JP7215038B2 - 情報処理装置及び情報処理プログラム - Google Patents

情報処理装置及び情報処理プログラム Download PDF

Info

Publication number
JP7215038B2
JP7215038B2 JP2018178441A JP2018178441A JP7215038B2 JP 7215038 B2 JP7215038 B2 JP 7215038B2 JP 2018178441 A JP2018178441 A JP 2018178441A JP 2018178441 A JP2018178441 A JP 2018178441A JP 7215038 B2 JP7215038 B2 JP 7215038B2
Authority
JP
Japan
Prior art keywords
selection
score
candidate
candidates
fluency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018178441A
Other languages
English (en)
Other versions
JP2020052494A (ja
Inventor
翔太郎 三沢
政寛 佐藤
友紀 谷口
智子 大熊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
Fujifilm Business Innovation Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuji Xerox Co Ltd, Fujifilm Business Innovation Corp filed Critical Fuji Xerox Co Ltd
Priority to JP2018178441A priority Critical patent/JP7215038B2/ja
Publication of JP2020052494A publication Critical patent/JP2020052494A/ja
Application granted granted Critical
Publication of JP7215038B2 publication Critical patent/JP7215038B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本開示の技術は、情報処理装置及び情報処理プログラムに関する。
従来、食品、例えば、豆腐に付与するキャッチコピーを生成する技術では、最適な表現を制約なしに作り上げる為、学習が正確に行われればより適切なものが割り当てられる。しかし、制約がない為、「豆腐が豆腐が面自い」のように文書として意味をなさない、もしくは状況に適していないものが生成されてしまうことがある。
特許文献１には、翻訳において節などの単位ごとに複数種類の候補を用意し、その中から流暢さなどを元に逆翻訳などを行いながら最適なものを選択することが開示されている。
特開2014-78132
本発明は、対象を説明する文を対象に関連付ける場合に、対象の情報を元に文を都度生成する方法のみで、対象に関連付ける文の候補を出すものと比較して、文法上誤りの少ない文を、対象に関連付ける文の候補と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する。
上記目的を達成するために、請求項１に記載の情報処理装置の発明の情報処理装置は、対象に関連付ける文の選択候補を生成する生成部と、対象に関連付ける文の選択候補を、予め作成された選択候補から抽出する抽出部と、前記生成された選択候補と前記抽出された選択候補とを含む複数の選択候補のうち、前記複数の選択候補の各々の流暢さを示す流暢さスコア及び前記複数の選択候補の各々の前記対象に関連付ける文としての妥当性を示す妥当性スコアの少なくとも一方から、選択候補を選択する選択部と、を有し、前記選択部が、前記流暢さスコアから前記選択候補を選択する場合、前記選択部は、前記流暢さスコアを算出するモデルを用いて前記流暢さスコアを算出する流暢さスコア算出部を備え、前記算出された流暢さスコアを利用し、文の生成された選択候補及び予め作成された選択候補から抽出された選択候補を用いて、前記流暢さスコアを算出するモデルから得られるスコアが、前記生成された選択候補より前記抽出された選択候補のほうが高いスコアとなるように、前記流暢さスコアを算出するモデルを学習するモデル学習部を更に備える。
請求項２に記載の情報処理装置の発明の情報処理装置は、請求項１に記載の情報処理装置において、前記妥当性スコアから前記選択候補を選択する場合、前記選択部は、前記妥当性スコアを算出するモデルを用いて前記妥当性スコアを算出する妥当性スコア算出部を備え、前記算出された妥当性スコアを利用する。
請求項３に記載の情報処理装置の発明の情報処理装置は、対象に関連付ける文の選択候補を生成する生成部と、対象に関連付ける文の選択候補を、予め作成された選択候補から抽出する抽出部と、前記生成された選択候補と前記抽出された選択候補とを含む複数の選択候補のうち、前記複数の選択候補の各々の流暢さを示す流暢さスコア及び前記複数の選択候補の各々の前記対象に関連付ける文としての妥当性を示す妥当性スコアの少なくとも一方から、選択候補を選択する選択部と、を有し、前記選択部は、前記流暢さスコア及び前記妥当性スコアから、前記選択候補を選択すると共に、前記生成された選択候補の前記流暢さスコア及び前記妥当性スコアが一定値以上の場合、前記流暢さスコア及び前記妥当性スコアが一定値以上の前記生成された選択候補を、前記選択候補として選択し、前記生成された選択候補の前記流暢さスコアが一定値以上でなければ、前記抽出された選択候補の中から前記選択候補を選択する。
請求項４に記載の情報処理装置の発明の情報処理装置は、請求項３に記載の情報処理装置において、前記選択部は、前記抽出された選択候補の中から、前記抽出された選択候補の前記流暢さスコア及び前記妥当性スコアの少なくとも一方から、前記選択候補を選択する。
請求項５に記載の情報処理装置の発明の情報処理装置は、対象に関連付ける文の選択候補を生成する生成部と、対象に関連付ける文の選択候補を、予め作成された選択候補から抽出する抽出部と、前記生成された選択候補と前記抽出された選択候補とを含む複数の選択候補のうち、前記複数の選択候補の各々の流暢さを示す流暢さスコア及び前記複数の選択候補の各々の前記対象に関連付ける文としての妥当性を示す妥当性スコアの少なくとも一方から、選択候補を選択する選択部と、を有し、前記選択部は、前記流暢さスコア及び前記妥当性スコアから、前記選択候補を選択すると共に、前記抽出された選択候補の前記妥当性スコアが一定値以上の場合、前記妥当性スコアが一定値以上の前記抽出された選択候補を、前記選択候補として選択し、前記抽出された選択候補の前記妥当性スコアが一定値以上でなければ、前記生成された選択候補の中から前記選択候補を選択する。
請求項６に記載の情報処理装置の発明の情報処理装置は、請求項５に記載の情報処理装置において、前記選択部は、前記生成された選択候補の中から、前記生成された選択候補の前記流暢さスコア及び前記妥当性スコアの少なくとも一方から、前記選択候補を選択する。
請求項７に記載の情報処理装置の発明の情報処理装置は、請求項１～請求項６の何れか１項に記載の情報処理装置において、前記選択部は、前記選択候補が決定されていない場合に、前記対象に関連付ける文に選択候補を選択する。
請求項８に記載の情報処理装置の発明の情報処理装置は、請求項３～請求項６の何れか１項に記載の情報処理装置において、前記生成部は、選択候補を生成するモデルを用いて、前記選択候補を生成し、前記生成された選択候補及び前記抽出された選択候補の少なくとも一方の前記妥当性スコアは、前記選択候補を生成するモデルにより前記選択候補を用いて計算されたスコアである。
請求項９に記載の発明の情報処理プログラムは、コンピュータを、請求項１～請求項８の何れか１項に記載の情報処理装置の各部として機能させる。
請求項１、９に記載の発明によれば、対象を説明する文を対象に関連付ける場合に、対象の情報を元に文を都度生成する方法のみで、対象に関連付ける文の候補を出すものと比較して、文法上誤りの少ない文を、対象に関連付ける文の候補とすることができる、という効果を有する。
請求項２に記載の発明によれば、最適な選択候補を更に精度よく選択することができる、という効果を有する。
請求項３に記載の発明によれば、生成された選択候補と抽出された選択候補とを利用することができる、という効果を有する。
請求項４に記載の発明によれば、最適な選択候補をより精度よく選択することができる、という効果を有する。
請求項５に記載の発明によれば、生成された選択候補と抽出された選択候補とを利用することができる、という効果を有する。
請求項６に記載の発明によれば、最適な選択候補をより精度よく選択することができる、という効果を有する。
請求項７に記載の発明によれば、選択処理を省略することができる、という効果を有する。
請求項８に記載の発明によれば、選択候補を生成するモデルを妥当性スコアを算出するモデルとしても利用することができる、という効果を有する。
最適候補選択装置１０のブロック図である。 記憶装置３６の記憶領域４０の記憶内容を示す図である ＣＰＵ２２のブロック図である。 最適候補選択処理のフローチャートが示されている。 流暢さスコア算出モデル４８の学習処理のフローチャートである。 流暢さスコア算出モデル４８の他の学習処理のフローチャートである。 モデル学習処理のフローチャートである。 モデル学習処理の変形例のフローチャートである。 第２の実施の形態の最適候補選択処理のフローチャートである。 第３の実施の形態の最適候補選択処理のフローチャートである。 第４の実施の形態記憶装置３６の記憶領域４０の内容を示す図である。 第４の実施の形態の最適候補選択処理のフローチャートが示されている。 第５の実施の形態の最適候補選択処理のフローチャートである。 第６の実施の形態の最適候補選択処理のフローチャートである。
以下、図面を参照して本発明の実施の形態を詳細に説明する。
[第１の実施の形態]
以下、本発明の第１の実施の形態に係る最適候補選択装置について図面を参照して説明する。
図１には、最適候補選択装置１０のブロック図が示されている。最適候補選択装置１０は、入力されたデータに対して付与する最適なキャッチコピーを、生成された選択候補と抽出された選択候補との中から選択する装置である。
図１に示すように、最適候補選択装置１０は、コンピュータ２０を備えている。コンピュータ２０は、ＣＰＵ２２、ＲＯＭ２４、ＲＡＭ２６、入出力（Ｉ/Ｏ）ポート２８を備えている。ＣＰＵ２２～入出力（Ｉ/Ｏ）ポート２８はバス３０により相互に接続されている。入出力（Ｉ/Ｏ）ポート２８には、ディスプレイ３２、入力装置３４、及び記憶装置３６が接続されている。
最適候補選択装置１０は、本開示の技術の「情報処理装置」の一例である。
ＲＯＭ２４には、後述する最適候補選択処理プログラム、流暢さスコア算出モデル学習処理プログラム、及びモデル学習処理プログラムが記憶されている。最適候補選択処理プログラムは、本開示の技術の「情報処理プログラム」の一例である。
図２には、記憶装置３６の記憶領域４０の記憶内容が示されている。記憶領域４０には、選択候補テーブル４２、選択候補生成モデル４４、流暢さスコア算出モデル４８及び付与妥当性スコア算出モデル５０が記憶されている。
選択候補テーブル４２には、顧客が販売する個々のアイテムのデータが記憶されている。例えば、食品における豆製品の中の豆腐における具体的な豆腐１（もめん豆腐）、豆腐２（きぬごし豆腐）、・・・などの個別のアイテムが記憶されている。アイテムに対応してキャッチコピーの候補ＣＣが予め記憶されている。例えば、豆腐１に対応してＣＣ１１（「もちもち食感が楽しめる」）、ＣＣ１２（「素材の味が生きている」）、ＣＣ１３（「プラス一品としてどうぞ」）、・・・が記憶されている。豆腐２には、ＣＣ２１（透明豆腐）が記憶されている。豆腐３には、キャッチコピーが記憶されていない。アイテムに対応して記憶されているキャッチコピーの選択候補は、予め人が作成している。
図３には、ＣＰＵ２２が最適候補選択処理プログラムを実行することで実現される各種機能のブロック図が示されている。最適候補選択処理プログラムの機能は、選択候補抽出機能、選択候補生成機能、流暢さスコア算出機能、付与妥当性スコア算出機能、結果統合機能、選択機能、表示処理機能、選択候補生成モデル学習機能、流暢さスコア算出モデル学習機能、及び付与妥当性スコア算出モデル学習機能を有する。ＣＰＵ２２がこれらの機能を有する最適候補選択処理プログラムを実行することで、ＣＰＵ２２は、選択候補抽出部５２、選択候補生成部５４、流暢さスコア算出部５６、付与妥当性スコア算出部５８、結果統合部６０、選択部６２、表示処理部６４、選択候補生成モデル学習部６５、流暢さスコア算出モデル学習部６６、及び付与妥当性スコア算出モデル学習部６８として機能する。
選択候補抽出部５２は、本開示の技術の「抽出部」の一例である。選択候補生成部５４は、本開示の技術の「生成部」の一例である。流暢さスコア算出部５６、付与妥当性スコア算出部５８、結果統合部６０、及び選択部６２は、本開示の技術の「選択部」の一例である。流暢さスコア算出モデル学習部６６は、本開示の技術の「流暢さスコアモデル学習部」の一例である。流暢さスコア算出モデル学習部６６及び付与妥当性スコア算出モデル学習部６８は、本開示の技術の「モデル学習部」の一例である。
選択候補生成部５４は、選択候補生成モデル４４を用いて、選択候補を生成する。選択候補生成モデル４４としては、例えば、エンコーダ-デコーダモデルなどである。
流暢さスコア算出部５６は、流暢さスコア算出モデル４８を用いて、流暢さスコアを算出する。流暢さスコアは、選択候補が文としての自然さを示すスコアである。文としての自然さには、例えば、文法上の正しさが含まれる。
流暢さスコア算出モデル４８は、本開示の技術の「流暢さスコアを算出するモデル」の一例である。
付与妥当性スコア算出部５８は、付与妥当性スコア算出モデル５０を用いて、付与妥当性スコアを算出する。付与妥当性スコアは、選択候補がデータ（例えばアイテムの名称、豆腐１）に対して付与することがどれだけ妥当かを示すスコアである。
付与妥当性スコア算出モデル５０は、本開示の技術の「妥当性スコアを算出するモデル」の一例である。
流暢さスコア算出モデル学習部６６は、流暢さスコア算出モデル４８を学習する。付与妥当性スコア算出モデル学習部６８は、付与妥当性スコア算出モデル５０を学習する。
図４には、ＣＰＵ２２が、ＲＯＭ２４に記憶された最適候補選択処理プログラムを実行することにより行われる最適候補選択処理のフローチャートが示されている。図４の最適候補選択処理は、最適なキャッチコピーを選択する対象のデータ、例えば、豆腐１のデータが入力された場合にスタートする。
豆腐１のデータは、本開示の技術の「対象」の一例である。最適なキャッチコピーは、本開示の技術の「対象に関連付ける文」の一例である。
ステップ７２で、選択候補抽出部５２は、入力されたデータに対応する選択候補を、記憶装置３６の記憶領域４０から抽出する。
ステップ７４で、選択候補生成部５４は、入力されたデータに対応する選択候補を、選択候補生成モデル４４を用いて生成する。
ステップ７６で、流暢さスコア算出部５６は、ステップ７２及びステップ７４で得られた全ての選択候補の各々を識別する選択候補識別変数ｃを０にセットし、ステップ７８で、流暢さスコア算出部５６は、選択候補識別変数ｃを１インクリメントする。
ステップ８０で、流暢さスコア算出部５６は、選択候補識別変数ｃにより識別される選択候補ｃの流暢さスコアを、流暢さスコア算出モデル４８を用いて算出する。
ステップ８２で、付与妥当性スコア算出部５８は、選択候補ｃの付与妥当性スコアを付与妥当性スコア算出モデル５０を用いて算出する。
ステップ８４で、結果統合部６０は、選択候補ｃの流暢さスコア及び選択候補ｃの付与妥当性スコアの各スコアを統合した統合スコアを算出する。
ここで、選択候補ｃの流暢さスコアをＳＲｃとし、選択候補ｃの付与妥当性スコアをＳＤｃとすると、統合スコアＴＳｃは以下の式より得られる。
ＴＳｃ＝Ｗａ＊ＳＲｃ＋Ｗｂ＊ＳＤｃ
Ｗａ及びＷｂは重みであり、例えば、Ｗａ＝０．５、Ｗｂ＝２．０である。Ｗａ＝０．５、Ｗｂ＝２．０の場合には、統合スコアＴＳｃの計算のため、選択候補ｃの付与妥当性スコアＳＤｃより流暢さスコアＳＲｃのほうが重きを置いている。なお、統合スコアＴＳｃの計算のため、流暢さスコアＳＲｃより選択候補ｃの付与妥当性スコアＳＤｃのほうに重きを置いてもよい。
なお、統合スコアＴＳｃは以下の３つの式の何れかにより得てもよい。
ＴＳｃ＝（Ｗａ＊ＳＲｃ＋Ｗｂ＊ＳＤｃ）／２
ＴＳｃ＝√（（Ｗａ＊ＳＲｃ）２＋（Ｗｂ＊ＳＤｃ）２）
ＴＳｃ＝√（（Ｗａ＊ＳＲｃ）２＋（Ｗｂ＊ＳＤｃ）２）／２
更に、統合スコアＴＳｃの計算の際、上記重みを省略してもよい。
更に、流暢さスコアＳＲｃ又は付与妥当性スコアＳＤｃが所定値以上でなければ、所定値以上でないスコアを０にして、統合スコアＴＳｃを計算してもよい。
また、流暢さスコアＳＲｃ又は付与妥当性スコアＳＤｃが所定値未満であれば、流暢さスコアＳＲｃ又は付与妥当性スコアＳＤｃが大きくなるに従って第１の増加率（例えば、一定値）で増加した値を、流暢さスコアＳＲｃ又は付与妥当性スコアＳＤｃとして、統合スコアＴＳｃの式に代入する。流暢さスコアＳＲｃ又は付与妥当性スコアＳＤｃが所定値以上の場合には、流暢さスコアＳＲｃ又は付与妥当性スコアＳＤｃが大きくなるに従って第１の増加率より大きい第２の増加率（例えば、指数関数）で増加した値を、流暢さスコアＳＲｃ又は付与妥当性スコアＳＤｃとして、統合スコアＴＳｃの式に代入する。
ステップ８６で、結果統合部６０は、識別変数ｃがステップ７２及び７４で得られた選択候補の総数Ｃに等しいか否かを判断する。選択候補識別変数ｃが総数Ｃに等しいと判断されなければ、最適候補選択処理は、ステップ７８に戻って、以上の処理（ステップ７８～８６）を実行する。
選択候補識別変数ｃが総数Ｃに等しいと判断された場合には、ステップ８８で、結果統合部６０は、全選択候補を、統合スコアによって、並び替える。
ステップ９０で選択部６２は、統合スコアが上位からｎ個を選択する。
ステップ９２で、表示処理部６４は、選択されたｎ個の選択候補を、ディスプレイ３２に表示する。
このように入力されたデータに対して付与する最適なキャッチコピーを、モデルにより生成された選択候補と、予め人が作成して記憶され、抽出された選択候補との中から選択する。よって、入力されたデータに対して付与する最適なキャッチコピーを、モデルにより生成された複数の選択候補の中から選択したり、予め人が作成して記憶され、抽出された複数の選択候補の中から選択したりする場合より、最適なキャッチコピーを選択する。
入力されたデータに対して付与する最適なキャッチコピーを、モデルにより生成された選択候補と、予め人が作成して記憶され、抽出された選択候補との中から選択する際に、各選択候補の流暢さスコアと付与妥当性スコアとの統合スコアを用いるので、より精度よく最適なキャッチコピーを選択する。
各選択候補の流暢さスコアと付与妥当性スコアとをそれぞれのモデルを用いて算出するので、それぞれのスコアを精度よく算出し、統合スコアを精度よく算出し、入力されたデータに対して付与する最適なキャッチコピーを、より精度よく選択する。
図４の最適候補選択処理が実行される前には、上記各モデル（４４、４８、５０）が次のように学習されている。
まず、選択候補生成モデル４４の学習方法を説明する。選択候補生成モデル４４の学習のために、選択候補生成モデル学習部６５は、次のデータを使用する。
商品名 キャッチコピー
・豆腐１ 食感が楽しめる
・豆腐２ 便利な３個パック
・納豆１ 家族の健康のために
・・・・・・・・・・・・・・・・
以上のデータが入力されると、選択候補生成モデル学習部６５は、入力されたデータを用いて、アイテム（豆腐１、・・・）に適切なキャッチコピーが生成されるように、選択候補生成モデル４４を学習する。
次に、付与妥当性スコア算出モデル５０の学習方法を説明する。付与妥当性スコア算出モデル５０の学習のために、付与妥当性スコア算出モデル学習部６８は、次のデータを使用する。
キャッチコピー 付与妥当性スコア
ＣＣ１ ５０点
ＣＣ２ ７０点
ＣＣ３ ４０点
・・・・・・・・・・・・・・・・
以上のデータが入力されると、付与妥当性スコア算出モデル学習部６８は、入力されたデータを用いて、キャッチコピーの付与妥当性スコアが生成されるように、付与妥当性スコア算出モデル５０を学習する。
なお、付与妥当性スコア算出モデル学習部６８は、アイテムのデータを更に使用してもよい。付与妥当性スコア算出モデル学習部６８は、入力されたアイテムのデータを更に加味して、アイテムに対するキャッチコピーの付与妥当性スコアが生成されるように、付与妥当性スコア算出モデル５０を学習する。
図５Ａには、ＲＯＭ２４に記憶された流暢さスコア算出モデル学習処理プログラムを実行することにより行われる流暢さスコア算出モデル４８の学習処理のフローチャートが示されている。
ステップ１０２で、流暢さスコア算出モデル学習部６６は、商品識別変数ｉを０にセットし、ステップ１０４で、流暢さスコア算出モデル学習部６６は、商品識別変数ｉを１インクリメントする。商品識別変数ｉは、例えば、図２に示す記憶装置３６の記憶領域４０に記憶されている上記アイテムを識別する。
ステップ１０６で、流暢さスコア算出モデル学習部６６は、商品識別変数ｉにより識別される商品ｉについて、選択候補を、選択候補生成モデル４４を用いて生成する。例えば、商品ｉが豆腐１の場合、「ととととうふ」等が生成される場合がある。
ステップ１０８で、流暢さスコア算出モデル学習部６６は、生成した選択候補に０点を設定する。
ステップ１１０で、流暢さスコア算出モデル学習部６６は、商品ｉに対する選択候補を、選択候補テーブル４２から抽出する。例えば、商品ｉが豆腐１の場合、「もちもち豆腐」が抽出される場合がある。
ステップ１１２で、流暢さスコア算出モデル学習部６６は、抽出した選択候補に１００点を設定する。
ステップ１０８で、生成した選択候補（上記例では「ととととうふ」）に０点が設定され、ステップ１１２で、抽出した選択候補（上記例では「もともち豆腐」）に１００点が設定されるのは、抽出した選択候補は人により作成されたものであるので流暢さが高いからである。
ステップ１１４で、流暢さスコア算出モデル学習部６６は、商品識別変数ｉが、商品の総数Ｉに等しいか否かを判断する。
商品識別変数ｉが総数Ｉに等しいと判断されなければ、流暢さスコア算出モデル４８の学習処理は、ステップ１０４に戻って、以上の処理（ステップ１０４～１１４）を実行する。
商品識別変数ｉが総数Ｉに等しいと判断された場合には、ステップ１１６で、流暢さスコア算出モデル学習部６６は、以上の処理（ステップ１０４～１１４）により得られたデータを用いて、流暢さスコアが、生成された選択候補に対しては０点となり、抽出された選択候補に対しては、１００点となるように流暢さスコア算出モデル４８を学習する。
流暢さスコア算出モデル４８の学習処理により、流暢さスコア算出モデル４８を、内容に応じて、即ち、人が作成したか否かにより適切に学習する。
次に、流暢さスコア算出モデル４８の他の学習処理を説明する。図５Ｂには、ＲＯＭ２４に記憶された他の流暢さスコア算出モデル学習処理プログラムを実行することにより行われる流暢さスコア算出モデル４８の他の学習処理のフローチャートが示されている。なお、図５Ｂに示す他の学習処理は、図５Ａに示す学習処理と同様の部分があるので、同一の部分には同一の符号を付して、異なる部分のみを説明する。
ステップ１０２及びステップ１０４の処理を実行した後、ステップ１０６Ａで、流暢さスコア算出モデル学習部６６は、商品識別変数ｉにより識別される商品ｉについて、選択候補を、選択候補生成モデル４４を用いて生成する。ところで、選択候補を、選択候補生成モデル４４を用いて生成する際には、スコアが計算される。そこで、ステップ１０６Ａでは、生成の際に計算されたスコアを抽出する。
ステップ１０８Ａで、流暢さスコア算出モデル学習部６６は、生成した選択候補に、ステップ１０６Ａで抽出されたスコアに応じた値を設定する。
ステップ１０８Ａの後は、ステップ１１０～１１４の処理が実行され、ステップ１１４の判断が肯定判定の場合、他の学習処理は、ステップ１１６Ａに進む。ステップ１１６Ａで、流暢さスコア算出モデル学習部６６は、以上の処理（ステップ１０４～１１４）により得られたデータを用いて、流暢さスコアが、生成された選択候補に対しては、ステップ１０６Ａで抽出されたスコアとなり、抽出された選択スコアに対しては、１００点となるように流暢さスコア算出モデル４８を学習する。
ここで、スコアに応じた値を説明する。スコアに応じた値は、例えば、スコアが大きくなるに従って大きくなり、０～例えば１０点の範囲で定まる値である。その他、任意の（恣意的な）値でもよい。任意の値は１００点より小さい任意の値でよい。その他、名詞の連続など人手で構築したルールを元に設定した値でもよい。
図６Ａには、ＲＯＭ２４に記憶されたモデル学習処理プログラムを実行することにより行われるモデル学習処理のフローチャートが示されている。
ステップ１２２で、流暢さスコア算出モデル学習部６６は、ユーザによりフィードバックされた情報（フィードバック情報）を選択候補テーブル４２から取得する。
ここで、ユーザによりフィードバックされた情報について説明する。当該情報には、第１に、購入履歴を用いる場合と、第２に、ユーザのアンケート結果を用いる場合とがある。
購入履歴を用いる場合を説明する。商品の購入結果を利用する場合である。商品にキャッチコピーが付されて販売された場合に、以前より単位時間（例えば、一週間、一ヶ月等）当たりの購入個数が多い場合には、当該キャッチコピーの効果が大きいと考えられる。逆に、商品にキャッチコピーが付されて販売された場合に、以前より単位時間当たりの購入個数が少ない場合には、当該キャッチコピーの効果が小さいと考えられる。選択候補テーブル４２には、各アイテムに対応するキャッチコピーに対応して、単位時間当たりの購入個数の伸び率が、フィードバック情報として記憶されている。
ユーザのアンケート結果を用いる場合を説明する。ユーザにアンケートすると、商品に付されキャッチコピーを高く評価するユーザや低く評価するユーザがいる。選択候補テーブル４２には、各アイテムに対応するキャッチコピーに対応して、低く評価するユーザの人数に対する高く評価するユーザの人数の割合が、フィードバック情報として記憶されている。
ステップ１２４で、流暢さスコア算出モデル学習部６６は、フィードバックされた商品及びキャッチコピーを抽出する。
ステップ１２６で、流暢さスコア算出モデル学習部６６は、既に学習済みの内容か否かを判断する。既に学習済みの内容である場合には、モデル学習処理は終了する。
既に学習済みの内容でないと判断された場合には、ステップ１２８で、流暢さスコア算出モデル学習部６６は、抽出されたキャッチコピーがフィードバックの内容に応じたスコアになるように、流暢さスコア算出モデル４８を学習する。具体的には、上記ユーザの人数の割合が１より大きい場合には、１００点として、１以下の場合には、０点として、流暢さスコア算出モデル学習部６６は、流暢さスコア算出モデル４８を学習する。
ステップ１３０で、付与妥当性スコア算出モデル学習部６８は、抽出されたキャッチコピーがフィードバックの内容に応じたスコアになるように、付与妥当性スコア算出モデル５０を学習する。具体的には、上記ユーザの人数の割合が１より大きい場合には、１００点として、１以下の場合には、０点として、付与妥当性スコア算出モデル学習部６８は、付与妥当性スコア算出モデル５０を学習する。
ステップ１３０が終了すると、モデル学習処理が終了する。
このように流暢さスコア算出モデル４８及び付与妥当性スコア算出モデル５０を、ユーザのフィードバック情報を用いて、より適切に学習する。
図６Ａのモデル学習処理では、ステップ１２６を省略し、ステップ１２４の処理の実行後は、モデル学習処理は、ステップ１２８に進むようにしてもよい。
図６Ｂは、モデル学習処理の変形例が示されている。図６Ｂのステップ１４０で、図６Ａのモデル学習処理（ステップ１２２～１３０）を実行する。
ステップ１４２で、流暢さスコア算出モデル学習部６６は、重みＷａにαを加算した値を、重みＷａにセット（Ｗａ←Ｗａ＋α）する。
ステップ１４６で、流暢さスコア算出モデル学習部６６は、重みＷｂからαを減算した値を、重みＷｂにセット（Ｗｂ←Ｗｂ－α）して、モデル学習処理を終了する。
ステップ１４２では、Ｗａからαを減算した値をＷａにセットし、ステップ１４６で、Ｗｂにαを加算した値をＷｂにセットするようにしてもよい。
さらに、ステップ１４２及び１４６で加算または減算する値を異なるようにしてもよい。
[第２の実施の形態]
次に第２の実施の形態を説明する。第２の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。
図７には、ＲＯＭ２４に記憶された最適候補選択処理プログラムを実行することにより行われる最適候補選択処理のフローチャートが示されている。
ステップ１５０で、選択候補生成部５４は、入力されたデータに対応する選択候補を、選択候補生成モデル４４を用いて生成する。
ステップ１５２で、流暢さスコア算出部５６は生成された選択候補を識別する変数ｄを０にセットし、ステップ１５４で、流暢さスコア算出部５６は、変数ｄを１インクリメントする。
ステップ１５６で、流暢さスコア算出部５６は、変数ｄにより識別される選択候補ｄの流暢さスコアを、流暢さスコア算出モデル４８を用いて算出する。
ステップ１５８で、流暢さスコア算出部５６は、変数ｄがステップ１５０で生成された選択候補の総数Ｄに等しいか否かを判断する。変数ｄが総数Ｄに等しいと判断されなかった場合には、最適候補選択処理は、ステップ１５４に戻って、以上の処理（ステップ１５４～１５８）を実行する。
変数ｄが総数Ｄに等しいと判断された場合には、ステップ１６０で、付与妥当性スコア算出部５８は、流暢さスコアが一定値以上の選択候補があるか否かを判断する。流暢さスコアが一定値以上の選択候補があると判断された場合には、ステップ１６２で、付与妥当性スコア算出部５８は、流暢さスコアが一定値以上の選択候補を識別する変数ｅを０にセットする。ステップ１６４で、付与妥当性スコア算出部５８は、変数ｅを１インクリメントする。
ステップ１６６で、付与妥当性スコア算出部５８は、変数ｅにより識別される選択候補ｅの付与妥当性スコアを、付与妥当性スコア算出モデル５０を用いて算出する。
ステップ１６８で、付与妥当性スコア算出部５８は、変数ｅが、ステップ１６０で得られた流暢さスコアが一定値以上の選択候補の総数Ｅに等しいか否かを判断する。変数ｅが総数Ｅに等しいと判断されなかった場合には、最適候補選択処理は、ステップ１６４に戻って、以上の処理（ステップ１６４～１６８）を実行する。
変数ｅが総数Ｅに等しいと判断された場合には、ステップ１７０で、選択部６２は、付与妥当性スコアが一定値以上の選択候補がｎ個以上あるか否かを判断する。付与妥当性スコアが一定値以上の選択候補がｎ個以上あると判断されなかった場合には、最適候補選択処理は、後述するステップ１７４に進む。
付与妥当性スコアが一定値以上の選択候補がｎ個以上あると判断された場合には、ステップ１７２で、表示処理部６４は、付与妥当性スコアの大きい順にｎ個の選択候補を、ディスプレイ３２に表示する。
ステップ１６０で、流暢さスコアが一定値以上の選択候補があると判断されなかった場合には、ステップ１７４で、選択候補抽出部５２は、入力されたデータに対応する選択候補を選択候補テーブル４２から抽出する。
ステップ１７６で、抽出された各選択候補の統合スコアを算出する。ステップ１７６の処理は、図４のステップ７８～８６と略同様である。ステップ１７６には、ステップ１７４で抽出された選択候補について、ステップ７８～ステップ８６を実行する。なお、ステップ１７６では、ステップ８０又はステップ８２を実行するようにしてもよい。
ステップ１７８で、選択部６２は、統合スコアが上位からｎ個の選択候補を抽出する。
ステップ１７２で、ｎ個以上の選択候補を、ディスプレイ３２に表示する。
生成した複数の選択候補の流暢さスコア及び付与妥当性スコアが一定値以上の選択候補を、最適な選択候補とする。生成した複数の選択候補の中に、流暢さスコアが一定値以上の選択候補がない場合、注出した選択候補の中から最適な選択候補を選択する。
[第３の実施の形態]
次に第３の実施の形態を説明する。第３の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。
図８は、ＲＯＭ２４に記憶された最適候補選択処理プログラムを実行することにより行われる最適候補選択処理のフローチャートが示されている。
ステップ１８２で、選択候補抽出部５２は、入力されたデータに対応する選択候補を選択候補テーブル４２から抽出する。
ステップ１８４で、付与妥当性スコア算出部５８は、ステップ１８２で抽出された選択候補を識別する変数ｆを０にセットし、ステップ１８６で、付与妥当性スコア算出部５８は、変数ｆを１インクリメントする。
ステップ１８８で、付与妥当性スコア算出部５８は、変数ｆで識別される選択候補ｆの付与妥当性スコアを付与妥当性スコア算出モデル５０を用いて算出する。
ステップ１９０で、付与妥当性スコア算出部５８は、変数ｆが、ステップ１８２で抽出された選択候補の総数Ｆに等しいか否かを判断する。変数ｆが総数Ｆに等しいと判断されなかった場合には、最適候補選択処理は、ステップ１８６に戻って、以上の処理（ステップ１８６～１９０）を実行する。
変数ｆが総数Ｆに等しいと判断された場合には、ステップ１９２で、結果統合部６０は、付与妥当性スコアが所定値以上の選択候補が、ｎ個以上あるか否かを判断する。付与妥当性スコアが所定値以上の選択候補がｎ個以上あると判断された場合には、ステップ１９４で表示処理部６４は、付与妥当性スコアが所定値以上のｎ個（付与妥当性スコアの多い順に）の選択候補をディスプレイ３２に表示する。
付与妥当性スコアが所定値以上の選択候補がｎ個以上あると判断されなかった場合には、ステップ１９６で、選択候補生成部５４は、入力されたデータに対応する選択候補を、選択候補生成モデル４４を用いて生成する。
ステップ１９８で、選択部６２は、表示する選択候補を決定する。表示する選択候補の決定方法は、図７のステップ１７６のように、生成された選択候補の統合スコアを算出し、統合スコアが高い上位ｎ番目までの選択候補を、表示する選択候補として決定する。ステップ１９８で統合スコアを算出する場合は、図７のステップ１７６のように、ステップ１９６で生成された選択候補について、ステップ７８～ステップ８６を実行する。なお、ステップ１９８では、生成された選択候補について、ステップ８０又はステップ８２を実行するようにしてもよい。
ステップ２００で、表示処理部６４は、決定された選択候補をディスプレイ３２に表示する。
抽出した選択候補の流暢さスコア及び付与妥当性スコアが一定値以上の選択候補を、最適な選択候補とする。抽出した複数の選択候補の中に、付与妥当性スコアが一定値以上の選択候補がない場合、抽出した選択候補の中から最適な選択候補を選択する。
[第４の実施の形態]
次に第４の実施の形態を説明する。第４の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。
図９には、記憶装置３６の記憶領域４０の内容が示されている。図９に示すように、第４の実施の形態では、ユーザ毎、選択候補テーブルが記憶されている。
アイテムに対応して、最適な候補が決定されている場合には、アイテムに対応して記憶された選択候補に対応して、決定されたことを示すデータが記憶されている。例えば、ユーザＡに対応する選択候補テーブル４２Ａにおいては、豆腐１に対応して記憶されているＣＣ１２に対応して決定データが記憶されている。
図１０は、ＲＯＭ２４に記憶された最適候補選択処理プログラムを実行することにより行われる最適候補選択処理のフローチャートが示されている。
ステップ２１２で、表示処理部６４は、入力されたデータに対応してキャッチコピーが決定されているか否かを判断する。例えば、ユーザＡにおいて、入力されたデータが豆腐１の場合には、ＣＣ１２が決定されているので、ステップ２１２は、肯定判定となる。
入力されたデータに対してキャッチコピーが決定されていると判断された場合には、ステップ２１４で、表示処理部６４は、決定されたキャッチコピーを、ディスプレイ３２に表示する。
ステップ２１２で、入力されたデータに対応してキャッチコピーが決定されていると判断されなかった場合には、ステップ２１６で、図４の処理が実行される。
このように、決定されているキャッチコピーが有る場合には、図４のステップ７２～９２の実行が省略されるので、計算処理を省略することができる。
[第５の実施の形態]
次に第５の実施の形態を説明する。第５の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。
図１１は、ＲＯＭ２４に記憶された最適候補選択処理プログラムを実行することにより行われる最適候補選択処理のフローチャートが示されている。第５の実施の形態の最適候補選択処理は、図４の最適候補選択処理と略同様であるので、異なる部分のみを説明する。
図４のステップ７４で、入力されたデータに対応する選択候補を生成するための選択候補生成モデル４４は、選択候補を生成する際、付与妥当性スコアと流暢さスコアとが反映された値に略等しい値のスコアを生成する。当該スコアへの影響は、付与妥当性スコアのほうが、流暢さスコアより大きい。よって、選択候補生成モデル４４により生成されたスコアは、付与妥当性スコアに対応する。
そこで、第５の実施の形態では、ステップ７２が実行された後に、ステップ７４Ａで、選択候補生成部５４は、入力されたデータに対応する選択候補を、選択候補生成モデル４４を用いて生成し、生成の際に計算されたスコアを抽出する。
ステップ７４Ａの後は、ステップ７６～８０が実行される。
ステップ８０が実行された後、ステップ８１Ａで、付与妥当性スコア算出部５８は、選択候補ｃが、ステップ７４Ａで生成された選択候補が識別されているか否かを判断する。選択候補ｃが、ステップ７４Ａで生成された選択候補であると判断された場合には、ステップ８２Ａで、付与妥当性スコア算出部５８は、選択候補ｃの付与妥当性スコアとして、ステップ７４Ａで計算されたスコアを取得する。
ステップ８１Ａで、選択候補ｃは、ステップ７４Ａで生成された選択候補であると判断されなかった場合には、ステップ８２Ｂで、付与妥当性スコア算出部５８は、選択候補生成モデル４４を用いて、選択候補ｃの付与妥当性スコアを算出する。なお、ステップ８２Ｂでは、ステップ８２のように、付与妥当性スコア算出モデル５０を用いて、選択候補ｃの付与妥当性スコアを算出してもよい。ステップ８２Ａ、８２Ｂの後は、ステップ８４～９２が実行される。
第５の実施の形態では、生成された選択候補について選択候補生成モデル４４により計算されたスコアを、生成された選択候補の付与妥当性スコアとして利用する。
なお、第５の変形例として、第５の実施の形態を次のように変形する。まず、ステップ７２では、選択候補抽出部５２は、入力されたデータに対応する選択候補を選択候補テーブル４２から抽出し、選択候補生成モデル４４を用いてスコアを計算する。ステップ７４Ａに代えて図４のステップ７４を採用する。ステップ８１Ａでは、選択候補は、抽出された選択候補か否かを判断する。
[第６の実施の形態]
次に第６の実施の形態を説明する。第６の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。
図１２は、ＲＯＭ２４に記憶された最適候補選択処理プログラムを実行することにより行われる最適候補選択処理のフローチャートが示されている。
図１２には、第６の実施の形態の最適候補選択処理が示されている。第６の実施の形態の最適候補選択処理は、図４及び図１１と略同様であるので、異なる部分のみを説明する。
第５の実施の形態で説明したように、選択候補生成モデル４４により生成されたスコアは、付与妥当性スコアに対応する。
そこで、ステップ７２Ａで、選択候補抽出部５２は、入力されたデータに対応する選択候補を選択候補テーブル４２から抽出し、選択候補生成モデル４４を用いてスコアを計算する。
ステップ７２Ａの後に、ステップ７４Ａ（図１１参照）が実行され、ステップ７４Ａの後は、ステップ７６～８０が実行される。
ステップ８０が実行された後、ステップ８２Ａで、付与妥当性スコア算出部５８は、選択候補ｃの付与妥当性スコアとして、ステップ７４で計算されたスコアを取得する。
ステップ８２Ａの後は、ステップ８４～９２が実行される。
第６の実施の形態では、生成及び抽出された選択候補について選択候補生成モデル４４により計算されたスコアを、生成及び抽出された選択候補の付与妥当性スコアとして利用する。第６の実施の形態では、第５の実施の形態における処理（ステップ８１Ａ）が省略される。
[変形例]
上記各実施の形態では、食品販売会社の食品に付与する最適なキャッチコピーを選択する例を説明したが、本開示の技術はこれに限定されない。
例えば、第１に、本開示の技術は、電気機器販売会社の電気機器（アイテム）に付与する最適なキャッチコピーを選択する場足にも適用する。
第２に、本開示の技術は、文を要約する場合にも適用する。具体的には、本開示の技術は、文の要約の選択候補を生成し且つ文の要約の選択候補を、予め作成された選択候補から抽出し、生成及び抽出された複数の選択候補の中から最適な選択候補を選択し、表示する。
要約する対象の文は、本開示の技術の「対象」の一例であり、要約は、本開示の技術の「対象に関連付ける文」の一例である。
第３の、本開示の技術は、質問に対する回答を生成する場合にも適用する。具体的には、本開示の技術は、回答の選択候補を生成し且つ回答の選択候補を、予め作成された選択候補から抽出し、生成及び抽出された複数の選択候補の中から最適な選択候補を選択し、音声出力する。
質問は、本開示の技術の「対象」の一例であり、回答は、本開示の技術の「対象に関連付ける文」の一例である。
上記各実施の形態で説明したデータ処理はあくまでも一例である。主旨を逸脱しない範囲内においてステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよい。
また、上記各実施の形態では、コンピュータを利用したソフトウェア構成によりデータ処理が実現される場合を例示したが、本開示の技術はこれに限定されるものではない。例えば、コンピュータを利用したソフトウェア構成に代えて、ＦＰＧＡ又はＡＳＩＣ等のハードウェア構成のみによって、データ処理が実行される。データ処理のうちの一部の処理がソフトウェア構成により実行され、残りの処理がハードウェア構成によって実行される。
１０ 最適候補選択装置
２０ コンピュータ
３２ ディスプレイ
３６ 記憶装置
４８ 流暢さスコア算出モデル
５０ 付与妥当性スコア算出モデル
５２ 選択候補抽出部
５４ 選択候補生成部
５６ 流暢さスコア算出部
５８ 付与妥当性スコア算出部
６０ 結果統合部
６２ 選択部
６４ 表示処理部
６６ 流暢さスコア算出モデル学習部
６８ 付与妥当性スコア算出モデル学習部

Claims (9)

  1. 対象に関連付ける文の選択候補を生成する生成部と、
    対象に関連付ける文の選択候補を、予め作成された選択候補から抽出する抽出部と、
    前記生成された選択候補と前記抽出された選択候補とを含む複数の選択候補のうち、前記複数の選択候補の各々の流暢さを示す流暢さスコア及び前記複数の選択候補の各々の前記対象に関連付ける文としての妥当性を示す妥当性スコアの少なくとも一方から、選択候補を選択する選択部と、
    を有し、
    前記選択部が、前記流暢さスコアから前記選択候補を選択する場合、前記選択部は、前記流暢さスコアを算出するモデルを用いて前記流暢さスコアを算出する流暢さスコア算出部を備え、前記算出された流暢さスコアを利用し、
    文の生成された選択候補及び予め作成された選択候補から抽出された選択候補を用いて、前記流暢さスコアを算出するモデルから得られるスコアが、前記生成された選択候補より前記抽出された選択候補のほうが高いスコアとなるように、前記流暢さスコアを算出するモデルを学習するモデル学習部を更に備える
    情報処理装置。
  2. 前記選択部が、前記妥当性スコアから前記選択候補を選択する場合、前記選択部は、前記妥当性スコアを算出するモデルを用いて前記妥当性スコアを算出する妥当性スコア算出部を備え、前記算出された妥当性スコアを利用する、
    請求項１に記載の情報処理装置。
  3. 対象に関連付ける文の選択候補を生成する生成部と、
    対象に関連付ける文の選択候補を、予め作成された選択候補から抽出する抽出部と、
    前記生成された選択候補と前記抽出された選択候補とを含む複数の選択候補のうち、前記複数の選択候補の各々の流暢さを示す流暢さスコア及び前記複数の選択候補の各々の前記対象に関連付ける文としての妥当性を示す妥当性スコアの少なくとも一方から、選択候補を選択する選択部と、
    を有し、
    前記選択部は、
    前記流暢さスコア及び前記妥当性スコアから、前記選択候補を選択すると共に、
    前記生成された選択候補の前記流暢さスコア及び前記妥当性スコアが一定値以上の場合、前記流暢さスコア及び前記妥当性スコアが一定値以上の前記生成された選択候補を、前記選択候補として選択し、
    前記生成された選択候補の前記流暢さスコアが一定値以上でなければ、前記抽出された選択候補の中から前記選択候補を選択する、
    情報処理装置。
  4. 前記選択部は、前記抽出された選択候補の中から、前記抽出された選択候補の前記流暢さスコア及び前記妥当性スコアの少なくとも一方から、前記選択候補を選択する、
    請求項３に記載の情報処理装置。
  5. 対象に関連付ける文の選択候補を生成する生成部と、
    対象に関連付ける文の選択候補を、予め作成された選択候補から抽出する抽出部と、
    前記生成された選択候補と前記抽出された選択候補とを含む複数の選択候補のうち、前記複数の選択候補の各々の流暢さを示す流暢さスコア及び前記複数の選択候補の各々の前記対象に関連付ける文としての妥当性を示す妥当性スコアの少なくとも一方から、選択候補を選択する選択部と、
    を有し、
    前記選択部は、
    前記流暢さスコア及び前記妥当性スコアから、前記選択候補を選択すると共に、
    前記抽出された選択候補の前記妥当性スコアが一定値以上の場合、前記妥当性スコアが一定値以上の前記抽出された選択候補を、前記選択候補として選択し、
    前記抽出された選択候補の前記妥当性スコアが一定値以上でなければ、前記生成された選択候補の中から前記選択候補を選択する、
    情報処理装置。
  6. 前記選択部は、前記生成された選択候補の中から、前記生成された選択候補の前記流暢さスコア及び前記妥当性スコアの少なくとも一方から、前記選択候補を選択する、
    請求項５に記載の情報処理装置。
  7. 前記選択部は、前記選択候補が決定されていない場合に、前記対象に関連付ける文に選択候補を選択する、
    請求項１～請求項６の何れか１項に記載の情報処理装置。
  8. 前記生成部は、選択候補を生成するモデルを用いて、前記選択候補を生成し、
    前記生成された選択候補及び前記抽出された選択候補の少なくとも一方の前記妥当性スコアは、前記選択候補を生成するモデルにより前記選択候補を用いて計算されたスコアである、
    請求項３～請求項６の何れか１項に記載の情報処理装置。
  9. コンピュータを、請求項１～請求項８の何れか１項に記載の情報処理装置の各部として機能させるための情報処理プログラム。
JP2018178441A 2018-09-25 2018-09-25 情報処理装置及び情報処理プログラム Active JP7215038B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018178441A JP7215038B2 (ja) 2018-09-25 2018-09-25 情報処理装置及び情報処理プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018178441A JP7215038B2 (ja) 2018-09-25 2018-09-25 情報処理装置及び情報処理プログラム

Publications (2)

Publication Number Publication Date
JP2020052494A JP2020052494A (ja) 2020-04-02
JP7215038B2 true JP7215038B2 (ja) 2023-01-31

Family

ID=69997107

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018178441A Active JP7215038B2 (ja) 2018-09-25 2018-09-25 情報処理装置及び情報処理プログラム

Country Status (1)

Country Link
JP (1) JP7215038B2 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017151863A (ja) 2016-02-26 2017-08-31 国立大学法人東京工業大学 文書要約装置
JP2018028866A (ja) 2016-08-19 2018-02-22 日本電信電話株式会社 説明文生成方法、説明文生成モデル学習方法、及びプログラム
JP2018128806A (ja) 2017-02-07 2018-08-16 ヤフー株式会社 抽出装置、抽出方法及び抽出プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017151863A (ja) 2016-02-26 2017-08-31 国立大学法人東京工業大学 文書要約装置
JP2018028866A (ja) 2016-08-19 2018-02-22 日本電信電話株式会社 説明文生成方法、説明文生成モデル学習方法、及びプログラム
JP2018128806A (ja) 2017-02-07 2018-08-16 ヤフー株式会社 抽出装置、抽出方法及び抽出プログラム

Also Published As

Publication number Publication date
JP2020052494A (ja) 2020-04-02

Similar Documents

Publication Publication Date Title
Helfer et al. The effects of nutrition labeling on consumer food choice: a psychological experiment and computational model
EP2741254B1 (en) Color determination device, color determination system, color determination method, information recording medium, and program
JP6851894B2 (ja) 対話システム、対話方法及び対話プログラム
CN106886518A (zh) 一种微博账号分类的方法
CN103778235A (zh) 一种处理商品评价信息的方法和装置
TW201820172A (zh) 對話模式分析系統、方法及非暫態電腦可讀取記錄媒體
CN107918778A (zh) 一种信息匹配方法及相关装置
TW201832814A (zh) 使用基因型數據以產生化身之系統及方法
Kazeminia et al. Personality-based personalization of online store features using genetic programming: Analysis and experiment
CN115212561A (zh) 基于玩家的语音游戏数据的服务处理方法及相关产品
CN102495847A (zh) 一种网络商品信息抽取方法
JP7215038B2 (ja) 情報処理装置及び情報処理プログラム
CN108629614A (zh) 验证系统、验证方法以及程序
CN112308662A (zh) 评价晒单推荐方法和装置
JP2015069608A (ja) ユーザと対話的に検索を進行させるプログラム、サーバ及び方法
CN111783417A (zh) 文章内容评分方法和装置
WO2019174318A1 (zh) 引导语推荐
Brenes et al. Improving packaging design using virtual reality in the market research process
KR101573449B1 (ko) 모바일 애플리케이션 기회 맵 생성 방법 및 장치
Gray et al. Personalized online search for fashion products
JP2016162357A (ja) 商品に対するユーザの感情分析装置及びプログラム
US20140122527A1 (en) Sensitivity retrieval apparatus, method and program
JP2007073014A (ja) 情報提供装置及び情報提供方法
AĞCA ANALYZING VIDEO GAME CONTENT AND SENTIMENT: A STUDY ON CATEGORIES, EMOTIONAL RESPONSES, AND SUCCESS FACTORS
Jayachandran et al. A virtual reality grocery shopping game to improve awareness for healthy foods in young adults

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210906

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220729

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220802

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220921

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221220

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230102

R150 Certificate of patent or registration of utility model

Ref document number: 7215038

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150