JP7132576B2 - セキュリティｉｄの会話文検索システム - Google Patents

Description

本発明は、セキュリティＩＤの会話文検索システムに関する。

一般に、社内インターネットにおいて、ＳＮＳやチャットから取得されたテキストデータ又は会話から取得された音声データからなる会話文のデータには、例えば顧客情報等の機密性の高いデータが含まれる。このデータの機密性を保つために、機密性の高い会話文のデータにユーザがアクセスする際には、会話文のデータに対する参照、削除又は更新等の操作を許可するアクセス権限を、ユーザ毎に管理する必要がある。機密性の高い会話文のデータに対するユーザのアクセス権限を管理する場合、ユーザ登録とパスワードによってデータのアクセス権限の管理が実現されてきた。

また、機密性の高い会話文のデータを社内インターネットで管理する場合、ファイルやテーブルといったデータを格納する論理的な規則やフォーマットが明確に決められ、ファイルやテーブルに対し、特定の条件をユーザ単位に指定することで会話文のデータへのアクセス権限を自動的に管理することを実現している（例えば、特許文献１参照）。

特許文献１では、文字列が管理テーブルに登録されたアクセス制限文字列及びこれに対応するパスワードを含まない場合、データへのアクセスを禁止する情報処理システム及び装置及びそれらの方法が開示されている。

特開平１１－２１２９１８号公報

ここで、大量の非構造化データの会話文のデータがビッグデータとして記憶されるデータレイクを用いる場合、この会話文のデータは複数の意味の言葉情報を持つ。例えば「今日は体調が悪いので帰ります」という会話文には、「体調が悪い」という「ヘルスケア」を意味する言葉情報と、「帰ります」という「出退勤」を意味する言葉情報が含まれている。この場合、従来のファイルやテーブルでは、この会話文のデータがどの様な意味を持つデータなのかを限定できないことが懸念される。このため、大量の会話文のデータに含まれる言葉情報の意味に応じて、会話文のデータへのアクセス権限を管理するためには、会話文に含まれる言葉の意味を認識し、会話文に含まれる言葉情報毎にアクセス権限を管理する必要がある。

一方、特許文献１では、会話文の言葉情報の意味を認識する方法が記載されていない。このため、特許文献１の記載技術では入力された会話文の言葉情報の意味を認識し、１つの会話文に含まれる言葉情報毎にアクセス権限を管理できない問題があった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、１つの会話文に含まれる言葉情報毎にセキュリティＩＤを自動付与する事で、データ単位でのアクセス権限の管理を可能とするセキュリティＩＤの会話文検索システムを提供することにある。

第１発明に係る会話文検索システムは、参照用言葉情報とデータ種別とからなるデータセットを学習データとして用い、入力を参照用言葉情報とし、出力をデータ種別として、機械学習により生成された前記参照用言葉情報と前記データ種別との間における連関度を有する推論モデルを用いて、会話文に含まれる２以上の言葉情報に対するデータ種別をそれぞれ推定し、推定されたデータ種別のうち、前記連関度がもっとも高いデータ種別に対応する、言葉情報へのアクセス権限に紐づくセキュリティＩＤが付与された言葉情報を記憶する記憶手段と、言葉情報とユーザに付与されたセキュリティレベルとを取得する取得手段と、言葉情報からなるエンティティ値に対して、セキュリティＩＤからなるエンティティが、１対１又は複数対１で紐づけられたエンティティテーブルを参照し、前記取得手段により取得された言葉情報に対応するエンティティを抽出する抽出手段と、前記記憶手段に記憶された言葉情報から、前記抽出手段により抽出したエンティティに対応するセキュリティＩＤが付与された言葉情報を検索する検索手段と、セキュリティＩＤと、予め各ユーザに付与されたセキュリティレベルとの関係テーブルを参照し、前記取得手段により取得したセキュリティレベルに応じて、前記ユーザに対する前記言葉情報へのアクセス権限を決定するアクセス権限管理手段とを備えることを特徴とする。

第１発明～第５発明によれば、本発明の情報処理システムは、推定されたデータ種別に対応するセキュリティＩＤを言葉情報に付与する。これによって、入力された言葉情報の意味に基づいて、個別に言葉情報へのアクセス権限を設定することでアノテーションが可能となり、データ単位でのデータアクセスの制限が可能となる。

特に、第２発明によれば、本発明の情報処理システムは、エンティティが、１対１又は複数対１で紐付けられたエンティティテーブルを記憶する。これにより、例えば言葉情報からなるエンティティ値がエンティティに紐づいていない場合、新たに言葉情報をエンティティに紐づけて記憶することが可能となるため、セキュリティＩＤが付与された言葉情報をデータ単位で検索することができる。

特に、第３発明によれば、本発明の情報処理システムは、セキュリティＩＤと、予め各ユーザに付与されたセキュリティレベルとの関係テーブルを参照し、言葉情報に付与されたセキュリティＩＤを介して、各ユーザに対する言葉情報へのアクセス権限を決定する。これによって、ユーザによって、個別に言葉情報へのアクセス権限を設定することが可能となり、ユーザごとにデータ単位でのデータアクセスの制限が可能となる。

特に、第４発明によれば、本発明の情報処理システムは、各ユーザのプロパティ情報に基づき、各ユーザにセキュリティレベルを付与する。これによって、ユーザのプロパティ情報に基づいた言葉情報への詳細なアクセス権限を設定することが可能となり、ユーザのプロパティ情報に合わせたデータ単位でのデータアクセスの制限が可能となる。

特に、第５発明によれば、本発明の情報処理システムは、第２推論モデルを用いて、画像に対するデータ種別を推定し、推定されたデータ種別に対応する、画像へのアクセス権限に紐づく１以上のセキュリティＩＤを画像に付与する。これによって、入力された画像の内容に基づいて、個別に画像へのアクセス権限を設定することが可能となり、データ単位でのデータアクセスの制限が可能となる。

第６発明によれば、本発明の会話文検索システムは、記憶された言葉情報から、抽出手段により抽出したエンティティに対応するセキュリティＩＤが付与された言葉情報を検索する。これにより、入力された言葉情報からエンティティを抽出することが可能となるため、セキュリティＩＤが付与された言葉情報をデータ単位で検索することができる。

図１は、実施の形態における情報処理システムを示す図である。 図２は、情報処理装置の構成の一例を示す模式図である。 図３は、情報処理装置の機能の一例を示す模式図である。 図４（ａ）は、第１実施形態での情報処理装置のセキュリティＩＤを付与する動作を説明するフローチャートである。図４（ｂ）は、第１実施形態での情報処理装置の言葉情報を検索する動作を説明するフローチャートである。 図５は、参照用言葉情報とデータ種別の関連性を示す図である。 図６は、参照用言葉情報とデータ種別の隠れ層を設けた場合の関連性を示す図である。 図７は、セキュリティレベルが付与されたユーザのアクセス権限を決定する一例を示す図である。 図８は、第２実施形態での情報処理装置を説明するフローチャートである。 図９は、参照用画像とデータ種別の関連性を示す図である。 図１０は、参照用画像とデータ種別の隠れ層を設けた場合の関連性を示す図である。

以下、本発明の実施形態におけるセキュリティＩＤの情報処理システムの一例について、図面を参照して説明する。

図１は、第１実施形態に係る情報処理システム１００を示す図である。情報処理装置１は、通信ネットワーク４を介してユーザ端末２と、サーバ３と、に接続されている。

情報処理装置１は、通信ネットワーク４を介して、ユーザ端末２から音声データ及びテキストデータで会話文を取得し、上述した会話文に含まれる言葉情報に、言葉情報へのアクセス権限に紐づくセキュリティＩＤの付与等の各種処理を実行するコンピュータである。

ユーザ端末２は、会話文を取得するためのアプリケーションがインストールされているスマートフォン、タブレット端末、パーソナルコンピュータ、ウェアラブル端末、携帯電話機等の端末である。

サーバ３は、例えば、ユーザ端末２が取得した会話文や、セキュリティＩＤが付与された言葉情報、会話文に紐づく付加情報等を記憶する企業内のサーバであるが、クラウドサーバやＡＳＰサーバ等でもよく、そのタイプは問わない。

通信ネットワーク４は、情報処理装置１と、ユーザ端末２と、サーバ３とを通信回線を介して接続されるインターネット網等である。通信ネットワーク４は、情報処理装置システムを一定の狭いエリア内で運用する場合には、ＬＡＮ（Local Area Network）で構成されてもよい。また、通信ネットワーク４は、いわゆる光ファイバ通信網で構成されてもよい。また、この通信ネットワーク４は、有線通信網に限定されるものではなく、無線通信網で実現されてもよい。以下、情報処理装置１の構成を詳細に説明する。

図２は、情報処理装置１の構成の一例を示す模式図である。情報処理装置１として、例えばパーソナルコンピュータ（ＰＣ）、スマートフォン、タブレット端末等の公知の電子機器が用いられる。情報処理装置１は、例えば筐体１０と、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、保存部１０４と、Ｉ／Ｆ１０５～１０７と、入力部１０８と、表示部１０９とを備える。各構成１０１～１０７は、内部バス１１０により接続される。

ＣＰＵ１０１は、情報処理装置１全体を制御する。ＲＯＭ１０２は、ＣＰＵ１０１の動作コードを格納する。ＲＡＭ１０３は、ＣＰＵ１０１の動作時に使用される作業領域である。保存部１０４は、処理用データ等の各種情報が保存される。保存部１０４として、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等が用いられる。

Ｉ／Ｆ１０５は、ユーザ端末２、サーバ３、通信ネットワーク４等との各種情報の送受信を行うためのインターフェースである。Ｉ／Ｆ１０６は、入力部１０８との各種情報の送受信を行うためのインターフェースである。Ｉ／Ｆ１０７は、表示部１０９との各種情報の送受信を行うためのインターフェースである。

入力部１０８には、キーボードが用いられるほか、例えばマイク等の収音装置が用いられてもよい。入力部１０８は、情報処理装置１を利用するユーザによって、テキストデータや音声等の各種情報が入力される。また、入力部１０８はカメラが用いられ、画像データを取得してもよい。

表示部１０９は、保存部１０４に保存された言葉情報等の各種情報等を表示する。表示部１０９は、例えばディスプレイが用いられるほか、例えばスピーカが用いられる。

なお、Ｉ／Ｆ１０５～Ｉ／Ｆ１０７は、例えば同一のものが用いられてもよく、各Ｉ／Ｆ１０５～Ｉ／Ｆ１０７は、例えばそれぞれ複数のものが用いられてもよい。また、表示部１０９は、タッチパネル式のディスプレイが用いられる場合、入力部１０８を含む構成としてもよい。

図３は、情報処理装置１の機能の一例を示す模式図である。情報処理装置１は、取得部１１と、取得部１１に接続される演算部１２と、演算部１２に接続される記憶部１３と、記憶部１３に接続される出力部１４とを備えてもよい。なお、情報処理装置１は、ＣＰＵ１０１が、ＲＡＭ１０３を作業領域として、保存部１０４等に記憶されたプログラムを実行することにより実現される。また、情報処理装置１は、人工知能により制御されてもよい。ここで、人工知能は、いかなる周知の人工知能技術に基づくものであってもよい。

取得部１１は、音声又は入力端末を介してテキストデータによって入力された会話文を取得する。取得部１１は、例えばユーザ端末２又は入力部１０８を介してユーザから入力された会話文を取得する。例えばユーザ端末２又は入力部１０８を介して、ユーザから会話文が音声により入力された場合、取得部１１は、例えば音素認識技術等の公知の音声認識技術を用いて音声から生成されたテキストデータを会話文として取得する。なお、音声認識技術は、例えば通信ネットワーク４を介して、クラウド型の音声認識技術を用いてもよい。取得部１１は、入力された会話文を演算部１２に出力する。また、取得部１１は、例えばユーザ端末２又は入力部１０８を介してユーザから入力されたユーザのプロパティ情報、及び会話文の付加情報を取得し、演算部１２に出力する。

また、取得部１１は、入力端末を介して画像を取得してもよい。取得部１１は、例えばユーザ端末２又は入力部１０８を介してユーザから入力された画像を取得する。

また、取得部１１は、記憶部１３に記憶されたセキュリティＩＤが付与された言葉情報を検索するための言葉情報を取得する。取得部１１は、取得した言葉情報を記憶部１３に出力する。

演算部１２は、取得部１１から入力された会話文に含まれる言葉情報にセキュリティＩＤを付与し、言葉情報に対するアクセス権限を決定する。演算部１２は、図３に示すように、取得部１１に接続された解析部１２０と、解析部１２０に接続されたデータ種別推定部１２１と、データ種別推定部１２１に接続されたＩＤ付与部１２２と、取得部１１に接続されたセキュリティレベル付与部１２３とを備える。

解析部１２０は、取得部１１から入力された会話文について、例えば形態素解析等の自然言語解析をすることにより、動詞や名詞、格成分等を始めとする文の個々の言葉情報を抽出する。また、解析部１２０は、取得部１１から入力された画像について、画像分析をしてもよい。解析部１２０は、抽出した言葉情報と上述した会話文と画像とをデータ種別推定部１２１に出力する。

データ種別推定部１２１は、推論モデルを用いて、解析部１２０から入力された言葉情報に対するデータ種別を推定する。また、データ種別推定部１２１は、第２推論モデルを用いて、解析部１２０から入力された画像に対するデータ種別を推定してもよい。データ種別推定部１２１は、推定したデータ種別と上述した会話文と画像とをＩＤ付与部１２２に出力する。

ＩＤ付与部１２２は、データ種別推定部１２１から入力されたデータ種別に基づき、上述した言葉情報にセキュリティＩＤを付与する。ＩＤ付与部１２２は、データ種別推定部１２１から入力されたデータ種別に基づき、上述した画像にセキュリティＩＤを付与してもよい。ＩＤ付与部１２２は、セキュリティＩＤが付与された言葉情報と言葉情報を含む会話文と画像とを記憶部１３に出力する。

セキュリティレベル付与部１２３は、取得部１１から取得されたユーザのプロパティ情報に基づいて、各ユーザにセキュリティレベルを付与する。セキュリティレベル付与部１２３は、セキュリティレベルが付与されたユーザの情報を記憶部１３に出力する。

記憶部１３は、演算部１２から入力されたセキュリティＩＤが付与された言葉情報と言葉情報を含む会話文とユーザに付与されたセキュリティレベルと、セキュリティＩＤと各ユーザに付与されたセキュリティレベルとの関係テーブル等を保存する。また、記憶部１３は、記憶された関係テーブルを参照し、言葉情報に付与されたセキュリティＩＤを介して、各ユーザに対する各種情報へのアクセス権限を決定するアクセス権限管理手段を備えてもよい。

また、記憶部１３は、セキュリティＩＤからなるエンティティに言葉情報を紐づけたエンティティテーブルを記憶する。記憶部１３は、エンティティテーブルを参照し、取得部１１により出力された言葉情報に対応するエンティティを抽出する。記憶部１３は、記憶したセキュリティＩＤが付与された言葉情報から、抽出したエンティティに対応するセキュリティＩＤが付与された言葉情報を検索する。記憶部１３は、検索した言葉情報又は検索した言葉情報が含まれる会話文を出力部１４に出力する。

出力部１４は、記憶部１３により出力された会話文、言葉情報、画像の情報を出力する。出力部１４は、表示部１０９又はユーザ端末２等を介して、ユーザが認識できるように情報を表示する。出力部１４は、Ｉ／Ｆ１０５を介してユーザ端末２等に表示用データ等を出力し、Ｉ／Ｆ１０７を介して表示部１０９に表示用データ等を出力する。

〈第１実施形態〉
次に、本発明を適用した第１実施形態における情報処理装置１のセキュリティＩＤが付与された言葉情報を記憶する動作について説明をする。図４（ａ）に示すようにステップＳ１１において会話文を取得する。会話文は、人が会話する文であり、自然言語による文といってもよい。会話文の取得は、例えば、音声での取得であるが、テキストデータでの取得でもよい。音声は、人が発した声である。テキストデータは、人が発した声を音声認識した文字列である。文字列は、１または２以上の文字の配列で構成される。具体的には、音声データとして取得部１１において会話文が取得した場合には、これを例えば音素認識技術等の公知の音声認識技術を用いテキストデータを生成する。

また、電子データ化されたテキストデータを取得部１１において取得した場合には、これをそのまま利用することになる。電子データ化されたテキストデータは、例えばメール文や社内又は社外において活用している情報掲示板や各種サイトの書き込みをそのまま取り込むようにしてもよい。また、例えば通信ネットワーク４を介して、クラウドサーバ等に保存されているいわゆるビッグデータから会話文を取得してもよい。また、例えば通信ネットワーク４を介して、非構造化データの会話文データが蓄積されたデータレイクから会話文を取得してもよい。

取得部１１は、ユーザの入力するタイミング毎にテキストデータを取得するほか、例えば一定期間に蓄積された複数のテキストデータを一度に取得してもよい。なお、ユーザ端末２又は入力部１０８を介して入力された非テキスト形式のデータから、テキストデータを生成する方法は、公知技術を用いることができる。このようにして取得されたテキストデータは、記憶部１３において一時的に記憶される。

また、取得部１１は、上述した会話文又は会話文に含まれる言葉情報に紐づいた画像を取得してもよい。取得した画像は会話文又は言葉情報とともに、記憶部１３において記憶される。

次にステップＳ１２に移行し、Ｓ１１において取得され、記憶部１３において一時的に記憶されているテキストデータとしての会話文を読み出し、これを自然言語解析として例えば形態素解析する。この形態素解析は、主として解析部１２０が行う。形態素解析技術は周知のいかなる形態素解析技術を利用するようにしてもよい。形態素解析をされた会話文の言葉情報は、データ種別推定部１２１に出力される。また、解析部１２０が行う自然言語解析の他の例として、構文解析、同義語抽出、スパン抽出、含意認識等を行ってもよい。

構文解析は、係り受け解析と呼ばれ、所定の構造的制約を満たす中で、言葉情報及び文節間の係り受け関係としての自然さを計算し、言葉情報及び文節間の係り受け関係を決定する解析方法である。

同義語抽出は、処理対象のテキスト情報を入力し、表記が異なるが同一の意味を持つ同義語のペアを抽出する解析方法である。同義語は、例えばＩＴ関連、機械関連、料理関連など特定のドメイン（分野）ごとに抽出して記憶しておいてもよい。

スパン抽出は、学習データから学習したモデルを利用し、入力された文章から重要部分を自動的に切り出して抽出する解析方法である。スパン抽出の代表的な手法としては、ＣＲＦ（Conditional Random Field:条件付き確率場）がある。例えば、学習データとして、「家族と旅行でハワイに行きます」、「来月は旅行でアメリカに行く」、「行先はニューヨークです」の３つが入力された場合を説明する。この場合、学習データを学習することで、「旅行」＋「で」の後と、「に」＋「行く」の前の間にある言葉情報が行先の可能性が高いことが分かる。この結果、未知のデータとして「旅行でイタリアに行きます」と入力されたとき、行先として「イタリア」を抽出することができる。また、「含意認識」とは、２つの文章について、一方の文章が他方の文章が表す意味を含むか否かを判定する解析方法である。

このステップＳ１２における形態素解析の結果、会話文に含まれる言葉情報が抽出される。言葉情報は、例えば単語等の言葉の意味及び種別を特定し得る情報である。単語は、通常、自立語である。自立語とは、単独でも文節を構成し得る語であり、例えば、名詞であるが、動詞、形容詞等でもよい。ただし、対応付く単語は、付属語でもよい。付属語とは、単独では文節を構成し得ず、他の自立語を伴って文節を構成する語であり、例えば、助動詞、助詞等である。つまり、対応付く単語は、通常、自立語であるが、付属語を伴った自立語であってもよい。

また、単語は、例えば、連語でもよい。連語とは、２以上の自立語が結び付いて一定の意味を表す語であり、複合語といってもよい。連語は、例えば、“残業”と“時間”が結合した“残業時間”や、“Ａ”と“案件”が結合した“Ａ案件”等であるが、“中村一郎”といった氏と名の組でもよく、２以上の語の組であれば何でもよい。ステップＳ１２で抽出された形態素解析をされた会話文の単語は、データ種別推定部１２１に出力される。

また、単語は、例えば、格成分でもよい。格成分は、動詞、形容詞又は形容動詞による文の形成に必要とされる名詞句である。格成分における格とは、動詞、形容詞又は形容動詞が自らの帯びている語彙的意味に応じて、文の形成に必要な名詞または名詞句の組み合わせを選択的に要求する働きであり、いわゆる格支配という。この格成分の理論的根拠となる格文法は、会話文が、実体を表す深層格（対象格・条件格・道具格・始点格・終点格・時間格など）とこれらと結びついた一つの動詞からなるものとして会話文を分析する理論である。そして、動詞、形容詞又は形容動詞により文の深層格として要求された名詞（句）が、動詞、形容詞又は形容動詞による命題実現を補足する上で必要な格成分ということができる。格成分とは、単なる名詞句ではなく、動詞、形容詞又は形容動詞が自らの命題の実現するために係り受けた名詞句である。言い換えれば、格成分は、動詞、形容詞又は形容動詞に係り受けする名詞（名詞句を含む）のうち、会話文の意味を規定する動詞、形容詞又は形容動詞による命題を実現するための条件となり得る要素である。

ここでいう対象格は、会話文の意味を規定する動詞、形容詞又は形容動詞による命題の実行対象を意味する。「ファイルＡを転送した」という会話文の場合、「転送した」という動詞に対して「ファイルＡ」が対象格として係り受けすることになる。また終点格とは、対象格で規定される実行対象が反映される場所、実行対象による恩恵を受ける先、実行対象が送られる先を規定するものである。「ファイルＡを山田太郎に送った」という文言の場合、「送った」という動詞に対して、「ファイルＡ」が対象格として係り受けし、更にこれが山田太郎を終点として送るものであるから、この終点格は「山田太郎」となる。

次にステップＳ１３に移行し、データ種別推定部１２１は、推論モデルを用いて、解析部１２０から入力された言葉情報に対するデータ種別を推定する。データ種別とは、会話文に含まれる言葉情報の意味情報又は種別或いは画像の種別に対応付いているメタデータの名称である。ここでいうメタデータとは、言葉情報に対して、決められた属性についてその属性値を書き表したものである。また、データ種別は、意味情報であってよい。データ種別として、例えば出退勤データ、ヘルスケアデータ、人物データ、時系列データ等がある。意味情報は、意味に基づく情報であり、例えば言葉情報に含まれる単語の意味の情報であり、意味から推測される情報であってもよい。意味情報は、例えば、「消防車」という言葉情報から、「赤い車」という推定される情報であってもよい。また、会話文として、例えば「今日は雨が降っているので、人出が多く、傘が売れるでしょう」という会話文を取得し、ステップＳ１２において、「今日は」と、「雨が降っているので」と「人出が多く」と「傘が売れるでしょう」という言葉情報が抽出された場合、「雨が降っているので」の意味情報として、「気象情報」を推定し、「人出が多く」から「人員増加」を推測し、「傘が売れるでしょう」から「売上傾向」を推測してもよい。

データ種別推定部１２１は、先ずステップＳ１２において自然言語解析した言葉情報について、推論モデルを用いて、言葉情報に対するデータ種別を推定する。

推論モデルとは、予め取得された参照用言葉情報とデータ種別とからなるデータセットを学習データとして用い、入力を参照用言葉情報とし、出力をデータ種別として、機械学習により生成された学習済みモデルである。例えば、会話文として「今日は体調が悪いので帰ります」という会話文が入力された場合、「今日は・体調が・悪いので・帰ります」と、解析部１２０に形態素解析されたとすると、データ種別推定部１２１は推論モデルを用いて、「今日は」に時系列データを、「体調が」にヘルスケアデータを、「帰ります」に出退勤データを、それぞれ推定する。

推論モデルの生成方法として、例えばニューラルネットワークをモデルとした機械学習を用いて、推論モデルを生成してもよい。推論モデルは、例えばＣＮＮ（Convolution Neural Network） 等のニューラルネットワークをモデルとした機械学習を用いて生成されるほか、任意のモデルが用いられてもよい。

推論モデルには、例えば図５のように、参照用言葉情報とデータ種別との間における連関度を有する連関性が記憶される。連関度は、参照用言葉情報とデータ種別との繋がりの度合いを示しており、例えば連関度が高いほど各データの繋がりが強いと判断することができる。連関度は、例えば百分率等の３値以上又は３段階以上で示されるほか、２値又は２段階で示されてもよい。

例えば連関性は、複数の参照用言葉情報、対、複数のデータ種別の間における繋がりの度合いにより構築される。連関性は、機械学習の過程で適宜更新され、例えば複数の参照用言葉情報、及び複数のデータ種別に基づいて最適化された関数を用いた分類器を示す。なお、連関性は、例えば各データの間における繋がりの度合いを示す複数の連関度を有してもよい。連関度は、例えばデータベースがニューラルネットワークで構築される場合、重み変数に対応させることができる。連関性は、例えば図５に示すように、複数の参照用言葉情報と、複数のデータ種別との間における繋がりの度合いを示してもよい。この場合、連関性を用いることで、図５の「参照用言葉情報Ａ」～「参照用言葉情報Ｃ」のそれぞれの参照用言葉情報に対し、「データ種別Ａ」～「データ種別Ｃ」の複数のデータ種別との関係の度合いを紐づけて記憶させることができる。このため、例えば連関性を介して、１つのデータ種別に対して、複数の参照用言葉情報を紐づけることができる。これにより、言葉情報に対して多角的なデータ種別の選択を実現することができる。

連関性は、例えば各データ種別と、各言葉情報とをそれぞれ紐づける複数の連関度を有する。連関度は、例えば百分率、１０段階、又は５段階等の３段階以上で示され、例えば線の特徴（例えば太さ等）で示される。例えば、言葉情報に含まれる「言葉情報Ａ」は、データ種別に含まれる「データ種別Ａ」との間の連関度ＡＡ「７３％」を示し、言葉情報に含まれる「言葉情報Ｂ」との間の連関度ＡＢ「１２％」を示す。すなわち、「連関度」は、各データ間における繋がりの度合いを示しており、例えば連関度が高いほど、各データの繋がりが強いことを示す。例えば、「出勤」という言葉情報と出退勤データというデータ種別との関連度が「９２％」であり、「出勤」という言葉情報と、ヘルスケアデータというデータ種別との関連度が「５％」である場合、「出勤」とヘルスケアデータとの繋がりよりも「出勤」と出退勤データとの繋がりが強いことを示す。

このような図５に示す３段階以上の連関度を予め取得しておく。つまり実際の推定解の判別を行う上で、言葉情報と、データ種別の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

例えば、過去において「出社」という言葉情報に対して、データ種別として出退勤データが最も適合性が高いと判断され、評価されたものとする。このようなデータセットを集めて分析することにより、参照用言葉情報とデータ種別との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば入力された言葉情報が「退社」である場合に、過去のデータセットに基づいて、出退勤データのデータ種別が推定される事例が多い場合には、この「退社」と出退勤データとにつながる連関度をより高く設定する。

また、この連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

また、推論モデルは、図６に示すように、入力データとして参照用言葉情報が入力され、出力データとしてデータ種別が出力され、入力データと出力データとの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力データ又は隠れ層データの何れか一方又は両方において上述した連関度が設定され、これが各データの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに言葉情報からデータ種別の推定を行うこととなる。かかる場合には、ステップＳ１２において抽出した言葉情報を新たに取得する。新たに取得した言葉情報に基づいて、これに見合うデータ種別を推定する。推定の際には、例えば予め取得した図５に示す連関度を参照する。例えば、新たに取得した言葉情報が「参照用言葉情報Ａ」と同一かこれに類似するものである場合には、連関度を介して「データ種別Ａ」との間の連関度ＡＡ「７３％」、「データ種別Ｂ」との間の連関度ＡＢ「１２％」で関連付けられている。この場合には、連関度の最も高い「データ種別Ａ」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「データ種別Ｂ」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このような連関度を参照することにより、言葉情報が、データ種別と同一又は類似である場合のほか、非類似である場合においても、言葉情報に適したデータ種別を定量的に選択することができるため、会話文から抽出した言葉情報がいかなるデータ種別に該当するものであるのかを精度良く判別することができる。

また、データ種別推定部１２１は、データ種別を推定した言葉情報又は言葉情報を含める会話文を、保存部１０４に出力してもよい。この場合、データ種別推定部１２１から言葉情報を出力された保存部１０４は、上述した言葉情報の、データ種別推定部１２１で推定したデータ種別に応じて、言葉情報を分類し、保存してもよい。例えば、「今日は体調が悪いので、帰ります」という会話文が、データ種別推定部１２１により、推論モデルを用いて、「今日は」に日付データを、「体調が」にヘルスケアデータを、「帰ります」に出退勤データを、それぞれ推定した場合、保存部１０４は、ヘルスケアデータベース又は、出退勤データベースに上述した言葉情報又は言葉情報を含める会話文を保存してもよい。これによって、保存部１０４は、データ種別に応じて、言葉情報又は言葉情報を含める会話文を分類し、保存することが可能となる。保存部１０４は、必要に応じて、保存した言葉情報をＩＤ付与部１２２に出力し、後述するステップＳ１４において、言葉情報又はセキュリティＩＤを付与してもよい。これによって、データ種別に応じて、まとめてセキュリティＩＤを付与することが可能となり、セキュリティＩＤの付与の処理効率が向上する。

次にステップＳ１４へ移行し、ＩＤ付与部１２２は、ステップＳ１３で推定されたデータ種別に対応する、言葉情報へのアクセス権限に紐づく１以上のセキュリティＩＤを言葉情報に付与する。セキュリティＩＤとは、言葉情報の意味を識別するために付与され、ユーザが言葉情報、言葉情報を含む会話文、又は言葉情報に紐づく画像に対するデータ操作を許可するデータの範囲を示し、各種情報へのアクセス権限を定義するためのメタデータである。これによって一つの言葉情報に対して、それぞれ自動的にアクセス権限を決定できるため、データ単位でのデータアクセスの制限が可能となる。また、セキュリティＩＤは、例えば、「出退勤」、「ヘルスケア」、「業務内容」等が挙げられる。例えば「出退勤」のセキュリティＩＤとは、言葉情報に出退勤データのデータ種別が推定された場合に、上述した言葉情報に付与される。「出退勤」のセキュリティＩＤが付与された言葉情報は、この言葉情報及びこの言葉情報を含む会話文の意味が出退勤に関する意味であることを示し、言葉情報及び言葉情報を含む会話文へのアクセス権限を定義する。また、言葉情報にセキュリティＩＤを付与することによって、言葉情報又は会話文に紐づく画像へのアクセス権限を管理することができる。

ＩＤ付与部１２２は、ステップＳ１３で、例えば、「今日は体調が悪いので帰ります」という会話文が、「今日は」に日付データを、「体調が」にヘルスケアデータを、「帰ります」に出退勤データのように、それぞれの言葉情報に対するデータ種別が推定された場合、ヘルスケアデータのデータ種別に基づいて「ヘルスケア」のセキュリティＩＤを付与し、出退勤データのデータ種別に基づいて「出退勤」のセキュリティＩＤを付与してもよい。これによって、複数種類のセキュリティＩＤが付与された「今日は体調が悪いので帰ります」という会話文へのアクセス権限を管理することができる。また、言葉情報毎に言葉情報へのアクセス権限に紐づくセキュリティＩＤを付与してもよい。これによって、入力された会話文に含まれる言葉情報に応じて、個別に言葉情報へのアクセス権限を設定することが可能となり、データ単位でのデータアクセスの制限が可能となる。ＩＤ付与部１２２は、セキュリティＩＤを付与した言葉情報及び言葉情報含む会話文を、記憶部１３に保存してもよい。

ＩＤ付与部１２２は、例えば一つの会話文に二種類以上のデータ種別を含める言葉情報が含まれていた場合、ステップＳ１３で、推論モデルを用いて、言葉情報に対するデータ種別を推定した際の言葉情報とデータ種別との関連度がもっとも高い言葉情報に対するデータ種別に基づいて、セキュリティＩＤを付与してもよい。これによって、会話文の中で、もっとも関連度のある言葉情報のデータ種別に応じて、セキュリティＩＤを付与することが可能となり、より言葉情報のデータ種別に応じたデータアクセスの制限が実現できる。

ＩＤ付与部１２２は、例えば一つの会話文に二種類以上のデータ種別を含める言葉情報が含まれていた場合、上述したデータ種別の種類ごとに会話文を複数の会話文に分解し、分解した会話文に含まれる言葉情報のデータ種別に基づいて、それぞれセキュリティＩＤを付与してもよい。この場合、用いられる言葉情報としては、格成分が好ましい。例えば、「今日は体調が悪いので帰ります」という会話文が入力され、ステップＳ１２で「体調が悪い」と「帰ります」という格成分が抽出され、「体調が悪い」にヘルスケアデータを、「帰ります」に出退勤データのように、それぞれの格成分に対するデータ種別が推定された場合、それぞれの格成分に基づいて、「体調が悪い」という会話文と「帰ります」という会話文とにそれぞれ分解してもよい。また、この場合、「体調が悪い」という会話文に含まれる言葉情報に「ヘルスケア」のセキュリティＩＤと、「帰ります」という会話文に含まれる言葉情報に「出退勤」のセキュリティＩＤとをそれぞれ付与してもよい。これによって、会話文に含まれるデータ種別の種類に応じて、会話文を分解し、それぞれの会話文に含まれる言葉情報のデータ種別に応じて、言葉情報へのアクセス権限を管理することができる。

ＩＤ付与部１２２は、言葉情報に付与されたセキュリティＩＤの種類に応じて、言葉情報にパスコードを付与してもよい。パスコードは、ユーザが予め設定された条件を満たした場合、ユーザに予め設定されたアクセス権限を与える機能である。条件として、例えば予め設定された特定のパスコードが入力されたとき、ユーザが予め設定された特定のプロパティ情報を有するとき、ユーザに後述する特定のセキュリティレベルが付与されているとき等が設定されてもよい。これによって、セキュリティＩＤの種類に応じたアクセスの制限が可能となり、言葉情報のデータ種別に基づいたデータ単位でのデータアクセスの制限が実現できる。

アクセス権限とは、システムを利用するユーザやユーザのグループに対して設定されるデータを操作する権限のことである。データの操作には、例えば、データの閲覧、データの削除、データの更新等が挙げられる。

また、ＩＤ付与部１２２は、「日付データ」のデータ種別が推定された言葉情報を時系列情報として扱ってもよい。時系列情報とは、時系列データを時系列に変換するための情報である。時系列データは、例えば、「１０時」、「先月」、「昨日」、「先週」、「今年」、「今月」、「昨年」、「前期」、「今年度」等であるが、時系列に変換し得る情報であれば何でもよい。

時系列情報は、時系列データと、日情報取得情報とを有する。日情報取得情報とは、日情報を取得するための情報である。日情報とは、時系列データに対応する日に関する情報であり、問合情報を構成する際に使用する情報である。日情報は、例えば、“４月１日”等の日付を示す情報でもよいし、“４／１～４／３０”等の開始日付から終了日付までの期間を示す情報でもよく、これらに限定されるものではない。日情報取得情報は、例えば、関数名、またはメソッド名であるが、ＡＰＩ情報でもよいし、プログラム自体でもよく、またこれらに限定されるものではない。

具体的には、時系列データ「先月」に対する日情報取得情報は、例えば、現在時刻情報（例えば“２０１９年５月１０日１１時１５分”：以下同様）を取得し、当該現在時刻情報が有する月（例えば“５月”）に対して前の月（例えば“４月”）を取得し、当該前の月のカレンダー情報を参照して、当該前の月の初日から末日までの日情報（例えば“４／１～４／３０”等）を取得するプログラム情報等でもよい。

また、時系列データ「今年」に対する日情報取得情報は、例えば、現在時刻情報を取得し、当該現在時刻情報が有する年（例えば“２０１９年”）のカレンダー情報を参照して、当該年の初日から、当該現在時刻情報が有する日までの日情報（例えば、“２０１９／１／１～２０１９／５／１０”）を取得するＡＰＩ情報等でもよい。

さらに、時系列データ「昨日」に対する日情報取得情報は、現在時刻情報を取得し、当該現在時刻情報が有する日の前の日の日情報（例えば、“５／９”）を取得するメソッド、またはそのメソッド名等でもよい。

ＩＤ付与部１２２は、時系列情報を、会話文の付加情報として記憶部１３に保存してもよい。これによって、入力された会話文に対して、会話が行われた日時を自動的に取得することが可能となる。

また、ＩＤ付与部１２２は、会話文に対する付加情報に基づいて、会話文に含まれる言葉情報にセキュリティＩＤを付与してもよい。付加情報とは、例えば、会話文を取得した時系列情報、会話文の発言者、発言者のプロパティ情報、会話文の発言場所等である。付加情報は会話文又は言葉情報に紐付けて、記憶部１３に記憶してもよい。ＩＤ付与部１２２は、例えば、会話文の発言者のプロパティ情報として、発言者の所属がＡ社であるという付加情報が入力された場合、上述した会話文に「Ａ社」のセキュリティＩＤを付与してもよい。また、ＩＤ付与部１２２は、取り扱うデータが増えるたびに、セキュリティＩＤを定義してもよい。

次に、ステップＳ１５に移行し、記憶部１３は、ステップＳ１３により推論された言葉情報に対して、ステップＳ１４により付与されたセキュリティＩＤからなるエンティティが、１対１又は複数対１で紐づけられたエンティティテーブルを記憶する。

エンティティテーブルは、表１に示すように、例えば、１以上の各エンティティに対応付けて、１または２以上のエンティティ値が格納されるテーブルである。エンティティとは、１または２以上の各セキュリティＩＤである。エンティティ値は、言葉情報である。また、エンティティ値は、エンティティを具体化した言葉情報であってもよい。エンティティテーブルは、エンティティとエンティティ値が互いに一対一、又は一対複数で紐付けられている。具体的には、例えば、エンティティとして「出退勤」に紐付けて、「出社」、「退社」等がエンティティ値として記憶されていてもよい。このため、このエンティティテーブルを介して、エンティティ値からこれに関連するエンティティを導出することができ、またエンティティからエンティティ値を導出することも可能となる。また、テーブルは、例えば、リレーショナルデータベースのテーブル、ＴＳＶ、エクセル、ＣＳＶ等であるが、その種類はこれらに限定されるものではない。

また、エンティティテーブルには、エンティティに対して、１または２以上の関連性のある言葉情報がエンティティ値として記憶されてもよい。関連性のある言葉情報は、例えば類義語であってもよい。また、関連性のある言葉情報は、例えば略語であってもよい。略語とは、言葉情報の一部で構成される語である。例えば「三田駅」の略語として「三田」、「大阪府」の略として「大阪」などがある。また、関連性は、エンティティとエンティティ値との間における連関度を有する連関性であってもよい。

記憶部１３は、このエンティティテーブルを介して、新たに取得した言葉情報をエンティティ値としてエンティティと紐づけて記憶することができる。仮にエンティティが「出退勤」である場合において、新たに取得した言葉情報が「遅刻」である場合、「出退勤」のエンティティに「遅刻」のエンティティ値を紐づけて記録することが可能となる。これにより、例えば言葉情報がエンティティに紐づいていない場合、新たに言葉情報をエンティティに紐づけて記憶することが可能となるため、セキュリティＩＤが付与された言葉情報をデータ単位で検索することができる。

次にステップＳ１６に移行し、セキュリティレベル付与部１２３は、各ユーザのプロパティ情報に基づき、各ユーザにセキュリティレベルを付与する。セキュリティレベルとは、セキュリティＩＤが付与された言葉情報に対して、アクセス権限を制限するための情報である。プロパティ情報とはプロパティの情報であり、プロパティとは、職種、年齢、担当業務、所属グループ、性別等の性質である。例えば、ユーザの担当業務が社員の体調管理に関する業務であった場合、「ヘルスケア」のセキュリティＩＤが付与された言葉情報に対して、比較的に制限の緩いアクセス権限が決定されるセキュリティレベルがユーザに付与される。セキュリティレベル付与部１２３は、ユーザに付与されたセキュリティレベルを記憶部１３に出力する。

次にステップＳ１７に移行し、記憶部１３はセキュリティＩＤと、各ユーザに付与されたセキュリティレベルとの関係テーブルを参照し、言葉情報に付与されたセキュリティＩＤを介して、各ユーザに対する言葉情報へのアクセス権限を決定する。

表２は、セキュリティＩＤと、各ユーザに付与されたセキュリティレベルとの関係テーブルの例である。記憶部１３は、例えば、図７のようにユーザから言葉情報へのアクセスが行われた場合、関係テーブルを参照し、言葉情報に付与されたセキュリティＩＤを介して、ユーザに対する言葉情報へのアクセス権限を決定する。例えばセキュリティレベルとしてレベル３が与えられたユーザＢが、出退勤のセキュリティＩＤが付与された言葉情報へアクセスする際、関係テーブルを参照し、ユーザＢは言葉情報の参照が可能となる。これによって、ユーザのプロパティ情報に基づいた言葉情報への詳細なアクセス権限を設定することが可能となり、ユーザのプロパティ情報に合わせたデータ単位でのデータアクセスの制限が可能となる。

関係テーブルは、セキュリティレベルとセキュリティＩＤの組み合わせを、想定するユーザに応じて定義してもよい。また、関係テーブルは、セキュリティＩＤの種類ごとに、セキュリティレベルが付与されたユーザへのアクセス権限を定義してもよい。また、関係テーブルは、ステップＳ１６によってユーザに付与されたセキュリティレベルではなく、予めユーザに付与されたセキュリティレベルとセキュリティＩＤとの関係テーブルであってもよい。また、記憶部１３に記憶された各種情報は、演算部１２による制御に基づき読み出され、更新される場合もある。

上述した各ステップを行うことにより、情報処理装置１は、セキュリティＩＤが付与された言葉情報及び言葉情報を含む会話文を記憶する動作を終了する。

次に本発明を適用した第１実施形態における情報処理装置１の上述したステップＳ１１～ステップＳ１７により予め記憶された言葉情報を検索する動作について説明をする。

まず、図４（ｂ）に示すようにステップＳ１０１において言葉情報を取得する。かかる場合、取得部１１は、ステップＳ１１と同様に、音声、又はテキストデータで言葉情報を取得する。取得部１１は、取得した言葉情報を記憶部１３に出力する。

次に、ステップＳ１０２において、記憶部１３は、エンティティテーブルを参照し、取得部１１により取得された言葉情報に対応するエンティティを抽出する。かかる場合、取得部１１により取得された言葉情報が「出社」であったとすると、表１のエンティティテーブルを参照し、「出社」のエンティティ値に紐づく「出退勤」のエンティティを抽出する。

次に、ステップＳ１０３において、記憶部１３は、記憶された言葉情報をから、抽出したエンティティに対応するセキュリティＩＤが付与された言葉情報又は当該言葉情報を含む会話文を検索する。かかる場合、記憶部１３は、例えば抽出したエンティティが「出退勤」であるとすると、「出退勤」のセキュリティＩＤが付与された言葉情報及び当該言葉情報を含む会話文を検索する。これにより、入力された言葉情報からエンティティを抽出することが可能となるため、セキュリティＩＤが付与された言葉情報をデータ単位で検索することができる。

記憶部１３は、ユーザが記憶部１３に保存された言葉情報及び当該言葉情報を含む会話文へアクセスを求めた際、ステップＳ１０３で検索された言葉情報を、ユーザに対する言葉情報へのアクセス権限に基づいて、言葉情報及び当該言葉情報を含む会話文を出力部１４に出力する。出力部１４は、表示部１０９又はユーザ端末２等を介して、ユーザが認識できるように言葉情報を表示する。また、表示部１０９は、言葉情報の音声データをスピーカなどの音声再生装置を用いて、音声で出力してもよい。また、記憶部１３は、ユーザにセキュリティレベルが付与されていない場合、ＩＤ付与部１２２で言葉情報に付与されたパスコードに基づいて、言葉情報を出力部１４に出力してもよい。

また、ユーザに付与されたセキュリティレベルに応じて、ユーザに設定されたアクセスが可能な言葉情報、言葉情報を含む会話文及び画像をユーザからの検索等の受付を行うことなく、表示部１０９に出力してもよい。これによって、ユーザのプロパティに応じて、ユーザに関連する言葉情報を自動的に表示することが可能となる。

また入力部１０８は、ユーザに対する言葉情報へのアクセス権限に基づいて、ステップＳ１０３で検索された言葉情報に対する削除又は更新等のデータの操作を受け付けてもよい。また、この言葉情報に対する削除又は更新等のデータの操作は、ユーザ端末２等を介して、行われてもよい。

〈第２実施形態〉
次に、本発明を適用した第２実施形態における情報処理装置１の画像にセキュリティＩＤを付与する動作について説明をする。第２実施形態は、取得した画像に対してデータ種別を推定し、画像に対してセキュリティＩＤを付与する点で、第１実施形態と異なる。第１実施形態と同一なものは説明を省略する。図８に示すようにステップＳ２１において会話文と画像を取得する。

次にステップＳ２２に移行し、Ｓ１１において取得された画像を読み出し、これを画像解析する。この画像解析は、主として解析部１２０が行う。画像解析は周知のいかなる技術を利用するようにしてもよい。解析部１２０は、画像を、例えばディープラーニング技術を利用した、解析画像の特徴量を２次元画像上に反映させた複数の画素の集合体であるブロック領域単位に分類し、解析を行ってもよい。

次にステップＳ２３に移行し、データ種別推定部１２１は、第２推論モデルを用いて、解析部１２０から入力された画像に対するデータ種別を推定する。

第２推論モデルとは、予め取得された参照用画像とデータ種別とからなるデータセットを学習データとして用い、入力を参照用画像とし、出力をデータ種別として、機械学習により生成された学習済みモデルである。例えば、病院の画像であれば、画像にヘルスケアデータを推定する。

第２推論モデルの生成方法として、例えばニューラルネットワークをモデルとした機械学習を用いて、第２推論モデルを生成してもよい。第２推論モデルは、例えばＣＮＮ（Convolution Neural Network） 等のニューラルネットワークをモデルとした機械学習を用いて生成されるほか、任意のモデルが用いられてもよい。

第２推論モデルには、例えば図９のように、参照用画像とデータ種別との間における連関度を有する連関性が記憶される。連関度は、参照用画像とデータ種別との繋がりの度合いを示しており、例えば連関度が高いほど各データの繋がりが強いと判断することができる。連関度は、例えば百分率等の３値以上又は３段階以上で示されるほか、２値又は２段階で示されてもよい。

例えば連関性は、複数の参照用画像、対、複数のデータ種別の間における繋がりの度合いにより構築される。連関性は、機械学習の過程で適宜更新され、例えば複数の参照用画像、及び複数のデータ種別に基づいて最適化された関数を用いた分類器を示す。なお、連関性は、例えば各データの間における繋がりの度合いを示す複数の連関度を有してもよい。連関度は、例えばデータベースがニューラルネットワークで構築される場合、重み変数に対応させることができる。連関性は、例えば図９に示すように、複数の参照用画像と、複数のデータ種別との間における繋がりの度合いを示してもよい。この場合、連関性を用いることで、図９の「参照用画像Ａ」～「参照用画像Ｃ」のそれぞれの参照用画像に対し、「データ種別Ａ」～「データ種別Ｃ」の複数のデータ種別との関係の度合いを紐づけて記憶させることができる。このため、例えば連関性を介して、１つのデータ種別に対して、複数の参照用画像を紐づけることができる。これにより、画像に対して多角的なデータ種別の選択を実現することができる。

連関性は、例えば各データ種別と、各画像とをそれぞれ紐づける複数の連関度を有する。連関度は、例えば百分率、１０段階、又は５段階等の３段階以上で示され、例えば線の特徴（例えば太さ等）で示される。例えば、画像に含まれる「画像Ａ」は、データ種別に含まれる「データ種別Ａ」との間の連関度ＡＡ「７３％」を示し、画像に含まれる「画像Ｂ」との間の連関度ＡＢ「１２％」を示す。すなわち、「連関度」は、各データ間における繋がりの度合いを示しており、例えば連関度が高いほど、各データの繋がりが強いことを示す。

このような図９に示す３段階以上の連関度を予め取得しておく。つまり実際の推定解の判別を行う上で、画像と、データ種別の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図９に示す連関度を作り上げておく。

例えば、過去において、画像Ｄに対して、データ種別として出退勤データが最も適合性が高いと判断され、評価されたものとする。このようなデータセットを集めて分析することにより、参照用画像とデータ種別との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば入力された画像に、過去のデータセットに基づいて、出退勤データのデータ種別が推定される事例が多い場合には、この画像と出退勤データとにつながる連関度をより高く設定する。

また、この連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

また、第２推論モデルは、図１０に示すように、入力データとして参照用画像が入力され、出力データとしてデータ種別が出力され、入力データと出力データとの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力データ又は隠れ層データの何れか一方又は両方において上述した連関度が設定され、これが各データの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに画像からデータ種別の推定を行うこととなる。かかる場合には、ステップＳ２２において解析した画像を新たに取得する。新たに取得した画像に基づいて、これに見合うデータ種別を推定する。推定の際には、例えば予め取得した図９に示す連関度を参照する。例えば、新たに取得した画像が「参照用画像Ａ」と同一かこれに類似するものである場合には、連関度を介して「データ種別Ａ」との間の連関度ＡＡ「７３％」、「データ種別Ｂ」との間の連関度ＡＢ「１２％」で関連付けられている。この場合には、連関度の最も高い「データ種別Ａ」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「データ種別Ｂ」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このような連関度を参照することにより、画像が、データ種別と同一又は類似である場合のほか、非類似である場合においても、画像に適したデータ種別を定量的に選択することができるため、会話文から抽出した画像がいかなるデータ種別に該当するものであるのかを精度良く判別することができる。

次にステップＳ２４へ移行し、ＩＤ付与部１２２は、ステップＳ２３で推定されたデータ種別に対応する、画像へのアクセス権限に紐づく１以上のセキュリティＩＤを画像に付与する。これによって、画像へのアクセス権限を管理することができる。

本発明の実施形態を説明したが、この実施形態は例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 情報処理装置
２ ユーザ端末
３ サーバ
４ 通信ネットワーク
１０ 筐体
１１ 取得部
１２ 演算部
１３ 記憶部
１４ 出力部
１００ 情報処理システム
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 保存部
１０５～１０７ Ｉ／Ｆ
１０８ 入力部
１０９ 表示部
１１０ 内部バス
１２０ 解析部
１２１ データ種別推定部
１２２ ＩＤ付与部
１２３ セキュリティレベル付与部

Claims (1)

1. 参照用言葉情報とデータ種別とからなるデータセットを学習データとして用い、入力を参照用言葉情報とし、出力をデータ種別として、機械学習により生成された前記参照用言葉情報と前記データ種別との間における連関度を有する推論モデルを用いて、会話文に含まれる２以上の言葉情報に対するデータ種別をそれぞれ推定し、推定されたデータ種別のうち、前記連関度がもっとも高いデータ種別に対応する、言葉情報へのアクセス権限に紐づくセキュリティＩＤが付与された言葉情報を記憶する記憶手段と、
   言葉情報とユーザに付与されたセキュリティレベルとを取得する取得手段と、
   言葉情報からなるエンティティ値に対して、セキュリティＩＤからなるエンティティが、１対１又は複数対１で紐づけられたエンティティテーブルを参照し、前記取得手段により取得された言葉情報に対応するエンティティを抽出する抽出手段と、
   前記記憶手段に記憶された言葉情報から、前記抽出手段により抽出したエンティティに対応するセキュリティＩＤが付与された言葉情報を検索する検索手段と、
   セキュリティＩＤと、予め各ユーザに付与されたセキュリティレベルとの関係テーブルを参照し、前記取得手段により取得したセキュリティレベルに応じて、前記ユーザに対する前記言葉情報へのアクセス権限を決定するアクセス権限管理手段とを備えること
   を特徴とする会話文検索システム。

Images