JP7052395B2 - 学習プログラム、学習方法および学習装置 - Google Patents

Description

本発明の実施形態は、学習プログラム、学習方法および学習装置に関する。

各種の製品を市場に出荷するメーカーでは、製品出荷後の市場品質マネジメントが重要な経営課題となっている。市場品質マネジメントでは、市場に出た製品の障害レポートであるフィールド障害レポートの各々について、発生事象・発生原因・対策方法が判明している既知の不具合事例のどの事例に該当するかを判別する。そして、判別した事例を参照することで、レポートの障害対応を行う。

図８は、市場品質マネジメントの業務の流れを例示する説明図である。図８に示すように、市場品質マネジメントでは、市場に出荷された製品について、１件の障害が発生して対策を実施するまでの流れ（Ｓ２０１）の中でその障害に関する１件のフィールド障害レポート２０１が作成される。このフィールド障害レポート２０１には、事象、原因、対策などの順に障害に関する情報が記述される。

このように作成された複数のフィールド障害レポート２０１について、製品を出荷するメーカーでは、障害の傾向分析を行う（Ｓ２０２）。そして、障害対応が行き届いているかの対応状況の確認（Ｓ２０３）と、互いに共通する事例の中で重点対応の要否検討（Ｓ２０４）とを行う。

複数のフィールド障害レポート２０１において共通する事例の中で、重点対応が必要である事例については、不具合事例２０２として不具合事例ＤＢ２０３に登録する。市場品質マネジメントにおいては、このように頻発する障害をナレッジ化しておくことで、障害事象を調査する際に活用する。

障害事象を調査する際におけるフィールド障害レポートの判別では、既知の不具合事例を正解データとして機械学習により判別モデルを構築し、構築した判別モデルを用いている。これにより、フィールド障害レポートの各々がどの不具合事例に該当するかを高精度かつ効率的に特定し、迅速な障害対応を実現している。

機械学習に正解データとして用いる既知の不具合事例は件数が少なく、精度の高い判別モデルを構築するためにフィールド障害レポートに対し人手による正例・負例のラベル付けを行う手法があるが、人手による負荷が増えることとなる。

人手に頼らずにラベル付けをして学習する学習方法については、分類対象データに含まれる素性のすべての要素の値と、学習結果情報に含まれる重み集合とを用いて算出されるスコアが大きい場合に正例と分類されるようにする学習方法が知られている。

特開２０１５－１９６８号公報 特開２０１３－１３１０７３号公報 特開２００６－３１２１３号公報 特開２００６－９９５６５号公報

しかしながら、上記の従来技術では、例えば、スコアが小さいものはラベル付けが行われず、機械学習に用いられないこととなり、モデルの判別精度が不十分となる場合がある。

１つの側面では、モデルの判別精度を向上させることを可能とする学習プログラム、学習方法および学習装置を提供することを目的とする。

第１の案では、学習プログラムは、特定の対象に関する事象についての、現象と原因と、対象に関する複数の項目とを含む文書の判別を行うモデルの学習をさせるプログラムであって、抽出する処理と、順序づける処理と、付与する処理と、学習を行う処理とをコンピュータに実行させる。抽出する処理は、学習対象となる特定の対象の複数の文書について、現象および原因が共通である複数の文書それぞれに対し、当該文書間で共通する項目を抽出する。順序づける処理は、抽出された複数の文書に含まれる項目の出現頻度に基づき、複数の文書を順序づける。付与する処理は、順序づけ結果に応じて、複数の文書それぞれに対し、正例、または、負例のラベルを付与する。学習を行う処理は、複数の文書および付与されたラベルを用いて、モデルの学習を行う。

本発明の１実施態様によれば、モデルの判別精度を向上させることができる。

図１は、フィールド障害レポートの判別を説明する説明図である。 図２は、不具合事例を例示する説明図である。 図３は、フィールド障害レポートを例示する説明図である。 図４は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。 図５は、学習フェーズの動作例を示すフローチャートである。 図６は、適用フェーズの動作例を示すフローチャートである。 図７は、プログラムを実行するコンピュータの一例を示す説明図である。 図８は、市場品質マネジメントの業務の流れを例示する説明図である。

以下、図面を参照して、実施形態にかかる学習プログラム、学習方法および学習装置を説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明する学習プログラム、学習方法および学習装置は、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。

図１は、フィールド障害レポートの判別を説明する説明図である。図１に示すように、学習フェーズ（Ｓ１）では、不具合事例ＤＢ１０のおける既知の不具合事例１１を正解データとして、判別対象のフィールド障害レポート１３が不具合事例１１に該当するか否かの判別を一般的な二値分類の機械学習手法を用いて行う判定モデル２０について学習する。

ここで、学習フェーズ（Ｓ１）では、正解データとする不具合事例１１を用いて複数のフィールド障害レポート１２について正例・負例のラベルを付与する。そして、ラベルを付与したフィールド障害レポート１２を判定モデル２０の学習にかかる教師データ（訓練データ）として追加する。このように、正例・負例のラベルを付与したフィールド障害レポート１２を判定モデル２０の学習時における教師データに追加して教師データのサンプル数を多くすることで、判定モデル２０の判別精度を高めることができる。

適用フェーズ（Ｓ２）では、学習した判定モデル２０を判別対象のフィールド障害レポート１３に適用することで、個々のフィールド障害レポート１３が不具合事例１１に該当するか否かを判別する。Ｓ３では、適用フェーズの判別結果をディスプレイなどに出力する。

図２は、不具合事例１１を例示する説明図である。図２に示すように、不具合事例１１は、障害の傾向分析を行った後の既知の事例であり、現象と原因、および、対象に関する複数の項目を含む文書である。具体的には、不具合事例１１は、事例を識別する「事例ＩＤ」ごとに、「事例名」、「緊急度」、「告知対象範囲」、「対象機種」、「概要情報」、「現象詳細情報」、「原因詳細情報」、「処置詳細情報」などの情報を含む。

「事例名」は、事例についての名称を示す。「緊急度」は、事例における対策の緊急度合いを示す。「告知対象範囲」は、事例を告知する範囲（社内、社外など）を示す。「対象機種」は、事例の対象となる製品の機種を示す。「概要情報」は、事例の概要を示す。「現象詳細情報」は、事例の現象を詳細に示す。「原因詳細情報」は、事例の原因を詳細に示す。「処置詳細情報」は、事例に対する処置を詳細に示す。

図３は、フィールド障害レポート１２、１３を例示する説明図である。図３に示すように、１件の障害が発生して対策を実施するまでの内容を記載した文書であり、不具合事例１１と同様に現象と原因、および、対象に関する複数の項目を含む文書である。具体的には、フィールド障害レポート１２、１３は、障害の案件を識別する「案件ＩＤ」ごとに、「顧客ＩＤ」、「顧客名」、「発生年月日」、「装置名」、「発生した現象の詳細情報」、「原因の詳細情報」、「対応・処置の詳細情報」、「現象名」、「原因と思われる箇所」などの情報を含む。

「顧客ＩＤ」は、顧客を識別するＩＤを示す。「顧客名」は、顧客についての名称を示す。「発生年月日」は、障害が発生した年月日を示す。「装置名」は、障害にかかる装置名を示す。「発生した現象の詳細情報」は、障害の現象を詳細に示す。「原因の詳細情報」は、障害の原因を詳細に示す。「対応・処置の詳細情報」は、障害に対する対応・処置を詳細に示す。「現象名」は、障害の現象についての名称を示す。「原因と思われる箇所」は、障害の原因とされる箇所を示す。

図４は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。実施形態にかかる情報処理装置１は、例えば、ＰＣ（パーソナルコンピュータ）などのコンピュータであり、図１に例示した学習フェーズ（Ｓ１）および適用フェーズ（Ｓ２）を実行する。すなわち、情報処理装置１は、学習装置の一例である。

図４に示すように、情報処理装置１は、抽出処理部２１、素性生成部２２、ランキング部２３、ラベル付与部２４、学習部２５、判別部２６および出力部２７を有する。

抽出処理部２１は、不具合事例ＤＢ１０に格納された既知の不具合事例１１の中から現象および原因が共通である複数の不具合事例１１に対し、文書間で共通する項目を抽出する。学習フェーズで正解データとする既知の不具合事例１１では、現象および原因が共通である同じ案件について、例えばＯＳなどが異なるなどの理由で幾つかのバリエーションが生じる。

抽出処理部２１は、不具合事例ＤＢ１０に格納された不具合事例１１の中から現象および原因が共通である同じ案件の不具合事例１１をグループ化する。そして、抽出処理部２１は、グループごとに、文書間で共通する項目を抽出する。

具体的には、抽出処理部２１は、項目の一例として不具合事例１１に含まれる単語を抽出する（Ｓ１０）。なお、本実施形態では、単語を抽出する場合を例示するが、抽出する項目は単語に限定しない。例えば、抽出する項目は、不具合事例１１に含まれる文、文節の他、不具合事例１１に含まれる詳細情報等の中で項目分けされた小項目などであってもよい。

次いで、抽出処理部２１は、抽出した単語の単語リストを作成し（Ｓ１１）、単語リストに含まれる単語の中からグループにおいて共通する単語以外を削除するフィルタリング処理を行う（Ｓ１２）。このフィルタリング処理により、抽出処理部２１は、グループにおいて共通する単語（検索キーワード）を得る（Ｓ１３）。次いで、抽出処理部２１は、検索キーワードを用いてフィールド障害レポート１２のキーワード検索を行う（Ｓ１４）。

素性生成部２２は、学習フェーズにおいて教師データとする不具合事例１１やフィールド障害レポート１２の特徴を示す素性を生成する。また、素性生成部２２は、適用フェーズにおいて判定モデル２０に適用するフィールド障害レポート１３の特徴を示す素性を生成する。例えば、素性生成部２２は、不具合事例１１、フィールド障害レポート１２、１３より抽出した単語をもとに、不具合事例１１、フィールド障害レポート１２、１３における出現単語ベクトルを素性として生成する。

出現単語ベクトルは、出現単語ベクトルの算出対象となる単語の前後で共起する共起単語に基づき、算出されるものであり、共起単語に対応する複数のベクトル成分から構成される。例えば、ある不具合事例１１においては、単語「動作」の共起単語は、「読み取り時」、「頻繁」等となる可能性が高い。このような不具合事例１１では、単語「動作」の単語ベクトルに含まれる複数のベクトル成分のうち、「読み取り時」、「頻繁」の成分に対応する値が、大きくなる傾向がある。また、別の不具合事例１１では、単語「動作」の共起単語は、「一部」、「遅くなる」等となる可能性が高い。このような不具合事例１１では、単語「動作」の単語ベクトルに含まれる複数のベクトル成分のうち、「一部」、「遅くなる」の成分に対応する値が、大きくなる傾向がある。このように、素性生成部２２は、不具合事例１１、フィールド障害レポート１２、１３の特徴を示す素性（出現単語ベクトル）を生成する。

なお、素性生成部２２が生成する素性は、出現単語ベクトルに限定するものではなく、例えば、文書の特徴を示す特徴ベクトル等の情報であってもよく、特に限定しない。

ランキング部２３は、抽出された項目（検索キーワード）のフィールド障害レポート１２における出現頻度に基づき、複数のフィールド障害レポート１２を順序づける。具体的には、ランキング部２３は、キーワード検索（Ｓ１４）の結果をもとに、検索キーワードの出現頻度の高い順にフィールド障害レポート１２を順序づけたランキング結果を得る（Ｓ１５）。

ラベル付与部２４は、ランキング部２３のランキング結果（Ｓ１４）に応じて、複数のフィールド障害レポート１２それぞれに対し、正例、または、負例のラベルを付与する。具体的には、ラベル付与部２４は、ランキング結果が所定の順位以上である上位のフィールド障害レポート１２を選択し、正例のラベルを付与する（Ｓ１６）。また、ランキング結果が所定の順位以下である下位、または、ランク外のフィールド障害レポート１２を選択し、負例のラベルを付与する（Ｓ１７、Ｓ１８）。

学習部２５は、正解データとする不具合事例１１の他、フィールド障害レポート１２および付与されたラベルを用いて、不具合事例１１に該当するか否かの判別を一般的な二値分類の機械学習手法を用いて行う判定モデル２０の学習を行う。具体的には、学習部２５は、正解データとする不具合事例１１を教師データとし、不具合事例１１より生成された素性をもとに判定モデル２０の学習を行う。また、学習部２５は、正例・負例のラベルを付与したフィールド障害レポート１２を判定モデル２０の学習時における教師データとし、判定モデル２０の学習を行う。

ここで、学習フェーズ（Ｓ１）において、抽出処理部２１、素性生成部２２、ランキング部２３、ラベル付与部２４および学習部２５等で行われる処理の詳細を説明する。図５は、学習フェーズの動作例を示すフローチャートである。

図５に示すように、学習フェーズが開始されると、抽出処理部２１は、不具合事例ＤＢ１０に含まれる不具合事例１１を現象および原因が共通である同じ案件ごとにグループ化する（Ｓ２０）。具体的には、抽出処理部２１は、互いの不具合事例１１における「現象詳細情報」、「原因詳細情報」が同じ（類似度合いが高い場合を含む）ものを同じ案件としてグループ化する。

次いで、抽出処理部２１は、グループ化した不具合事例１１群から出現する単語を抽出する（Ｓ２１）。これにより、抽出処理部２１は、抽出した単語の単語リストを生成する。次いで、抽出処理部２１は、抽出した単語の重み（ＴＦＩＤＦ：Term Frequency／Inverse Document Frequency）を計算し、重みの高いものを単語リストから選択する（Ｓ２２）。これにより、抽出処理部２１は、選択されない単語を単語リストから削除する。

次いで、抽出処理部２１は、品詞・ストップワードリストをチェックし、リストに該当する品詞・ストップワードを単語リストから削除する（Ｓ２３）。品詞・ストップワードリストに含まれる品詞・ストップワードは、例えばどの文書にも一般的に含まれるものがある。例えば、品詞では、助詞、助動詞などが該当する。ストップワードでは、「する」、「こと」、「とき」、「発生」、「障害」などが該当する。

次いで、抽出処理部２１は、単語リストに含まれる単語について、グループ内またはグループ間の重複をチェックする（Ｓ２４）。これにより、抽出処理部２１は、共通する単語を検索キーワードとして取得する。

次いで、抽出処理部２１は、検索キーワードを用いてグループごとにフィールド障害レポート１２のキーワード検索を行う。これにより、フィールド障害レポート１２について、検索キーワードの出現頻度が求められる。次いで、ランキング部２３は、検索キーワードの出現頻度の高い順にフィールド障害レポート１２を順序づけるランキング検索を行う（Ｓ２５）。

次いで、ラベル付与部２４は、ランキング検索をもとに、ランキングが所定の順位以上であるランキング上位のフィールド障害レポート１２に正例のラベルを付与する。また、ラベル付与部２４は、ランキングが所定の順位以下であるランキング下位・ランク外のフィールド障害レポート１２に負例のラベルを付与する（Ｓ２６）。

次いで、素性生成部２２は、各フィールド障害レポート１２から出現する単語を抽出する（Ｓ２７）。次いで、素性生成部２２は、抽出した単語について、素性を生成する上で不要となる単語を削除するためのフィルタリング処理を行う（Ｓ２８）。このフィルタリング処理後の単語を用いて、素性生成部２２では、素性（例えば出現単語ベクトル）を生成する。

フィルタリング処理において、素性生成部２２は、例えば、抽出した単語について所定の条件による重み付けを行い、重み付け値の低い単語を削除するなどを処理を行ってもよい。また、素性生成部２２は、予め設定されている品詞・ストップワードのリストをもとに、抽出した単語がリストにある品詞・ストップワードであるか否かをチェックする。次いで、素性生成部２２は、リストに該当する単語（品詞・ストップワード）を削除してもよい。

次いで、学習部２５は、各フィールド障害レポート１２が持つ（付与された）ラベル情報（正例／負例）、生成された素性（出現単語ベクトル）を用いて二値分類の機械学習を適用し、判定モデル２０を作成する（Ｓ２９）。

図４に戻り、判別部２６は、判別対象のフィールド障害レポート１３について素性生成部２２により生成された素性（例えば出現単語ベクトル）を判定モデル２０に適用し、既知の不具合事例１１に該当するか否かを判別する。出力部２７は、判別部２６の判別結果を出力する。

ここで、適用フェーズ（Ｓ２）において、素性生成部２２、判別部２６、出力部２７等で行われる処理の詳細を説明する。図６は、適用フェーズの動作例を示すフローチャートである。

図６に示すように、適用フェーズが開始されると、素性生成部２２は、不具合判定を行うフィールド障害レポート１３から出現する単語を抽出する（Ｓ３０）。次いで、素性生成部２２は、抽出した単語についてフィルタリング処理を行う（Ｓ３１）。このフィルタリング処理は、Ｓ２８と同様のものであってもよい。

次いで、素性生成部２２は、フィルタリング処理後の単語を用いて素性（例えば出現単語ベクトル）を生成する。次いで、判別部２６は、生成されたフィールド障害レポート１３の素性を用いて学習フェーズで得られた判定モデル２０を適用し、フィールド障害レポート１３が既知の不具合事例１１に該当するか否かの判別を実施する（Ｓ３２）。次いで、出力部２７は、判別対象のフィールド障害レポート１３が既知の不具合事例１１に該当するか否かの結果を出力する（Ｓ３３）。これにより、ユーザは、フィールド障害レポート１３が既知の不具合事例１１に該当するか否かを確認できる。

以上のように、情報処理装置１は、フィールド障害レポート１３の判別を行う判定モデル２０の学習対象となる特定の対象の複数の不具合事例１１について、現象および原因が共通である複数の不具合事例１１それぞれに対し、当該不具合事例１１間で共通する項目を抽出する。また、情報処理装置１は、抽出された項目のフィールド障害レポート１２における出現頻度に基づき、複数のフィールド障害レポート１２を順序づける。また、情報処理装置１は、順序づけ結果に応じて、複数のフィールド障害レポート１２それぞれに対し、正例、または、負例のラベルを付与する。また、情報処理装置１は、正解データとする不具合事例１１の他、フィールド障害レポート１２および付与されたラベルを用いて、判定モデル２０の学習を行う。

障害分野の文書（既知の不具合事例１１やフィールド障害レポート１２、１３など）は、現象と原因、および、対象についての複数の項目を有する構造である。また、正解データとする既知の不具合事例１１では、現象および原因が共通である同じ案件について、例えばＯＳなどが異なるなどの理由で幾つかのバリエーションが生じる。

これらの性質に着目し、情報処理装置１では、現象および原因が共通である複数の不具合事例１１それぞれに対し、不具合事例１１間で共通する項目を抽出する。このように、情報処理装置１では、現象および原因が共通である複数の不具合事例１１について、互いの関連性を利用したフィルタリングを行うことで、ＯＳなどが異なるなどの理由による一般的な項目を排除する。そして、情報処理装置１は、抽出された項目のフィールド障害レポート１２における出現頻度により各フィールド障害レポート１２を順序づけ、順序づけに応じて正例、または、負例のラベルを付与することで、複数のフィールド障害レポート１２を判定モデル２０の学習に用いるようにする。このように、情報処理装置１では、正例・負例とみなすのに適切なフィールド障害レポート１２を効率よく教師データ（訓練データ）に追加して判定モデル２０における教師付き学習を行うことで、判定モデル２０の判別精度を向上させることができる。

ここで、情報処理装置１における判定モデル２０の判別精度の向上を第１～第３のケースにおける実験例で示す。

第１のケースは、正例・負例を十分に用意した場合（比較検証のため、人手によりフィールド障害レポート１２に正解ラベル（正例・負例）を付与して学習・適用したもの）の実験例である。第１のケースでは、人手による負荷を考慮せず、多くのフィールド障害レポート１２に正解ラベル（正例・負例）を付与して学習しているので、高い判別精度を有している。

第１のケース：
訓練データのサンプル数：正例＝１８６件、負例＝３９，０００件
精度：Ｐｒｅｃｉｓｉｏｎ＝９８．８％、Ｒｅｃａｌｌ＝８６．０％

第２のケースは、Ｏｎｅ Ｃｌａｓｓ ＳＶＭを使用する場合の実験例である。
第２のケース：
訓練データのサンプル数：正例＝３件、負例＝０件
精度：Ｐｒｅｃｉｓｉｏｎ＝０．６％、Ｒｅｃａｌｌ＝６７．２％

第３のケースは、本実施形態にかかる情報処理装置１を使用する場合の実験例である。
第３のケース：
訓練データのサンプル数：正例＝３件、負例＝０件
上記に追加した正解：正例＝５件、負例＝１０，０００件
精度：Ｐｒｅｃｉｓｉｏｎ＝５４．８％、Ｒｅｃａｌｌ＝１２．１％

第２のケースと、第３のケースとを比較しても明らかなように、第３のケースでは、正例・負例とみなすのに適切なフィールド障害レポート１２を訓練データに追加していることから、第２のケースよりも判別精度の向上が見られる。

また、情報処理装置１は、不具合事例１１に含まれる項目ごとの、出現頻度に応じた重みづけをもとに、絞り込みを行った項目の中から共通する項目を抽出する。正例・負例を付与するために出現頻度を求める項目は、不具合事例１１の特徴をよく表している項目が望ましい。かつ、どの文書にも存在するような一般的な項目については含まれないことが望ましい。情報処理装置１では、出現頻度に応じた重みづけをもとに、項目の絞り込みを行うことで、多くの不具合事例１１に出現する一般的な項目を予め排除し、より不具合事例１１において特徴的な項目を活用できる。

また、情報処理装置１は、順序づけによる順位が所定の順位以下であるフィールド障害レポート１２に負例のラベルを付与する。これにより、情報処理装置１は、不具合事例１１とは関連性のないフィールド障害レポート１２に対し、適切に負例のラベルを付与できる。

なお、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

情報処理装置１で行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウエア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。また、マッチング装置１で行われる各種処理機能は、クラウドコンピューティングにより、複数のコンピュータが協働して実行してもよい。

ところで、上記の実施形態で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータ（ハードウエア）の一例を説明する。図７は、プログラムを実行するコンピュータの一例を示す説明図である。

図７に示すように、コンピュータ２は、各種演算処理を実行するＣＰＵ１０１と、データ入力を受け付ける入力装置１０２と、モニタ１０３と、スピーカ１０４とを有する。また、コンピュータ２は、記憶媒体からプログラム等を読み取る媒体読取装置１０５と、各種装置と接続するためのインタフェース装置１０６と、有線または無線により外部機器と通信接続するための通信装置１０７とを有する。また、コンピュータ２は、各種情報を一時記憶するＲＡＭ１０８と、ハードディスク装置１０９とを有する。また、コンピュータ２内の各部（１０１～１０９）は、バス１１０に接続される。

ハードディスク装置１０９には、上記の実施形態で説明した抽出処理部２１、素性生成部２２、ランキング部２３、ラベル付与部２４、学習部２５、判別部２６および出力部２７等の機能部における各種処理を実行するためのプログラム１１１が記憶される。また、ハードディスク装置１０９には、プログラム１１１が参照する各種データ１１２が記憶される。入力装置１０２は、例えば、コンピュータ２の操作者から操作情報の入力を受け付ける。モニタ１０３は、例えば、操作者が操作する各種画面を表示する。インタフェース装置１０６は、例えば印刷装置等が接続される。通信装置１０７は、ＬＡＮ（Local Area Network）等の通信ネットワークと接続され、通信ネットワークを介した外部機器との間で各種情報をやりとりする。

ＣＰＵ１０１は、ハードディスク装置１０９に記憶されたプログラム１１１を読み出して、ＲＡＭ１０８に展開して実行することで、抽出処理部２１、素性生成部２２、ランキング部２３、ラベル付与部２４、学習部２５、判別部２６および出力部２７等にかかる各種の処理を行う。なお、プログラム１１１は、ハードディスク装置１０９に記憶されていなくてもよい。例えば、コンピュータ２が読み取り可能な記憶媒体に記憶されたプログラム１１１を、コンピュータ２が読み出して実行するようにしてもよい。コンピュータ２が読み取り可能な記憶媒体は、例えば、ＣＤ－ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にプログラム１１１を記憶させておき、コンピュータ２がこれらからプログラム１１１を読み出して実行するようにしてもよい。

以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）コンピュータに、特定の対象に関する事象についての、現象と原因と、前記対象に関する複数の項目とを含む文書の判別を行うモデルの学習をさせる学習プログラムであって、
学習対象となる前記特定の対象の複数の文書について、現象および原因が共通である複数の文書それぞれに対し、当該文書間で共通する項目を抽出し、
前記抽出された複数の文書に含まれる項目の出現頻度に基づき、前記複数の文書を順序づけ、
前記順序づけ結果に応じて、前記複数の文書それぞれに対し、正例、または、負例のラベルを付与し、
前記複数の文書および前記付与されたラベルを用いて、前記モデルの学習を行う、
処理をコンピュータに実行させることを特徴とする学習プログラム。

（付記２）前記抽出する処理は、前記特定の対象の複数の文書に含まれる項目ごとの、出現頻度に応じた重みづけをもとに、絞り込みを行った項目の中から前記共通する項目を抽出する、
ことを特徴とする付記１に記載の学習プログラム。

（付記３）前記付与する処理は、前記順序づけによる順位が所定の順位以下である文書に負例のラベルを付与する、
ことを特徴とする付記１または２に記載の学習プログラム。

（付記４）コンピュータが、特定の対象に関する事象についての、現象と原因と、前記対象に関する複数の項目とを含む文書の判別を行うモデルの学習をする学習方法であって、
学習対象となる前記特定の対象の複数の文書について、現象および原因が共通である複数の文書それぞれに対し、当該文書間で共通する項目を抽出し、
前記抽出された複数の文書に含まれる項目の出現頻度に基づき、前記複数の文書を順序づけ、
前記順序づけ結果に応じて、前記複数の文書それぞれに対し、正例、または、負例のラベルを付与し、
前記複数の文書および前記付与されたラベルを用いて、前記モデルの学習を行う、
処理をコンピュータが実行することを特徴とする学習方法。

（付記５）前記抽出する処理は、前記特定の対象の複数の文書に含まれる項目ごとの、出現頻度に応じた重みづけをもとに、絞り込みを行った項目の中から前記共通する項目を抽出する、
ことを特徴とする付記４に記載の学習方法。

（付記６）前記付与する処理は、前記順序づけによる順位が所定の順位以下である文書に負例のラベルを付与する、
ことを特徴とする付記４または５に記載の学習方法。

（付記７）特定の対象に関する事象についての、現象と原因と、前記対象に関する複数の項目とを含む文書の判別を行うモデルの学習をする学習装置であって、
学習対象となる前記特定の対象の複数の文書について、現象および原因が共通である複数の文書それぞれに対し、当該文書間で共通する項目を抽出する抽出処理部と、
前記抽出された複数の文書に含まれる項目の出現頻度に基づき、前記複数の文書を順序づけるランキング部と、
前記順序づけ結果に応じて、前記複数の文書それぞれに対し、正例、または、負例のラベルを付与するラベル付与部と、
前記複数の文書および前記付与されたラベルを用いて、前記モデルの学習を行う学習部と、
を有することを特徴とする学習装置。

（付記８）前記抽出処理部は、前記特定の対象の複数の文書に含まれる項目ごとの、出現頻度に応じた重みづけをもとに、絞り込みを行った項目の中から前記共通する項目を抽出する、
ことを特徴とする付記７に記載の学習装置。

（付記９）前記ラベル付与部は、前記順序づけによる順位が所定の順位以下である文書に負例のラベルを付与する、
ことを特徴とする付記７または８に記載の学習装置。

１…情報処理装置
２…コンピュータ
１０…不具合事例ＤＢ
１１…不具合事例
１２、１３…フィールド障害レポート
２０…判定モデル
２１…抽出処理部
２２…素性生成部
２３…ランキング部
２４…ラベル付与部
２５…学習部
２６…判別部
２７…出力部
１０１…ＣＰＵ
１０２…入力装置
１０３…モニタ
１０４…スピーカ
１０５…媒体読取装置
１０６…インタフェース装置
１０７…通信装置
１０８…ＲＡＭ
１０９…ハードディスク装置
１１０…バス
１１１…プログラム
１１２…各種データ

Claims (5)

1. コンピュータに、特定の対象に関する事象についての、現象と原因と、前記対象に関する複数の項目とを含む文書の判別を行うモデルの学習をさせる学習プログラムであって、
   学習対象となる前記特定の対象の複数の第１の文書について、現象および原因が共通である複数の前記第１の文書それぞれに対し、当該第１の文書間で共通する項目を抽出し、
   抽出された複数の前記第１の文書に含まれる項目の、学習対象となる特定の対象の複数の第２の文書の出現頻度に基づき、前記複数の第２の文書を順序づけ、
   前記順序づけ結果に応じて、前記複数の第２の文書それぞれに対し、正例、または、負例のラベルを付与し、
   前記複数の第２の文書および前記付与されたラベルを用いて、前記モデルの学習を行う、
   処理をコンピュータに実行させることを特徴とする学習プログラム。
2. 前記抽出する処理は、前記特定の対象の複数の第１の文書に含まれる項目ごとの、出現頻度に応じた重みづけをもとに、絞り込みを行った項目の中から前記共通する項目を抽出する、
   ことを特徴とする請求項１に記載の学習プログラム。
3. 前記付与する処理は、前記順序づけによる順位が所定の順位以下である第２の文書に負例のラベルを付与する、
   ことを特徴とする請求項１または２に記載の学習プログラム。
4. コンピュータが、特定の対象に関する事象についての、現象と原因と、前記対象に関する複数の項目とを含む文書の判別を行うモデルの学習をする学習方法であって、
   学習対象となる前記特定の対象の複数の第１の文書について、現象および原因が共通である複数の前記第１の文書それぞれに対し、当該第１の文書間で共通する項目を抽出し、
   抽出された複数の前記第１の文書に含まれる項目の、学習対象となる特定の対象の複数の第２の文書の出現頻度に基づき、前記複数の第２の文書を順序づけ、
   前記順序づけ結果に応じて、前記複数の第２の文書それぞれに対し、正例、または、負例のラベルを付与し、
   前記複数の第２の文書および前記付与されたラベルを用いて、前記モデルの学習を行う、
   処理をコンピュータが実行することを特徴とする学習方法。
5. 特定の対象に関する事象についての、現象と原因と、前記対象に関する複数の項目とを含む文書の判別を行うモデルの学習をする学習装置であって、
   学習対象となる前記特定の対象の複数の第１の文書について、現象および原因が共通である複数の前記第１の文書それぞれに対し、当該第１の文書間で共通する項目を抽出する抽出処理部と、
   抽出された複数の前記第１の文書に含まれる項目の、学習対象となる特定の対象の複数の第２の文書の出現頻度に基づき、前記複数の第２の文書を順序づけるランキング部と、
   前記順序づけ結果に応じて、前記複数の第２の文書それぞれに対し、正例、または、負例のラベルを付与するラベル付与部と、
   前記複数の第２の文書および前記付与されたラベルを用いて、前記モデルの学習を行う学習部と、
   を有することを特徴とする学習装置。

Images