記憶モジュール１２０が記憶しているものを用いてもよい。また、タグ間共起統計情報抽出モジュール１２５は、タグ付け済データ記憶モジュール１２０内の各文書を対象としてタグ間の共起確率を算出してもよい。そして、その算出結果をタグ付け済データ記憶モジュール１２０に記憶させてもよい。共起確率として、条件付き確率等を算出してもよい。例えば、Ｔｉｍｅタグがある文書内にＯｒｇａｎｉｚａｔｉｏｎタグがある確率等を算出する。

タグ正当性判断モジュール１３０は、タグ共起関係抽出モジュール１１５、タグ付け済データ記憶モジュール１２０、タグ間共起統計情報抽出モジュール１２５、通知モジュール１３５と接続されている。タグ正当性判断モジュール１３０は、タグ間共起統計情報抽出モジュール１２５によって抽出された共起確率に基づいて、タグ共起関係抽出モジュール１１５によって抽出された共起するタグが異常であるか否かの判断を行う。
また、タグ正当性判断モジュール１３０は、タグ間共起統計情報抽出モジュール１２５によって抽出された共起確率の統計的値と予め定められた閾値とを比較することによって、異常である旨の通知を行うか否かを判断するようにしてもよい。
ここでの統計的値として、タグ間共起統計情報抽出モジュール１２５によって抽出された共起確率の平均値、最頻値、中央値、最小値、重み付け平均値のいずれか１つ又はこれらの組み合わせを用いてもよい。例えば、あるタグ（具体例として、Ｐｅｒ等）が重要などわかっていた場合、重み付け平均値を用いることも可能である。

通知モジュール１３５は、タグ正当性判断モジュール１３０、タグ付け修正モジュール１４０と接続されている。通知モジュール１３５は、タグ間共起統計情報抽出モジュール１２５によって抽出された共起確率に基づいて、タグ共起関係抽出モジュール１１５によって抽出された共起するタグが異常である旨の通知を行う。なお、タグ正当性判断モジュール１３０による判断結果にしたがって、異常である旨を通知する。ここでの通知とは、対象となっているタグが誤りである可能性が高いことを示すものである。なお、「通知」として、液晶ディスプレイ等の表示装置への表示の他に、３Ｄ（Ｄｉｍｅｎｓｉｏｎｓ）映像としての出力を含めてもよく、さらに、スピーカー等の音声出力装置による音声の出力、振動、プリンタ等の印刷装置での印刷等を組み合わせてもよい。もちろんのことながら、タグ正当性判断モジュール１３０によって通知不要と判断された場合は、通知は行われない。

タグ付け修正モジュール１４０は、タグ付け済データ記憶モジュール１２０、通知モジュール１３５と接続されている。タグ付け修正モジュール１４０は、通知モジュール１３５によって通知されたタグを対象として、ユーザーの操作によって修正が行われる。修正後のタグ付き文書をタグ付け済データ記憶モジュール１２０に記憶させる。また、通知モジュール１３５によって通知されなかった場合は、ユーザーによる修正なしで、タグ付け文書がタグ付け済データ記憶モジュール１２０に記憶される。なお、前述したように、通知モジュール１３５によってタグについて異常である旨の通知が行われたにもかかわらず、ユーザーによっては修正が行われなかった場合は、タグ共起関係抽出モジュール１１５によって、そのタグよりも前のデータ、又は、そのタグ以降のデータを対象として、再度の処理を行うようにしてもよい。

学習データ記憶モジュール１４５は、学習データ生成モジュール１５０のタグ付け済データ記憶モジュール１２０と接続されている。学習データ記憶モジュール１４５は、タグ付け済データ記憶モジュール１２０内に記憶されている文書を、機械学習用の学習データとして記憶する。

図２は、本実施の形態を利用したシステム構成例を示す説明図である。
学習データ生成装置２００Ａ、学習データ生成装置２００Ｂ、未タグ付けデータ記憶装置２０５、学習データ生成装置２４５、ユーザー端末２５０Ａ、ユーザー端末２５０Ｂ、ユーザー端末２５０Ｃ、固有表現抽出装置２８０は、通信回線２９０を介してそれぞれ接続されている。通信回線２９０は、無線、有線、これらの組み合わせであってもよく、例えば、通信インフラとしてのインターネット、イントラネット等であってもよい。また、学習データ生成装置２００Ａ、学習データ生成装置２００Ｂ、未タグ付けデータ記憶装置２０５、学習データ生成装置２４５、固有表現抽出装置２８０による機能は、クラウドサービスとして実現してもよい。学習データ生成装置２００Ａは、情報処理装置１００を有している。学習データ生成装置２００Ｂは、学習データ生成モジュール１５０を有している。未タグ付けデータ記憶装置２０５は、未タグ付けデータ記憶モジュール１０５を有している。学習データ生成装置２４５は、学習データ記憶モジュール１４５を有している。

例えば、ユーザー端末２５０Ａが、ユーザーの操作によって、学習データ生成装置２００Ａに接続し、情報処理装置１００の処理によって、学習データ生成装置２００Ａ内の学習データ記憶モジュール１４５に学習データを蓄積する。そして、固有表現抽出装置２８０が、その学習データ生成装置２００Ａ内の学習データ記憶モジュール１４５の学習データを用いて機械学習を行い、固有表現抽出モデルを生成する。そして、固有表現抽出装置２８０は、ユーザー端末２５０からのユーザーの指示にしたがって、文書から固有名詞を抽出する。

また、未タグ付けデータ記憶モジュール１０５を有している未タグ付けデータ記憶装置２０５、学習データ生成モジュール１５０を有している学習データ生成装置２００Ｂ、学習データ記憶モジュール１４５を有している学習データ生成装置２４５の連携処理によって、学習データ生成装置２４５内の学習データ記憶モジュール１４５に学習データを蓄積するようにしてもよい。つまり、例えば、ユーザー端末２５０Ｂが、ユーザーの操作によって、学習データ生成装置２００Ｂに接続し、学習データ生成モジュール１５０の処理によって、未タグ付けデータ記憶装置２０５内の未タグ付けデータ記憶モジュール１０５のデータを用いて、学習データ生成装置２４５内の学習データ記憶モジュール１４５に学習データを蓄積してもよい。そして、固有表現抽出装置２８０が、その学習データ生成装置２４５内の学習データ記憶モジュール１４５の学習データを用いて機械学習を行い、固有表現抽出モデルを生成してもよい。

図３は、本実施の形態による処理例を示すフローチャートである。
ステップＳ３０２では、タグ付けモジュール１１０が、未タグ付けデータ記憶モジュール１０５から未タグ付けデータ（文書）を受け付ける。例えば、図４（ａ）に示すような未タグ付けデータ４１０を受け付ける。具体的には、未タグ付けデータ４１０は、「ＡＢＣ百貨店は本日から、開店時間を一時間繰り上げ、午前九時開店とする。」である。
ステップＳ３０４では、タグ付けモジュール１１０が、ユーザーの操作にしたがって、タグ付け処理を行う。例えば、図４（ｂ）に示すように、未タグ付けデータ４１０からタグ付けデータ４２０を生成する。具体的には、タグ付けデータ４２０は、「＜Ｏｒｇａｎｉｚａｔｉｏｎ＞ＡＢＣ百貨店＜／Ｏｒｇａｎｉｚａｔｉｏｎ＞は＜Ｔｉｍｅ＞本日＜／Ｔｉｍｅ＞から、開店時間を＜Ｍｕｌｔｉｐｌｉｃａｔｉｏｎ＞一時間＜／Ｍｕｌｔｉｐｌｉｃａｔｉｏｎ＞繰り上げ、＜Ｔｉｍｅ＞午前九時＜／Ｔｉｍｅ＞開店とする。」である。

ステップＳ３０６では、タグ共起関係抽出モジュール１１５が、タグ付けされたデータから共起関係を抽出する。例えば、図４（ｃ）に示すように、タグ付けデータ４２０からタグ抽出結果４３０を生成する。具体的には、タグ抽出結果４３０は、「＜Ｏｒｇａｎｉｚａｔｉｏｎ＞＜Ｔｉｍｅ＞＜Ｍｕｌｔｉｐｌｉｃａｔｉｏｎ＞＜Ｔｉｍｅ＞」である。
そして、組み合わせを抽出して、共起タグの組み合わせ４４０を生成する。具体的には、共起タグの組み合わせ４４０は、「Ｏｒｇ（Ｏｒｇａｎｉｚａｔｉｏｎの略）－Ｔｉｍｅ」、「Ｏｒｇ－Ｍｕｌｔｉ（Ｍｕｌｔｉｐｌｉｃａｔｉｏｎの略）」、「Ｔｉｍｅ－Ｍｕｌｔｉ」である。

ステップＳ３０８では、タグ間共起統計情報抽出モジュール１２５が、ステップＳ３０６で抽出した共起関係にあるタグの組み合わせについて、既在文書における共起確率を抽出する。ここでの既在文書とは、誤りのないタグ付けが行われた文書（タグ付け済データ記憶モジュール１２０内のタグ付けの誤りが修正された文書）である。例えば、共起確率テーブル５００から条件付き共起確率を抽出する。図５は、共起確率テーブル５００のデータ構造例を示す説明図である。共起確率テーブル５００は、２つのタグの組み合わせにおける条件付き確率を記憶している。つまり、１列目のセル内のタグがある文書において、１行目の各セル内のタグがある確率を示している。例えば、２行３列目のセル（０．６）は、Ｔｉｍｅタグがある文書においてＯｒｇタグがある確率を示している。

ステップＳ３１０では、タグ正当性判断モジュール１３０が、各タグについて、他タグとの共起確率の平均値を算出する。例えば、図６に示すように、条件付き共起確率の平均値を算出する。つまり、タグ毎に、共起確率テーブル５００におけるタグ同士の条件付き確率に着目する。具体的には、Ｏｒｇタグについて、共起確率テーブル５００から、条件付き共起確率Ｐ（Ｏｒｇ｜Ｔｉｍｅ）＝０．６、そして条件付き共起確率Ｐ（Ｏｒｇ｜Ｍｕｌｔｉ）＝０．２を抽出し、その平均値０．４を算出している。Ｔｉｍｅタグについて、共起確率テーブル５００から、条件付き共起確率Ｐ（Ｔｉｍｅ｜Ｏｒｇ）＝０．４、そして条件付き共起確率Ｐ（Ｔｉｍｅ｜Ｍｕｌｔｉ）＝０．３を抽出し、その平均値０．３５を算出している。Ｍｕｌｔｉタグについて、共起確率テーブル５００から、条件付き共起確率Ｐ（Ｍｕｌｔｉ｜Ｏｒｇ）＝０．２、そして条件付き共起確率Ｐ（Ｍｕｌｔｉ｜Ｔｉｍｅ）＝０．４を抽出し、その平均値０．３を算出している。

ステップＳ３１２では、タグ正当性判断モジュール１３０が、ステップＳ３１０で算出した他タグとの共起確率の平均値は、予め定められた閾値以下であるか否かを判断し、閾値以下の場合はステップＳ３１４へ進み、それ以外の場合はステップＳ３２０へ進む。例えば、予め定められた閾値を「０．３３」とした場合、Ｍｕｌｔｉタグの条件付き共起確率の平均値は「０．３」であるので、ＭｕｌｔｉタグについてステップＳ３１４以下の処理を行う。

ステップＳ３１４では、通知モジュール１３５が、異常である旨を通知する。
ステップＳ３１６では、タグ付け修正モジュール１４０が、修正指示を受け付ける。
ステップＳ３１８では、タグ付け修正モジュール１４０が、修正処理を行う。そして、タグ付け修正モジュール１４０が、修正済みのデータをタグ付け済データ記憶モジュール１２０に記憶させる。
ステップＳ３２０では、タグ間共起統計情報抽出モジュール１２５が、既在の共起確率を修正する。
ステップＳ３２２では、学習データ記憶モジュール１４５が、学習データとして記憶する。
ステップＳ３２４では、全てのタグについて、処理を終了したか否かを判断し、終了した場合は処理を終了し（ステップＳ３９９）、それ以外の場合はステップＳ３０８へ戻る。

図５の例に示した共起確率テーブル５００は条件付き確率であるが、ステップＳ３０８で図７の例に示す共起確率テーブル７００を用いてもよい。共起確率テーブル７００は、条件付き確率ではなく、単なる共起確率を記憶している。つまり、１つの文書内において、２つのタグの組み合わせが現れる確率を示しており、共起確率テーブル７００の右上半分に共起確率を記憶している。
また、共起確率テーブル５００、共起確率テーブル７００における共起確率は、タグの出現順序を考慮していないが、タグの順序に応じた共起確率としてもよい。つまり、Ａタグ、Ｂタグの順に発生した共起確率と、Ｂタグ、Ａタグの順に発生した共起確率を別々に算出してもよい。さらに、タグの直前又は直後のタグに限定した共起確率としてもよい。

さらに、共起確率テーブル５００又は共起確率テーブル７００における共起確率は、タグの出現頻度に基づき正規化した値としてもよい。例えば、タグ毎の出現頻度は、タグ頻度テーブル８００によって管理されている。図８は、タグ頻度テーブル８００のデータ構造例を示す説明図である。タグ頻度テーブル８００は、タグ欄８１０、出現回数欄８２０、出現頻度欄８３０を有している。タグ欄８１０は、タグを記憶している。出現回数欄８２０は、そのタグの出現回数を記憶している。出現頻度欄８３０は、そのタグの出現頻度を記憶している。
タグ頻度テーブル８００は、既にタグが付与された文書（タグ付け済データ記憶モジュール１２０内の文書）からタグを抽出し、その回数を計数し、出現頻度を算出したものである。出現頻度は、（そのタグの出現回数）／（全タグの出現回数）によって算出される。
出現頻度が予め定められた閾値より大又は以上であるタグについては、ステップＳ３０６、ステップＳ３０８、又は、ステップＳ３１４の処理を行わないようにしてもよい。つまり、出現頻度が高いタグでは、共起確率はどのような文書でも高くなってしまい、情報処理装置１００が誤りのタグを検出するためには貢献しないからである。

図９は、本実施の形態による処理例を示すフローチャートである。ステップＳ９０２からステップＳ９１６までの処理は、図３の例に示したフローチャートのステップＳ３０２からステップＳ３１６までの処理と同等である。そして、ステップＳ９３０からステップＳ９３６までの処理は、図３の例に示したフローチャートのステップＳ３１８からステップＳ３２４までの処理と同等である。

ステップＳ９０２では、タグ付けモジュール１１０が、未タグ付けデータ記憶モジュール１０５から未タグ付けデータを受け付ける。
ステップＳ９０４では、タグ付けモジュール１１０が、ユーザーの操作にしたがって、タグ付け処理を行う。
ステップＳ９０６では、タグ共起関係抽出モジュール１１５が、タグ付けされたデータから共起関係を抽出する。
ステップＳ９０８では、タグ間共起統計情報抽出モジュール１２５が、ステップＳ９０６で抽出した共起関係にあるタグの組み合わせについて、既在文書における共起確率を抽出する。
ステップＳ９１０では、タグ正当性判断モジュール１３０が、各タグについて、他タグとの共起確率の平均値を算出する。
ステップＳ９１２では、タグ正当性判断モジュール１３０が、ステップＳ９１０で算出した他タグとの共起確率の平均値は、閾値以下であるか否かを判断し、閾値以下の場合はステップＳ９１４へ進み、それ以外の場合はステップＳ９３２へ進む。
ステップＳ９１４では、通知モジュール１３５が、異常である旨を通知する。
ステップＳ９１６では、タグ付け修正モジュール１４０が、修正指示を受け付ける。

ステップＳ９１８では、タグ付け修正モジュール１４０が、ユーザーによって正しいタグであると認められたか否かを判断し、認められた場合はステップＳ９２０へ進み、それ以外の場合はステップＳ９３０へ進む。
ステップＳ９２０では、タグ付け修正モジュール１４０が、そのタグを境界にして、そのタグより前のデータ（Ａ）と、そのタグ以降のデータ（Ｂ）に分割する。例えば、図１０に示すように、文書１０００内の対象タグ１０１０が、情報処理装置１００によって誤りであると判断されたが、ユーザーによって正しいタグであると認められた場合（つまり、修正が行われなかった場合）、文書１０００を、（Ａ）対象タグ１０１０よりも前にあるデータである前データ１０２０と、（Ｂ）対象タグ１０１０以降のデータである後データ１０３０に分割する。本来は１つの文書１０００で取り扱われないような内容（つまり、異常である旨が通知されるタグの組み合わせ）が記載されている場合が該当する。

ステップＳ９２２では、タグ付け修正モジュール１４０が、データ（Ａ）に対して、本フローチャートによる処理を再度行うか否かをユーザーに尋ねる。
ステップＳ９２４では、再度行う場合はステップＳ９２６へ進み、それ以外の場合はステップＳ９２８へ進む。
ステップＳ９２６では、データ（Ａ）に対して、本フローチャートによる処理を再度行う。再度処理を行うことになるが、全体として、タグの組み合わせが減少し、不要なタグの処理が減少する。
ステップＳ９２８では、データ（Ｂ）に対して、本フローチャートによる処理を行う。データ（Ｂ）については、一般的には、タグの組み合わせが減少し、不要なタグの処理が減少する。

ステップＳ９３０では、タグ付け修正モジュール１４０が、修正処理を行う。そして、タグ付け修正モジュール１４０が、修正済みのデータをタグ付け済データ記憶モジュール１２０に記憶させる。
ステップＳ９３２では、タグ間共起統計情報抽出モジュール１２５が、既在の共起確率を修正する。
ステップＳ９３４では、学習データ記憶モジュール１４５が、学習データとして記憶する。
ステップＳ９３６では、全てのタグについて、処理を終了したか否かを判断し、終了した場合は処理を終了し（ステップＳ９９９）、それ以外の場合はステップＳ９０８へ戻る。

図１１は、本実施の形態（主に、タグ付けモジュール１１０）による処理例を示すフローチャートである。
ステップＳ１１０２では、未タグ付けデータ記憶モジュール１０５から未タグ付けデータを受け付ける。
ステップＳ１１０４では、ユーザーの操作にしたがって、タグ付け処理を行う。なお、ステップＳ１１０４におけるタグ付け処理は、図３の例に示したステップＳ３０４におけるタグ付け処理のように、文書内の全てのタグ付けを処理させるものではなく、ユーザーの操作によって１つのタグ付けが行われることである。つまり、１つのタグ付けが行われる都度、ステップＳ１１０６以降の処理を行う。
また、２回目以降のステップＳ１１０４の処理（ステップＳ１１１０でＮｏで戻ってきた場合の処理）では、ステップＳ１１０８で提示されたタグを選択してタグ付け処理を行うようにしてもよい。

ステップＳ１１０６では、そのタグに対して、既在文書における共起確率の高い順にタグを抽出する。
ステップＳ１１０８では、次に付すタグの候補として、ステップＳ１１０６で抽出したタグを提示する。例えば、図１２に示すタグ候補メニュー１２００を提示する。タグ候補メニュー１２００では、＜Ｔｉｍｅ＞タグの付与処理が行われた後に、図５の例に示した共起確率テーブル５００を用いて、＜Ｔｉｍｅ＞タグがある場合の共起確率の高い順にタグを選択可能に並べたものである。つまり、＜Ｔｉｍｅ＞タグがある場合の条件付き確率が０．７である＜Pｅｒ＞タグ、＜Ｅｖｅｎ＞タグ、０．６である＜Ｏｒｇ＞タグ、＜Ｌｏｃ＞タグ、０．４である＜Ｍｕｌｔｉ＞タグ、０．３である＜Ｐｒｏｄ＞タグの順に並べて提示している。ユーザーの操作によって、タグ候補メニュー１２００内のタグが選択され、タグ付け処理が行われる。
ステップＳ１１１０では、終了か否かを判断し、終了の場合は処理を終了し（ステップＳ１１９９）、それ以外の場合はステップＳ１１０４へ戻る。

なお、本実施の形態としてのプログラムが実行されるコンピュータのハードウェア構成は、図１３に例示するように、一般的なコンピュータであり、具体的にはパーソナルコンピュータ、サーバーとなり得るコンピュータ等である。つまり、具体例として、処理部（演算部）としてＣＰＵ１３０１を用い、記憶装置としてＲＡＭ１３０２、ＲＯＭ１３０３、ＨＤ１３０４を用いている。ＨＤ１３０４として、例えばハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）を用いてもよい。タグ付けモジュール１１０、タグ共起関係抽出モジュール１１５、タグ間共起統計情報抽出モジュール１２５、タグ正当性判断モジュール１３０、通知モジュール１３５、タグ付け修正モジュール１４０、学習データ生成モジュール１５０等のプログラムを実行するＣＰＵ１３０１と、そのプログラムやデータを記憶するＲＡＭ１３０２と、本コンピュータを起動するためのプログラム等が格納されているＲＯＭ１３０３と、未タグ付けデータ記憶モジュール１０５、タグ付け済データ記憶モジュール１２０、学習データ記憶モジュール１４５としての機能を有する補助記憶装置（フラッシュ・メモリ等であってもよい）であるＨＤ１３０４と、キーボード、マウス、タッチスクリーン、マイク、カメラ（視線検知カメラ等を含む）等に対する利用者の操作（動作、音声、視線等を含む）に基づいてデータを受け付ける受付装置１３０６と、ＣＲＴ、液晶ディスプレイ、スピーカー等の出力装置１３０５と、ネットワークインタフェースカード等の通信ネットワークと接続するための通信回線インタフェース１３０７、そして、それらをつないでデータのやりとりをするためのバス１３０８により構成されている。これらのコンピュータが複数台互いにネットワークによって接続されていてもよい。

前述の実施の形態のうち、コンピュータ・プログラムによるものについては、本ハードウェア構成のシステムにソフトウェアであるコンピュータ・プログラムを読み込ませ、ソフトウェアとハードウェア資源とが協働して、前述の実施の形態が実現される。
なお、図１３に示すハードウェア構成は、１つの構成例を示すものであり、本実施の形態は、図１３に示す構成に限らず、本実施の形態において説明したモジュールを実行可能な構成であればよい。例えば、一部のモジュールを専用のハードウェア（例えば特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）等）で構成してもよく、一部のモジュールは外部のシステム内にあり通信回線で接続している形態でもよく、さらに図１３に示すシステムが複数互いに通信回線によって接続されていて互いに協調動作するようにしてもよい。また、特に、パーソナルコンピュータの他、携帯情報通信機器（携帯電話、スマートフォン、モバイル機器、ウェアラブルコンピュータ等を含む）、情報家電、ロボット、複写機、ファックス、スキャナ、プリンタ、複合機（スキャナ、プリンタ、複写機、ファックス等のいずれか２つ以上の機能を有している画像処理装置）などに組み込まれていてもよい。

また、前述の実施の形態の説明内での比較処理において、「以上」、「以下」、「より大きい」、「より小さい（未満）」としたものは、その組み合わせに矛盾が生じない限り、それぞれ「より大きい」、「より小さい（未満）」、「以上」、「以下」としてもよい。
また、前述の例では、タグ間共起統計情報抽出モジュール１２５は、共起確率を抽出する例を用いて説明したが、共起確率の代わりに共起回数の期待値を用いてもよい。単位文書内の共起回数を考慮することで、単位文書内で少数共起するものと多数共起するものの区別が可能になるからである。「共起確率」とあるのを「共起回数の期待値」と読み替えればよい。つまり、共起確率テーブル５００、共起確率テーブル７００に記載される値として共起回数の期待値を用い、新規データのタグ毎の共起回数をカウントし、それらの分布の距離（ＫＬ情報量等）、類似度（コサイン類似度）等を用いて異常を検知すればよい。

なお、説明したプログラムについては、記録媒体に格納して提供してもよく、また、そのプログラムを通信手段によって提供してもよい。その場合、例えば、前記説明したプログラムについて、「プログラムを記録したコンピュータ読み取り可能な記録媒体」の発明として捉えてもよい。
「プログラムを記録したコンピュータ読み取り可能な記録媒体」とは、プログラムのインストール、実行、プログラムの流通等のために用いられる、プログラムが記録されたコンピュータで読み取り可能な記録媒体をいう。
なお、記録媒体としては、例えば、デジタル・バーサタイル・ディスク（ＤＶＤ）であって、ＤＶＤフォーラムで策定された規格である「ＤＶＤ－Ｒ、ＤＶＤ－ＲＷ、ＤＶＤ－ＲＡＭ等」、ＤＶＤ＋ＲＷで策定された規格である「ＤＶＤ＋Ｒ、ＤＶＤ＋ＲＷ等」、コンパクトディスク（ＣＤ）であって、読出し専用メモリ（ＣＤ－ＲＯＭ）、ＣＤレコーダブル（ＣＤ－Ｒ）、ＣＤリライタブル（ＣＤ－ＲＷ）等、ブルーレイ・ディスク（Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ）、光磁気ディスク（ＭＯ）、フレキシブルディスク（ＦＤ）、磁気テープ、ハードディスク、読出し専用メモリ（ＲＯＭ）、電気的消去及び書換可能な読出し専用メモリ（ＥＥＰＲＯＭ（登録商標））、フラッシュ・メモリ、ランダム・アクセス・メモリ（ＲＡＭ）、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリーカード等が含まれる。
そして、前記のプログラムの全体又はその一部は、前記記録媒体に記録して保存や流通等させてもよい。また、通信によって、例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、インターネット、イントラネット、エクストラネット等に用いられる有線ネットワーク、又は無線通信ネットワーク、さらにこれらの組み合わせ等の伝送媒体を用いて伝送させてもよく、また、搬送波に乗せて搬送させてもよい。
さらに、前記のプログラムは、他のプログラムの一部分若しくは全部であってもよく、又は別個のプログラムと共に記録媒体に記録されていてもよい。また、複数の記録媒体に分割して記録されていてもよい。また、圧縮や暗号化等、復元可能であればどのような態様で記録されていてもよい。

１００…情報処理装置
１０５…未タグ付けデータ記憶モジュール
１１０…タグ付けモジュール
１１２…タグ付結果
１１５…タグ共起関係抽出モジュール
１２０…タグ付け済データ記憶モジュール
１２５…タグ間共起統計情報抽出モジュール
１３０…タグ正当性判断モジュール
１３５…通知モジュール
１４０…タグ付け修正モジュール
１４５…学習データ記憶モジュール
１５０…学習データ生成モジュール
２００…学習データ生成装置
２０５…未タグ付けデータ記憶装置
２４５…学習データ生成装置
２５０…ユーザー端末
２８０…固有表現抽出装置
２９０…通信回線

Claims (9)

1. 文書内で共起するタグを抽出する第１の抽出手段と、
   既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率又は共起回数の期待値から、前記第１の抽出手段によって抽出された共起するタグの共起確率又は共起回数の期待値を抽出する第２の抽出手段と、
   前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値に基づいて、前記第１の抽出手段によって抽出された共起するタグが異常である旨の通知を行う通知手段
   を有する情報処理装置。
2. 前記通知手段は、前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値の統計的値と予め定められた閾値とを比較することによって、通知を行うか否かを判断する、
   請求項１に記載の情報処理装置。
3. 前記統計的値として、前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値の平均値、最頻値、中央値、最小値、重み付け平均値のいずれか１つ又はこれらの組み合わせを用い、
   前記通知手段は、前記統計的値が前記閾値未満又は以下である場合に、通知を行う、
   請求項２に記載の情報処理装置。
4. 前記共起確率又は前記共起回数の期待値は、タグの出現頻度に基づき正規化して算出した値である、
   請求項１に記載の情報処理装置。
5. 前記共起確率又は前記共起回数の期待値は、タグの順序に応じた共起関係における確率又は共起回数の期待値である、
   請求項１に記載の情報処理装置。
6. 前記共起確率又は前記共起回数の期待値は、タグの直前又は直後のタグに限定した確率若しくは共起回数の期待値、又は、対象としているタグとの距離に応じて重み付けした確率若しくは共起回数の期待値である、
   請求項５に記載の情報処理装置。
7. 前記第１の抽出手段、前記第２の抽出手段、又は、前記通知手段のいずれか１つ以上は、出現頻度が高いタグは対象としない、
   請求項１に記載の情報処理装置。
8. 前記通知手段によって通知されたタグについて、ユーザーによって正しいタグであるとの認定を受けた場合、該タグよりも前のデータ、又は、該タグ以降のデータを対象として、前記第１の抽出手段による処理を行う、
   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、
   文書内で共起するタグを抽出する第１の抽出手段と、
   既にタグ付けが行われた文書を対象として算出されたタグ間の共起確率又は共起回数の期待値から、前記第１の抽出手段によって抽出された共起するタグの共起確率又は共起回数の期待値を抽出する第２の抽出手段と、
   前記第２の抽出手段によって抽出された前記共起確率又は前記共起回数の期待値に基づいて、前記第１の抽出手段によって抽出された共起するタグが異常である旨の通知を行う通知手段
   として機能させるための情報処理プログラム。

Images