JP7219920B2 - 図面検索装置および図面検索方法 - Google Patents

Description

本発明は、図面検索装置に関する。

例えば、プラントエンジニアリング分野では、大量の図面（例：過去図面）の取り扱いが必要となる。このため、大量の図面から、所望の図面を効率的に検索するための技術が要求されている。

一例として、特許文献１には、図面検索システム（図面管理システム）のユーザインターフェースに関する技術が開示されている。特許文献１の図面検索システムは、ユーザによる機器名および図面の種別名のそれぞれの選択操作を受け付け、当該選択操作に応じた図面群を検索する。

特開２００３－９９４８４号公報

特許文献１の図面検索システムによれば、ユーザに検索ワードの入力を行わせることなく、上記選択操作に応じた検索結果（図面群）を提示できる。しかしながら、後述するように、特許文献１の図面検索システムでは、ターゲット図面に対応する所望の図面（例：ターゲット図面との関連性が高いと考えられる特定の図面）を、検索結果から迅速に発見することは、ユーザにとって必ずしも容易ではない。

このように、従来の図面検索技術では、ユーザの利便性を高めるための工夫について、なお改善の余地がある。本発明の一態様は、図面検索におけるユーザの利便性を従来よりも高めることを目的とする。

上記の課題を解決するために、本発明の一態様に係る図面検索装置は、複数の検索対象図面から、ターゲット図面に対応する少なくとも１つの所定の図面を検索する図面検索装置であって、上記複数の検索対象図面に基づき学習モデルを生成する学習部と、上記学習モデルを用いて、上記ターゲット図面を上記複数の検索対象図面のそれぞれと照合することにより、上記少なくとも１つの所定の図面を検索する検索部と、を備えており、上記複数の検索対象図面のうちの任意の１つの図面を、候補図面と称し、上記学習部は、上記候補図面を解析することにより、当該候補図面の記載内容に関連付けられた内容パラメータを取得する、候補図面内容パラメータ取得部と、上記複数の検索対象図面のそれぞれの番号と、当該複数の検索対象図面のそれぞれの内容パラメータと、の対応関係を示す教師データを生成する教師データ生成部と、上記教師データを用いた機械学習を行うことにより上記学習モデルを生成する学習モデル生成部と、を備えている。

また、上記の課題を解決するために、本発明の一態様に係る図面検索方法は、複数の検索対象図面から、ターゲット図面に対応する少なくとも１つの所定の図面を検索する図面検索方法であって、上記複数の検索対象図面に基づき学習モデルを生成する学習工程と、上記学習モデルを用いて、上記ターゲット図面を上記複数の検索対象図面のそれぞれと照合することにより、上記少なくとも１つの所定の図面を検索する検索工程と、を含んでおり、上記複数の検索対象図面のうちの任意の１つの図面を、候補図面と称し、上記学習工程は、上記候補図面を解析することにより、当該候補図面の記載内容に関連付けられた内容パラメータを取得する、候補図面内容パラメータ取得工程と、上記複数の検索対象図面のそれぞれの番号と、当該複数の検索対象図面のそれぞれの内容パラメータと、の対応関係を示す教師データを生成する教師データ生成工程と、上記教師データを用いた機械学習を行うことにより上記学習モデルを生成する学習モデル生成工程と、を含んでいる。

本発明の一態様によれば、図面検索におけるユーザの利便性を従来よりも高めることが可能となる。

実施形態１の図面検索システムの要部の構成を示すブロック図である。 第１テーブルの一例を示す図である。 候補図面に対する特定文字列抽出処理について説明するための図である。 検索対象図面の内容パラメータの一例を示す図である。 検索対象図面の重み係数の一例を示す図である。 ターゲット図面に対する特定文字列抽出処理について説明するための図である。 関連性スコアの導出例について説明する図である。 図面検索システムによる検索結果の一例を示す図である。

〔実施形態１〕
実施形態１の図面検索システム１００について、以下に説明する。説明の便宜上、実施形態１にて説明した部材と同じ機能を有する部材については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。また、簡潔化のため、公知技術と同様の事項についても、説明を適宜省略する。

本明細書において以下に述べる各数値は、単なる一例であることに留意されたい。本明細書では、２つの数ＡおよびＢについての「Ａ～Ｂ」という記載は、特に明示されない限り、「Ａ以上かつＢ以下」を意味するものとする。

（図面検索システム１００の概要）
図１は、図面検索システム１００の要部の構成を示すブロック図である。図面検索システム１００は、図面検索装置１、過去物件図面ＤＢ（Database）９１、および新規物件図面ＤＢ９２とを備える。

図面検索装置１は、制御部１０、入力部７１、表示部７２、および記憶部８０を備える。制御部１０は、学習部１１および検索部１２を備える。本明細書の「物件」とは、例えば、プラントエンジニアリングにおける「サイト」を意味する。

図面検索装置１は、過去物件図面ＤＢ９１および新規物件図面ＤＢ９２と通信可能に接続されていればよい。このため、図１の例とは異なり、図面検索装置１の内部に、過去物件図面ＤＢ９１および新規物件図面ＤＢ９２の少なくとも一方が設けられていてもよい。

図面検索装置１による検索対象となる図面（検索対象図面）には、例えば、仕様図面、設計図面、および製作図面が含まれる。また、検索対象図面には、仕様書、設計書、および、見積書が含まれていてもよい。このように、検索対象図面は、「図面」という名称が含まれている書面に限定されない。一例として、検索対象図面には、プラントエンジニアリング分野におけるプロジェクトの計画に関する任意の種類の書面が含まれる。

制御部１０は、図面検索装置１の各部を統括的に制御する。記憶部８０は、制御部１０の処理に用いられる各種のデータおよびプログラムを格納する。以下に述べるように、制御部１０は、機械学習を利用して、複数の検索対象図面（例：過去図面ａ１～ｈ６０）から、ターゲット図面（例：図面ＮＤ）に対応する少なくとも１つの所定の図面を検索する。

入力部７１は、ユーザの操作（ユーザ操作）を受け付ける。表示部７２は、各種のデータを表示する。一例として、表示部７２には、制御部１０による検索結果を示すデータが表示されてよい。なお、入力部７１と表示部７２とは、一体として設けられてもよい。例えば、タッチパネルを用いることにより、入力部７１と表示部７２とを一体化できる。

（過去物件図面ＤＢ９１）
過去物件図面ＤＢ９１には、過去の各物件（既設の各物件）に関する各図面（厳密には、図面データ）が格納されている。以下の説明では、「図面Ａ（ある図面）の図面データ」を、単に「図面Ａ」と適宜略称する。また、「図面Ａの図面番号」を、単に「図面Ａ」と適宜略称する。

実施形態１では、過去物件図面ＤＢ９１には、複数のＮ個の異なる物件のそれぞれについての各図面が格納されている。Ｎは、１以上の整数である。以下、ｊ番目の物件を、「物件ｊ」とも称する。ｊは、１以上かつＮ以下の整数である。

また、過去物件図面ＤＢ９１には、物件１～物件Ｎのそれぞれについて、Ｍ個（Ｍ種類）の異なる図面が格納されている。Ｍは、１以上の整数である。以下、物件ｊにおけるｉ番目の図面を、「図面（ｉ，ｊ）」とも称する。また、各物件におけるｉ番目（ｉ種類目）の図面を、総称的に図面ｉとも称する。ｉは、１以上かつＭ以下の整数である。

以上のように、過去物件図面ＤＢ９１には、合計でＴ個の図面が格納されている。実施形態１の例では、Ｔ＝Ｍ×Ｎである。Ｔは、２以上の整数であるものとする。つまり、ＮおよびＭの少なくとも１つは、１以上であるものとする。

具体的には、過去物件図面ＤＢ９１では、図２に示す第１テーブルＴＢ１の形態で、各種類の図面番号が物件番号毎にリスト化されている。以下、第１テーブルＴＢ１を、「ＴＢ１」とも略記する。その他の要素についても、適宜同様に略記する。ＴＢ１は、「過去物件・図面対応テーブル」とも称される。ＴＢ１のｉ行ｊ列目のセルは、図面（ｉ，ｊ）の図面番号を示す。

図２では、Ｎ＝８、Ｍ＝６０の場合（すなわち、Ｔ＝４８０の場合）が例示されている。図２の例では、便宜上、物件１～８をそれぞれ、物件Ａ～Ｈとも表記する。図２の例では、１種類目の図面（図面１）は外形図であり、２種類目の図面（図面２）は組立図であり、３種類目の図面（図面３）は基礎図である。また、６０種類目の図面（図面６０）は構成図である。

以下では、簡単のため、図２の例における図面（１，１）～（１，８）（すなわち、物件Ａ～物件Ｈのそれぞれの外形図）を、図面ａ１～ｈ１とも表記する。２種類目以降の図面についても、同様に表記する。例えば、図２の例における図面ａ６０～ｈ６０は、図面（６０，１）～（６０，８）（すなわち、各物件の構成図）を指す。

以上のように、過去物件図面ＤＢ９１には、図面ａ１から図面ｈ６０までの、合計４８０個の図面が格納されている。過去物件図面ＤＢ９１には、図面ａ１～ｈ６０が、過去物件データセットＳＥＴ１として格納されている。以下、図面ａ１～ｈ６０を総称的に、過去図面とも称する。過去図面は、検索対象図面の一例である。このため、ＳＥＴ１は、検索対象図面群とも称される。

また、本明細書では、複数の過去図面（検索対象図面）のうちの任意の１つの図面を、候補図面とも称する。一例として、図面ａ６０（物件Ａの基礎図）を候補図面とした場合の、各処理について主に例示する。その他の図面に対する処理については、適宜説明を省略するが、図面ａ６０の場合と同様である。

（学習部１１）
学習部１１は、過去図面データ取得部１１１、過去図面データ前処理部１１２（候補図面内容パラメータ取得部，教師データ生成部）、および学習モデル生成部１１３を備える。学習部１１は、図面ａ１～ｈ６０に基づき、検索部１２による図面検索のための学習モデルを生成する。以下、学習部１１の処理の流れの一例について述べる。

（候補図面の取得）
過去図面データ取得部１１１は、過去物件図面ＤＢ９１のＳＥＴ１から、図面ａ６０を取得する。過去図面データ取得部１１１は、取得した図面ａ６０を、過去図面データ前処理部１１２に供給する。

（候補図面に対応する前処理データの生成）
過去図面データ前処理部１１２は、図面ａ６０を解析することにより、当該図面ａ６０に対応する前処理データを生成する。一例として、過去図面データ前処理部１１２は、図面ａ６０にＯＣＲ処理を施し、ＯＣＲ処理後データを生成する。ＯＣＲ処理後データでは、図面ａ６０において画像データとして表現されていた各文字が、文字コードへと変換されている。

そして、過去図面データ前処理部１１２は、ＯＣＲ処理後データから、各図面について予め設定された特定の文字列（ストリング）を抽出（検出）する。以下、当該特定の文字列を、特定文字列と称する。実施形態１では、Ｌ通り（Ｌは１以上の整数）の異なる特定文字列が、予め設定されているものとする。

以下では、ｋ番目の特定文字列を、第ｋ特定文字列と称する。ｋは、１以上かつＬ以下の整数である。以下の説明では、第１特定文字列が「電圧値」、第２特定文字列が「電流値」、第３特定文字列が「ＯＲ」、第Ｌ特定文字列が「開」として設定されている場合について、例示する。

但し、特定文字列は、上記の例に限定されない。特定文字列は、例えばエンジニアリング分野の図面中において、製品の仕様情報（技術情報）を説明するために、一般的に用いられている単語であればよい。

図３は、図面ａ６０に対する特定文字列抽出処理について説明するための図である。図３の例では、図面ａ６０の領域Ｌ１に、「電圧値 ５０Ｖ」という文字列が記載されている。この場合、過去図面データ前処理部１１２は、ＯＣＲ処理後データから、Ｌ１の「電圧値 ５０Ｖ」という一連の文字列を抽出する。過去図面データ前処理部１１２は、抽出した当該一連の文字列から、第１特定文字列「電圧値」をさらに抽出する。

続いて、過去図面データ前処理部１１２は、上記一連の文字列に対し、公知の構文解析技術を適用することにより、第１特定文字列「電圧値」に後続する文字列「５０Ｖ」は、「電圧値」の属性を示していると判定する。この場合、過去図面データ前処理部１１２は、「５０Ｖ」という文字列中に含まれる数字「５０」を、「電圧値」の大きさを示す値として取得する。このように、過去図面データ前処理部１１２は、構文解析により、『Ｌ１に記載されている一連の文字列は、「電圧値が５０Ｖである」という仕様情報を示している』という旨を判定する。

また、図面ａ６０の領域Ｌ２には、「電流値 ２．０Ａ」という一連の文字列が記載されている。過去図面データ前処理部１１２は、Ｌ１の例と同様にして、上記一連の文字列から、第２特定文字列「電流値」を抽出する。そして、過去図面データ前処理部１１２は、第２特定文字列「電圧値」に後続する文字列「２．０Ａ」は、「電圧値」の属性を示していると判定する。そこで、過去図面データ前処理部１１２は、「２．０Ａ」という文字列中に含まれる数字「２．０」を、「電流値」の大きさを示す値として取得する。このように、過去図面データ前処理部１１２は、『Ｌ２に記載されている一連の文字列は、「電流値が２．０Ａである」という仕様情報を示している』という旨を判定する。

ところで、図面ａ６０には、第３特定文字列「ＯＲ」が記載されているが、当該第３特定文字列「ＯＲ」には、何ら文字列が後続していない。この場合、過去図面データ前処理部１１２は、ＯＣＲ処理後データに含まれる第３特定文字列「ＯＲ」の登場回数を検出する。当該検出処理の結果、過去図面データ前処理部１１２は、図面ａ６０に含まれている当該第３特定文字列「ＯＲ」の個数が、３つである旨を判定する（領域Ｌ３を参照）。

同様に、図面ａ６０には、第Ｌ特定文字列「開」が記載されているが、当該第Ｌ特定文字列「開」に、何ら文字が後続していない。そこで、過去図面データ前処理部１１２は、Ｌ３の例と同様に、図面ａ６０に含まれている第Ｌ特定文字列「開」の個数が、１つである旨を判定する（領域Ｌ４を参照）。

そして、過去図面データ前処理部１１２は、ＯＣＲ処理後データに対する上述の解析結果に基づき、図面ａ６０に対応する前処理データを生成する。当該前処理データは、第ｋ特定文字列に対応付けられた第ｋ内容パラメータ（以下、Ａｋ）を示すデータセットである。また、第１～第Ｌ内容パラメータを総称的に、内容パラメータとも称する。

内容パラメータは、図面の記載内容（具体的には、特定文字列に係る記載内容）を数値化（定量化）したデータの１つであると言える。このため、内容パラメータは、図面の記載内容を示す指標として用いられる。

なお、図面（ｉ，ｊ）のＡｋを、Ａｋ（ｉ，ｊ）とも表記する。上述の通り、過去図面データ前処理部１１２は、図面（ｉ，ｊ）に対する解析結果（より具体的には、図面（ｉ，ｊ）における特定文字列の検出結果）に基づき、Ａｋ（ｉ，ｊ）を設定する。

一例として、過去図面データ前処理部１１２は、Ａ１＝５０と設定する（後述の図４のハッチング箇所も参照）。すなわち、過去図面データ前処理部１１２は、図面ａ６０に記載されている第１特定文字列「電圧値」の大きさを示す値「５０」を、第１内容パラメータとして設定する。

同様に、過去図面データ前処理部１１２は、Ａ２＝２．０と設定する。すなわち、過去図面データ前処理部１１２は、図面ａ６０に記載されている第２特定文字列「電流値」の大きさを示す値「２．０」を、第２内容パラメータとして設定する。

これに対し、過去図面データ前処理部１１２は、Ａ３＝３と設定する。すなわち、過去図面データ前処理部１１２は、図面ａ６０における第３特定文字列「ＯＲ」の記載回数（登場回数）を示す値「３」を、第３内容パラメータとして設定する。

同様に、過去図面データ前処理部１１２は、ＡＬ＝１と設定する。すなわち、過去図面データ前処理部１１２は、図面ａ６０における第Ｌ特定文字列「開」の記載回数を示す値「１」を、第Ｌ内容パラメータとして設定する。

以上のように、過去図面データ前処理部１１２は、図面ａ６０について、Ａ１～ＡＬを設定する。以上のように、過去図面データ前処理部１１２は、候補図面を解析することにより、当該候補図面の内容パラメータを取得する。このことから、過去図面データ前処理部１１２は、候補図面内容パラメータ取得部とも呼称される。

また、過去図面データ前処理部１１２は、その他の過去図面についても、同様の処理を行う。すなわち、過去図面データ前処理部１１２は、図面ａ１～ｈ６０のそれぞれに対し、Ａ１～ＡＬを設定する。

その後、過去図面データ前処理部１１２は、図面ａ１～ｈ６０のそれぞれのＡ１～ＡＬ、すなわち、Ａ１（１，１）～ＡＬ（Ｍ，Ｎ）、を示す第２テーブルＴＢ２を生成する。以下に述べるように、ＴＢ２は、教師データの一例である。すなわち、実施形態１の例では、過去図面データ前処理部１１２は、教師データを生成する機能部（教師データ生成部）としても動作する。

ＴＢ２には、第２テーブル内第ｊサブテーブルＴＢ２－ｊが含まれている。ＴＢ２－ｊは、図面ｊのそれぞれのＡ１～ＡＬを示すテーブルである。図４には、一例として、ＴＢ２－６０が示されている。ＴＢ２－６０には、図面ａ６０～ｈ６０のそれぞれのＡ１～ＡＬが示されている。ＴＢ２は、ＴＢ２－１～ＴＢ２－６０という、６０通りのサブテーブルのセットによって構成されている。

（学習モデルの生成）
学習モデル生成部１１３は、図面ａ６０～ｈ６０に対応する前処理データ（すなわち、図面ａ６０～ｈ６０におけるＡ１～ＡＬ）に基づき、当該図面ａ６０～ｈ６０のそれぞれに応じた学習モデルを生成する。学習モデルの生成には、公知の機械学習アルゴリズムが使用されてよい。一例として、実施形態１では、学習モデル生成部１１３は、多項ロジスティック回帰分析によって、学習モデルを生成する。

上述の通り、ＴＢ２には、複数の過去図面のそれぞれ（例：図面ａ６０）の番号と、当該複数の過去図面のそれぞれのＡ１～ＡＬとの対応関係が示されている。そこで、学習モデル生成部１１３は、ＴＢ２を教師データとして取得する。そして、学習モデル生成部１１３は、当該教師データを用いた多項ロジスティック回帰分析を行うことにより、学習モデルを生成する。

一例として、学習モデル生成部１１３は、ＴＢ２－６０の各Ａ１～ＡＬに基づき、図面ａ６０における第ｋ特定文字列に対応付けられた第ｋ重み係数（以下、Ｂｋ）を算出する。第１～第Ｌ重み係数を総称的に、重み係数とも称する。また、図面（ｉ，ｊ）のＢｋを、Ｂｋ（ｉ，ｊ）とも表記する。Ｂｋ（ｉ，ｊ）は、Ａｋ（ｉ，ｊ）に対応する重み係数である。重み係数は、後述する関連性スコアの算出に用いられる。

例えば、学習モデル生成部１１３は、上述の多項ロジスティック回帰分析によって、図面ａ６０におけるＢ１～Ｂ６０を算出する。実施形態１では、図面ａ６０について、Ｂ１＝０．６、Ｂ２＝１．６、Ｂ３＝０．８、…、ＢＬ＝１．３として、それぞれの重み係数が算出されている（後述の図５のハッチング箇所を参照）。

学習モデル生成部１１３は、その他の過去図面についても、同様の処理を行う。すなわち、過去図面データ前処理部１１２は、図面ａ１～ｈ６０のそれぞれに対し、Ｂ１～ＢＬを設定する。このように、学習モデル生成部１１３は、図面ａ１～ｈ６０のそれぞれのＢ１～ＢＬ、すなわち、Ｂ１（１，１）～ＢＬ（Ｍ，Ｎ）、を含む学習モデルを生成する。換言すれば、過去図面データ前処理部１１２は、学習モデルとして、Ｂ１（１，１）～ＢＬ（Ｍ，Ｎ）を示す第３テーブルＴＢ３を生成する。

ＴＢ３には、第３テーブル内第ｊサブテーブルＴＢ３－ｊが含まれている。ＴＢ３－ｊは、図面ｊのそれぞれのＢ１～ＢＬを示すテーブルである。図５には、一例として、ＴＢ３－６０が示されている。ＴＢ３－６０には、図面ａ６０～ｈ６０のそれぞれのＢ１～ＢＬが示されている。このように、ＴＢ３－６０は、ＴＢ２－６０の内容パラメータに対応する重み係数を示す。ＴＢ３は、ＴＢ３－１～ＴＢ３－６０という、６０通りのサブテーブルのセットによって構成されている。

（新規物件図面ＤＢ９２）
新規物件図面ＤＢ９２には、新規物件（例：これから建設が行われる予定である、少なくとも１つの物件）に関する各図面（以下、総称的に新規図面とも称する）が、新規物件データセットＳＥＴ２として格納されている。以下では、ＳＥＴ２に含まれる１つの新規物件（物件Ｔ）について述べる。

一例として、新規物件図面ＤＢ９２には、物件Ｔについて、過去物件と同種類のＭ個の異なる図面（外形図～構成図）が格納されている。以下では、物件Ｔの構成図を、新規図面の一例として例示する。また、物件Ｔの構成図を、図面ＮＤと称する（後述の図６も参照）。

（検索部１２）
検索部１２は、新規図面データ取得部１２１、新規図面データ前処理部１２２（ターゲット図面内容パラメータ取得部）、スコア演算部１２３、および検索結果データ生成部１２４を備える。検索部１２は、学習部１１によって生成された学習モデルを用いて、ターゲット図面を複数の検索対象図面のそれぞれと照合することにより、少なくとも１つの所定の図面を検索する。実施形態１の図面ＮＤは、ターゲット図面の一例である。以下に述べるように、検索部１２では、上記学習モデル用いて、図面ＮＤに対し、図面ａ１～ｈ６０のそれぞれとの照合が行われる。

（新規図面の取得）
新規図面データ取得部１２１は、過去図面データ取得部１１１と対になる機能部である。一例として、新規図面データ取得部１２１は、入力部７１が所定のユーザ操作を受け付けたことを契機として、新規物件図面ＤＢ９２のＳＥＴ２に含まれている、所定の新規図面（例：図面ＮＤ）を取得する。新規図面データ取得部１２１は、取得した図面ＮＤを、新規図面データ前処理部１２２に供給する。

（新規図面に対応する前処理データの生成）
新規図面データ前処理部１２２は、過去図面データ前処理部１１２と対になる機能部である。新規図面データ前処理部１２２は、過去図面データ前処理部１１２と同様の処理により、図面ＮＤに対応する前処理データを生成する。すなわち、新規図面データ前処理部１２２は、図面ＮＤにＯＣＲ処理を施し、当該図面ＮＤから特定文字列を抽出する。そして、新規図面データ前処理部１２２は、特定文字列の抽出結果に基づき、当該図面ＮＤの内容パラメータを設定する。以下、図面ＮＤの第ｋ内容パラメータを、Ｃｋとも称する。

すなわち、新規図面データ前処理部１２２は、過去図面データ前処理部１１２と同じ解析手法によって図面ＮＤを解析することにより、当該図面ＮＤの内容パラメータを取得する。

図６は、図面ＮＤに対する特定文字列抽出処理について説明するための図である。図６は、図３と対になる図である。図６の例では、図面ＮＤの領域Ｒ１に、「電圧値 ５０Ｖ」という文字列が記載されている。従って、新規図面データ前処理部１２２は、第１特定文字列の抽出結果に基づき、Ｃ１＝５０と設定する（後述の図７も参照）。

ところで、図面ＮＤの領域Ｒ１の位置は、図面ａ６０の領域Ｌ１の位置とは異なっている（図３・図６を参照）。但し、図面ＮＤでは、図面ａ６０とは記載位置が異なるものの、当該図面ａ６０と等しい電圧値が記載されている。新規図面データ前処理部１２２による第１内容パラメータの設定手法によれば、図面ＮＤと図面ａ６０との見かけ上の違い（例：第１特定文字列の記載位置の違い）によらず、図面ＮＤと図面ａ６０と間の記載内容（第１特定文字列に係る仕様情報）自体の一致性を、定量的に評価できる。この点に関しては、以下に述べるＣ２～ＣＬ（換言すれば、領域Ｒ２～Ｒ４）についても同様である。

また、図６の例では、図面ＮＤの領域Ｒ２に、「電流値 ２．５Ａ」という文字列が記載されている。従って、新規図面データ前処理部１２２は、第２特定文字列の抽出結果に基づき、Ｃ２＝２．５と設定する。図面ＮＤでは、図面ａ６０とは記載位置が異なるものの、当該図面ａ６０と概ね等しい電流値が記載されている（図３・図６を参照）。

さらに、新規図面データ前処理部１２２は、図面ＮＤに含まれている第３特定文字列「ＯＲ」の個数が、３つである旨を判定する（図６の領域Ｒ３を参照）。従って、新規図面データ前処理部１２２は、Ｃ３＝３と設定する。

同様に、新規図面データ前処理部１２２は、図面ＮＤに含まれている第Ｌ特定文字列「開」の個数が、２つである旨を判定する（図６の領域Ｒ４を参照）。従って、新規図面データ前処理部１２２は、ＣＬ＝２と設定する。

以上のように、新規図面データ前処理部１２２は、図面ＮＤに対し過去図面データ前処理部１１２と同様の処理を行うことにより、Ｃ１～ＣＬを設定する。その後、新規図面データ前処理部１２２は、Ｃ１～ＣＬを示す新規図面内容パラメータテーブルＴＢ－ＮＤを生成する（図７を参照）。

（関連性スコアの算出）
スコア演算部１２３は、学習モデル生成部１１３によって生成された学習モデル（より具体的には、Ｂ１（１，１）～ＢＬ（Ｍ，Ｎ））に基づき、関連性スコアを算出する。関連性スコアとは、図面ＮＤに対する各過去図面（図面ａ１～ｈ６０）の関連性の高さを示すスコア（指標）である。以下、図面（ｉ，ｊ）の関連性スコアを、ＳＣＯＲＥ（ｉ，ｊ）とも表記する。また、ＳＣＯＲＥ（ｉ，ｊ）を、ＳＣＯＲＥとも略記する。

以下では、図７（特に、図７のハッチング箇所）を参照し、関連性スコアを算出する場合を例示する。以下の例では、図面ＮＤと同種類の過去図面（すなわち、構成図である図面ａ６０～ｈ６０）のそれぞれについて、関連性スコアを算出する場合を説明する。一般に、図面ＮＤと同種類の過去図面の方が、図面ＮＤとは異なる種類の過去図面に比べ、より高い関連性スコアが得られると期待されるためである。すなわち、一般には、図面ＮＤと関連性が高い過去図面は、当該図面ＮＤと同種類に属すると期待されるためである。

図７は、関連性スコアの導出例について説明する図である。図７では、図面ａ６０のＳＣＯＲＥを算出する例について主に述べる。スコア演算部１２３は、（ｉ）新規図面データ前処理部１２２によって導出されたＣ１～ＣＬと、（ｉｉ）学習モデル生成部１１３によって導出された、図面ａ６０のＢ１～Ｂ６０と、を用いて、当該図面ａ６０の第１素点～第Ｌ素点を算出する。

以下、第ｋ素点を、ＳＳｋとも表記する。なお、図面（ｉ，ｊ）の第ｋ素点を、ＳＳｋ（ｉ，ｊ）とも表記する。また、第１素点～第Ｌ素点を総称的に、素点とも称する。ＳＳｋは、Ｂｋ（第ｋ重み係数）に対応している。

具体的には、スコア演算部１２３は、図面ＮＤの第ｋ内容パラメータ（Ｃｋ）と図面ａ６０の第ｋ重み係数（Ｂｋ）との積を、ＳＳｋとして算出する。つまり、スコア演算部１２３は、
ＳＳｋ＝Ｃｋ×Ｂｋ …（１）
を算出する。

図７の例では、Ｃ１＝５０、Ｂ１＝０．６である。このため、スコア演算部１２３は、ＳＳ１＝５０×０．６＝３０として、ＳＳ１を導出する。同様にして、スコア演算部１２３は、以降の各素点を算出する。例えば、スコア演算部１２３は、ＳＳ２＝４、ＳＳ３＝２．４、…、ＳＳＬ＝２．６として、各素点を算出する。

続いて、スコア演算部１２３は、図面ａ６０の第１素点～第Ｌ素点に基づき、当該図面ａ６０の関連性スコア（ＳＣＯＲＥ）を算出する。具体的には、スコア演算部１２３は、第１素点から第Ｌ素点までの各素点の和を、ＳＣＯＲＥとして算出する。すなわち、スコア演算部１２３は、
ＳＣＯＲＥ＝ΣＳＳｋ …（２）
を算出する。式（２）の右辺におけるｋの範囲は、１からＬまでである。この点は、後述する式（２Ａ）等についても同様である。

以上のように、スコア演算部１２３は、各Ｃｋと各Ｂｋとを用いて、ＳＣＯＲＥを算出する。以下、図面ａ６０の関連性スコアを、ＳＣＯＲＥ（ａ６０）とも表記する。その他の過去図面の関連性スコアについても、同様に表記する。図７の例では、スコア演算部１２３による計算の結果、ＳＣＯＲＥ（ａ６０）＝３９．４が得られた。

続いて、スコア演算部１２３は、同様の手法によって、残りの各過去図面（図面ｂ６０～ｈ６０）のＳＣＯＲＥを算出する。図７の例では、スコア演算部１２３による計算の結果、ＳＣＯＲＥ（ｂ６０）＝１２．１、ＳＣＯＲＥ（ｃ６０）＝２０．７５、…、ＳＣＯＲＥ（ｈ６０）＝－１０．２が得られた。

また、図７の例では、ＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）という６０通りのＳＣＯＲＥのうち、最大の関連性スコアはＳＣＯＲＥ（ａ６０）であることが確認された。また、上記６０通りのＳＣＯＲＥのうち、ＳＣＯＲＥ（ｃ６０）が２番目に大きく、ＳＣＯＲＥ（ｂ６０）が３番目に大きいことが確認された。さらに、上記６０通りのＳＣＯＲＥのうち、最小の関連性スコアはＳＣＯＲＥ（ｈ６０）であることが確認された。

スコア演算部１２３は、自身の計算結果を示す第４テーブルＴＢ４を生成する。ＴＢ４には、第４テーブル内第ｊサブテーブルＴＢ４－ｊが含まれている。ＴＢ４－ｊは、図面ｊのそれぞれのＳＳ１～ＳＳＬおよびＳＣＯＲＥを示すテーブルである。図７には、一例として、ＴＢ４－６０が示されている。ＴＢ４－６０には、図面ａ６０～ｈ６０のそれぞれのＳＳ１～ＳＳＬおよびＳＣＯＲＥが示されている。このように、ＴＢ４－６０は、ＴＢ－ＮＤおよびＴＢ３－６０に基づいて生成される。ＴＢ４は、ＴＢ４－１～ＴＢ４－６０という、６０通りのサブテーブルのセットによって構成されている。

なお、上述の式（１）は、
ＳＳｋ（ｉ，ｊ）＝Ｃｋ×Ｂｋ（ｉ，ｊ） …（１Ａ）
とも表記できる。このように、スコア演算部１２３は、Ｂｋ（ｉ，ｊ）に基づきＳＳｋ（ｉ，ｊ）を算出する。

また、上述の式（２）は、
ＳＣＯＲＥ（ｉ，ｊ）＝ΣＳＳｋ（ｉ，ｊ）
＝Σ｛Ｃｋ×Ｂｋ（ｉ，ｊ）｝…（２Ａ）
とも表記できる。このように、スコア演算部１２３は、各ＳＳｋ（ｉ，ｊ）（すなわち、各Ｃｋおよび各Ｂｋ（ｉ，ｊ））に基づき、ＳＣＯＲＥ（ｉ，ｊ）を算出する。

また、上述の式（２Ａ）は、
ＳＣＯＲＥ（ｉ，ｊ）＝Σ｛Ａｋ（ｉ，ｊ）×Ｂｋ（ｉ，ｊ）｝…（３）
において、Ａｋ（ｉ，ｊ）にＣｋを代入した式と理解することもできる。このように、スコア演算部１２３は、学習モデル内の独立変数（説明変数）として、Ｃ１～ＣＬを適用することにより、従属変数（目的変数）であるＳＣＯＲＥを算出できる。なお、式（３）の右辺は、多項ロジスティック回帰分析における線形モデル（多項ロジスティック回帰分析モデル）の一例である。

（候補順位の決定）
検索結果データ生成部１２４は、スコア演算部１２３によって算出されたＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）に基づき、図面ＮＤに対応する候補順位（候補ランキング）を決定する。具体的には、検索結果データ生成部１２４は、ＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）に基づき、図面ａ６０～ｈ６０（構成図）のそれぞれの候補順位（第１候補～第Ｎ候補）を決定する。実施形態１では、Ｎ＝８であるので、説明の便宜上、第８候補（最下位の候補）を、候補Ｈとも称する（後述の図８も参照）。

検索結果データ生成部１２４は、ＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）を、値が大きい順にソートする。そして、検索結果データ生成部１２４は、Ｐ番目に大きいＳＣＯＲＥに対応する過去図面を、第Ｐ候補（以下、候補Ｐとも称する）として決定する。Ｐは、１以上かつＮ以下の整数である。

このようにＳＣＯＲＥに応じて候補番号を設定すれば、候補番号が小さくなるほど（より上位の候補であるほど）、過去図面と図面ＮＤとの関連性が高いことが期待される。例えば、候補１は、図面ａ６０～ｈ６０のうち、図面ＮＤとの関連性が最も高いことがＳＣＯＲＥによって示されている過去図面を指す。

上述の通り、ＳＣＯＲＥ（ａ６０）は、ＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）のうち、最大の関連性スコア（１番目に大きい関連性スコア）であった。そこで、検索結果データ生成部１２４は、図面ａ６０を候補１として決定する（図８のハッチング箇所を参照）。このように、検索結果データ生成部１２４は、図面ＮＤとの関連性が最も高い過去図面として、図面ａ６０を選択する。

また、ＳＣＯＲＥ（ｃ６０）は、ＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）のうち、２番目に大きい関連性スコアであった。そこで、検索結果データ生成部１２４は、図面ｃ６０を候補２として決定する。このように、検索結果データ生成部１２４は、図面ＮＤとの関連性が２番目に高い過去図面として、図面ｃ６０を選択する。

また、ＳＣＯＲＥ（ｂ６０）は、ＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）のうち、３番目に大きい関連性スコアであった。そこで、検索結果データ生成部１２４は、図面ｃ６０を候補３として決定する。このように、検索結果データ生成部１２４は、図面ＮＤとの関連性が３番目に高い過去図面として、図面ｂ６０を選択する。

さらに、ＳＣＯＲＥ（ｈ６０）は、ＳＣＯＲＥ（ａ６０）～ＳＣＯＲＥ（ｈ６０）のうち、最小の関連性スコア（８番目に大きい関連性スコア）であった。そこで、検索結果データ生成部１２４は、図面ｈ６０を候補８（すなわち候補Ｈ）として決定する。このように、検索結果データ生成部１２４は、図面ＮＤとの関連性が最も低い（８番目に高い）過去図面として、図面ｈ６０を選択する。

検索結果データ生成部１２４は、図面ＮＤに対する図面ａ６０～ｈ６０の候補番号を示すデータを生成する。当該データでは、図面ａ６０～ｈ６０（より具体的には、図面ａ６０～ｈ６０の図面番号）が、ＳＣＯＲＥが高い順にソートされている。

なお、検索結果データ生成部１２４は、新規図面の種類が構成図とは異なる場合にも、当該新規図面と同種類の過去図面について、同様の処理を行う。例えば、新規図面の種類が外形図である場合を考える。この場合、検索結果データ生成部１２４は、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（ｈ１）に基づき、新規図面に対する図面ａ１～ｈ１（外形図）のそれぞれの候補番号を決定する。その他の種類の図面についても同様である。

以上のように、検索結果データ生成部１２４は、種類ｉに属する図面ＮＤに対し、ＳＣＯＲＥ（ｉ，１）～ＳＣＯＲＥ（ｉ，Ｎ）に基づき、図面（ｉ，１）～図面（ｉ，Ｎ）の候補番号を設定する。具体的には、検索結果データ生成部１２４は、ＳＣＯＲＥ（ｉ，１）～ＳＣＯＲＥ（ｉ，Ｎ）のうち、Ｐ番目に大きいＳＣＯＲＥであるＳＣＯＲＥ（ｉ，Ｐ）を特定する。そして、検索結果データ生成部１２４は、ＳＣＯＲＥ（ｉ，Ｐ）に対応する過去図面、すなわち図面（ｉ，Ｐ）を、候補Ｐとして決定する。

一例として、検索結果データ生成部１２４は、検索結果データとして第５テーブルＴＢ５を生成する。第５テーブルＴＢ５では、図面ＮＤの種類ごとに、候補番号が高い順に（ＳＣＯＲＥを大きい順に）、過去図面がソートされている。図８には、ＴＢ５の一例が示されている。検索結果データ生成部１２４は、ＴＢ５を表示部７２に供給し、当該ＴＢ５を表示部７２に表示させる。

表示部７２にＴＢ５を表示部７２に表示させることにより、ユーザに、検索部１２（より具体的には、検索結果データ生成部１２４）の検索結果を、一覧性が高い態様で提示することができる。

但し、検索結果データ生成部１２４は、ＴＢ５の全体を、必ずしも検索結果データとしてユーザに提示しなくともよい。過去図面数があまりに多い場合、ＴＢ５の全体をユーザに提示すると、かえってユーザの利便性が低下しうることも考えられるためである。

従って、検索結果データは、ＴＢ５の少なくとも一部であればよい。検索結果データは、ターゲット図面（図面ＮＤ）に対応する少なくとも１つの所定の図面（少なくとも１つの過去図面）を示すデータであればよい。

ところで、上述の通り、候補１の図面は、複数の過去図面のうち、ＳＣＯＲＥが最も高い図面である。そこで、検索結果データのデータ量低減の観点からは、検索結果データを、候補１の図面のみを示すデータとして生成することも考えられる。

しかしながら、プラントエンジニアリング分野における機器の設計を行う場合、設計者は各種の技術情報を総合的に判断する必要がある。このため、過去図面を参考として図面ＮＤに記載された機器を新たに設計する場合、ＳＣＯＲＥが最も高い過去図面（候補１の図面）が、設計の参考に最も適しているとは限らない。例えば、候補２の図面（ＳＣＯＲＥがより低い図面）が、候補１の図面に比べて、実際には設計の参考により適している場合もありうる。

そこで、検索結果データは、上位の複数の候補を示すデータであることが好ましい。一例として、検索結果データは、候補１～候補３の図面を示すデータであってよい。

（効果）
プラントエンジニアリングでは、物件Ｔに関するプロジェクトの進捗に伴い、図面ＮＤ（ターゲット図面）との関連性が高い過去図面を検索することが必要とされる場合がある（特許文献１も参照）。上記プロジェクトでは、過去物件における特定の種類の機器の設計・製作実績を参考に、物件Ｔにおける同種類の機器についての各種の計画（例：製作期間の予想、製作コストの試算）がなされる場合が多いためである。

ここで、図面ＮＤと同様の仕様情報が記載されている過去図面であれば、図面ＮＤとの関連性が高いことが期待される。しかしながら、プラントエンジニアリングでは、過去物件の図面数が膨大であることが一般的である。このため、特許文献１の図面検索システムを用いたとしても、所望の図面（図面ＮＤとの関連性が高い過去図面）を検索結果から迅速に見つけ出すことは、ユーザにとって必ずしも容易ではない。特許文献１の図面検索システムにおいて、キーワードレス検索を行った場合には、検索結果としてかなり多数の過去図面がヒットすることが考えられるためである。

そこで、キーワード検索機能を有する公知の図面検索システムを用いて、図面ＮＤとの関連性が高い所望の図面を検索することも一案である。例えば、図面ＮＤ中に記載されている特定文字列をキーワード（検索ワード）として、過去図面を検索することが考えられる。しかしながら、このようなキーワード検索を行った場合にも、所望の図面を検索結果から迅速に見つけ出すことは、ユーザにとって必ずしも容易ではない。キーワード検索を行った場合にも、検索結果としてかなり多数の過去図面がヒットすることが考えられるためである。また、適切な検索ワードをユーザが決定できない場合には、そもそもキーワード検索を利用することが困難である。

以上の通り、従来の図面検索システムを用いて所望の図面を迅速に検索することは、プラントエンジニアリングについて十分な知識を有していないユーザ（例：新人設計者）にとって、困難を伴う。プラントエンジニアリングに精通したユーザ（例：ベテラン設計者）でなければ、従来の図面検索システムを用いて所望の図面を効率的に検索することは必ずしも容易ではないと考えられる。

本願の発明者らは、従来技術のこのような問題点に鑑み、図面検索システム１００（より具体的には、図面検索装置１）を新たに創作した。図面検索装置１によれば、各過去図面に対する機械学習によって得られた学習モデルを用いて、図面ＮＤに対応する所望の図面を検索できる。図面検索装置１では、各過去図面について、特定文字列に関連付けられた内容パラメータが設定される。そして、当該内容パラメータに基づき、各過去図面の重み係数が設定される。

その後、図面検索装置１では、図面ＮＤの内容パラメータと各過去図面の重み係数とを用いて、当該図面ＮＤと当該各過去図面との関連性の高さを示す指標である関連性スコアが、過去図面ごとに算出される。そして、各過去図面が、関連性スコアの高い順にソート（順序付け）される。つまり、関連性スコアに基づき、所望の図面の候補としての少なくとも１つの過去図面が、ユーザに提示される。

このように、図面検索装置１によれば、キーワード検索機能を有する公知の図面検索システムとは異なり、キーワードレス検索によって、ユーザに所望の図面を効率的に検索させることができる。特に、図面検索装置１によれば、適切な検索ワードをユーザが決定できない場合であっても、ユーザに効率的な図面検索を行わせることができる。このため、図面検索装置１は、例えば上述の新人設計者の業務効率向上に特に好適と言える。

なお、特許文献１の図面検索システムは、キーワードレス検索を前提としている点において、図面検索装置１と共通している。但し、特許文献１の図面検索システムでは、図面検索装置１とは異なり、検索結果に対する順序付けがなされていない。このため、特許文献１の図面検索システムでは、検索結果の上位に挙げられる過去図面が、必ずしも図面ＮＤに対し高い関連性を有しているとは限らない。

これに対し、図面検索装置１では、各過去図面が関連性スコアの高い順にソートされたデータが、検索結果としてユーザに提示される。このため、ユーザに、関連性スコアの高い順に、検索結果として提示された各過去図面を確認させることができる。つまり、ユーザに、より上位の候補に挙げられた過去図面を、優先的に確認させることができる。

このように、図面検索装置１では、特許文献１の図面検索システムとは異なり、検索結果として提示された各過去図面を、ユーザにしらみつぶしに（総当たり方式で）確認させることが不要となる。それゆえ、図面検索装置１によれば、特許文献１の図面検索システムに比べても、図面ＮＤに対応する所望の図面を、従来よりも簡便にユーザに発見させることが可能となる。すなわち、図面検索装置１によれば、特許文献１の図面検索システムに比べて、ユーザの利便性をさらに向上させることができる。

ところで、近年では、機械学習を利用した画像照合技術（例：顔認証技術）が広く用いられている。当該画像照合技術を用いて、所望の図面を検索することも考えられる。しかしながら、上記画像照合技術では、あくまで画像としての「見た目」（例：レイアウト）に基づいて、図面ＮＤと各過去図面との関連性が判定される。それゆえ、画像照合技術をベースとした図面検索手法（以下、画像照合ベース図面検索）は、図面検索装置１に比べ、図面検索には適していない場合がある。以下、この点について述べる。

例えば、図面の記載フォーマットが標準化（統一）されていない場合には、各図面の作成者ごとに、図面の記載方式が異なることも考えられる。それゆえ、２つの図面において同様の内容（例：仕様情報）が記載されている場合であっても、各図面において当該内容が異なる位置に表記される場合がある。例えば、「図３の領域Ｌ１」（以下、領域Ａとも称する）と「図６の領域Ｒ１」（以下、領域Ｂとも称する）とを参照されたい。

このような場合、画像照合ベース図面検索では、領域Ａと領域Ｂとの位置が異なるため、図面ＮＤに対する図面ａ６０の関連性が低いと評価されうる。しかしながら、上述の通り、領域Ａおよび領域Ｂには、電圧値に関して同一の仕様情報が記載されている。このため、実際には、図面ａ６０は、図面ＮＤに対して高い関連性を有していると考えられる。

以上の通り、画像照合ベース図面検索では、各図面に記載されている仕様情報の内容自体を考慮して、図面ＮＤと図面ａ６０との関連性を評価することはできない。それゆえ、図面ＮＤとは見た目が異なっているものの、類似した内容自体が記載されている過去図面（例：図面ａ６０）を、適切に検索することはできない。

これに対し、図面検索装置１では、画像照合ベース図面検索とは異なり、各図面に記載されている特定文字列に着目し、内容パラメータが設定される。すなわち、図面検索装置１では、各図面に記載されている仕様情報の内容自体を考慮できる。そして、当該内容パラメータに基づき、図面ＮＤと各過去図面との関連性が評価（例：スコアリング）される。

それゆえ、図面検索装置１によれば、画像照合ベース図面検索とは異なり、図面ＮＤとは見た目が異なっているものの、類似した内容自体が記載されている過去図面（例：図面ａ６０）を、適切に検索できる。このように、図面検索装置１は、画像照合ベース図面検索に比べ、図面検索に適している。

（実験例）
発明者らは、図面検索システム１００の有効性を検証するため、さらなる実験を行った。具体的には、発明者らは、５０個の過去物件に関する各図面が過去物件図面ＤＢ９１に格納されている場合に、実施形態１と同様の各処理を行った。つまり、発明者らは、Ｎ＝５０の場合（すなわち、Ｔ＝３０００の場合）について、実施形態１と同様に、（ｉ）学習モデルの生成、および、（ｉｉ）当該学習モデルを用いた過去図面の検索、を行った。

その結果、Ｎ＝５０の場合においても、実施形態１の例と同様に、新規図面に対応する過去図面を、適切に検索できることが確認された。すなわち、新規図面の種類毎に、同種類の過去図面を、関連性スコアが高い順に提示できることが確認された。

過去図面の数が多くなるほど、従来の図面検索システム（または、画像照合ベース図面検索）によって、所定の新規図面と関連性が高い過去図面を適切に検索することがより困難となる。それゆえ、図面検索装置１は、過去図面の数が多くなるほど、ユーザの利便性向上により有益である。

〔実施形態２〕
実施形態１では、学習モデル生成部１１３において、多項ロジスティック回帰分析を用いて学習モデルを生成する場合を例示した。但し、学習モデルの生成手法は、これに限定されない。

学習モデル生成部１１３は、上述の教師データを用いた機械学習により、学習モデルを生成できればよい（各重み係数を算出できればよい）。例えば、学習モデル生成部１１３は、公知のニューラルネットワーク技術（例：公知のディープラーニング技術）を用いて、学習モデルを生成することもできる。

〔実施形態３〕
検索結果データ生成部１２４は、候補Ｐとして選択した図面に対応する所定のデータを、さらに取得してもよい。図８の例の場合、検索結果データ生成部１２４は、図面ａ６０（候補１）に対応する、所定の機器の仕様データを取得してもよい。プラントエンジニアリングの各種の計画では、過去図面とともに、当該過去図面に記載された所定の機器の仕様がともに参照される場合が多いためである。

この場合、検索結果データ生成部１２４は、検索結果データとともに、仕様データをユーザに提示できる。それゆえ、ユーザの利便性をさらに向上させることができる。一例として、図面検索装置１では、図面ａ１～ｈ６０と仕様データとの対応関係を示すテーブルが予め準備されていてよい。検索結果データ生成部１２４は、当該テーブルを参照し、候補Ｐに対応する仕様データを取得すればよい。

〔変形例〕
本発明の一態様に係る図面検索装置は、プラントエンジニアリング以外の分野における図面の検索についても適用可能である。本発明の一態様に係る図面は、上記図面検索装置によって内容パラメータを取得することが可能な図面であればよい。

〔ソフトウェアによる実現例〕
図面検索システム１００の制御ブロック（特に制御部１０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、図面検索システム１００は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔付記事項〕
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 図面検索装置
１０ 制御部
１１ 学習部
１２ 検索部
１００ 図面検索システム
１１２ 過去図面データ前処理部（候補図面内容パラメータ取得部，教師データ生成部）
１１３ 学習モデル生成部
１２２ 新規図面データ前処理部（ターゲット図面内容パラメータ取得部）
１２３ スコア演算部
１２４ 検索結果データ生成部
ａ１～ｈ６０ 図面（過去図面，検索対象図面）
ａ６０ 図面（過去図面，候補図面）
ＮＤ 図面（新規図面，ターゲット図面）

Claims (3)

1. 複数の検索対象図面から、ターゲット図面に対応する少なくとも１つの所定の図面を検索する図面検索装置であって、
   上記複数の検索対象図面に基づき学習モデルを生成する学習部と、
   上記学習モデルを用いて、上記ターゲット図面を上記複数の検索対象図面のそれぞれと照合することにより、上記少なくとも１つの所定の図面を検索する検索部と、を備えており、
   上記複数の検索対象図面のうちの任意の１つの図面を、候補図面と称し、
   上記学習部は、
   上記候補図面を解析することにより、当該候補図面の記載内容に関連付けられた内容パラメータを取得する、候補図面内容パラメータ取得部と、
   上記複数の検索対象図面のそれぞれの番号と、当該複数の検索対象図面のそれぞれの内容パラメータと、の対応関係を示す教師データを生成する教師データ生成部と、
   上記教師データを用いた機械学習を行うことにより上記学習モデルを生成する学習モデル生成部と、を備えており、
   上記検索部は、
   上記候補図面内容パラメータ取得部と同じ解析手法によって上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連付けられた内容パラメータを取得するターゲット図面内容パラメータ取得部と、
   上記学習モデルに上記ターゲット図面の内容パラメータを適用することにより、当該ターゲット図面に対する上記候補図面の関連性の高さの指標である関連性スコアを算出するスコア演算部と、を備えており、
   上記図面検索装置では、図面に関する特定文字列が予め設定されており、
   上記候補図面内容パラメータ取得部は、
   上記候補図面に含まれている上記特定文字列を検出し、
   上記候補図面における上記特定文字列の検出結果に基づき、当該候補図面の内容パラメータを設定し、
   上記ターゲット図面内容パラメータ取得部は、
   上記ターゲット図面に含まれている上記特定文字列を検出し、
   上記ターゲット図面における上記特定文字列の検出結果に基づき、当該ターゲット図面の内容パラメータを設定し、
   上記図面検索装置では、上記特定文字列として、第１特定文字列から第Ｌ特定文字列までのＬ通り（Ｌは１以上の整数）の異なる文字列が予め設定されており、
   上記候補図面内容パラメータ取得部は、上記候補図面について、第ｋ特定文字列（ｋは１以上かつＬ以下の整数）に対応する内容パラメータである第ｋ内容パラメータを設定し、
   上記学習モデル生成部は、上記教師データを用いた機械学習を行うことにより、上記候補図面の第ｋ内容パラメータに対応する第ｋ重み係数を設定し、
   上記ターゲット図面内容パラメータ取得部は、上記ターゲット図面の第ｋ内容パラメータを設定し、
   上記スコア演算部は、
   上記ターゲット図面の第ｋ内容パラメータと上記候補図面の第ｋ重み係数との積を、第ｋ素点として算出し、
   第１素点から第Ｌ素点までの各素点の和を、上記関連性スコアとして算出する、図面検索装置。
2. 上記検索部は、上記少なくとも１つの所定の図面の番号を示す検索結果データを生成する検索結果データ生成部をさらに備えており、
   上記検索結果データでは、上記少なくとも１つの所定の図面の番号が、上記関連性スコアが高い順にソートされている、請求項１に記載の図面検索装置。
3. 複数の検索対象図面から、ターゲット図面に対応する少なくとも１つの所定の図面を検索する図面検索方法であって、
   上記複数の検索対象図面に基づき学習モデルを生成する学習工程と、
   上記学習モデルを用いて、上記ターゲット図面を上記複数の検索対象図面のそれぞれと照合することにより、上記少なくとも１つの所定の図面を検索する検索工程と、を含んでおり、
   上記複数の検索対象図面のうちの任意の１つの図面を、候補図面と称し、
   上記学習工程は、
   上記候補図面を解析することにより、当該候補図面の記載内容に関連付けられた内容パラメータを取得する、候補図面内容パラメータ取得工程と、
   上記複数の検索対象図面のそれぞれの番号と、当該複数の検索対象図面のそれぞれの内容パラメータと、の対応関係を示す教師データを生成する教師データ生成工程と、
   上記教師データを用いた機械学習を行うことにより上記学習モデルを生成する学習モデル生成工程と、を含んでおり、
   上記検索工程は、
   上記候補図面内容パラメータ取得工程と同じ解析手法によって上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連付けられた内容パラメータを取得するターゲット図面内容パラメータ取得工程と、
   上記学習モデルに上記ターゲット図面の内容パラメータを適用することにより、当該ターゲット図面に対する上記候補図面の関連性の高さの指標である関連性スコアを算出するスコア演算工程と、を含んでおり、
   上記図面検索方法では、図面に関する特定文字列が予め設定されており、
   上記候補図面内容パラメータ取得工程では、
   上記候補図面に含まれている上記特定文字列を検出し、
   上記候補図面における上記特定文字列の検出結果に基づき、当該候補図面の内容パラメータを設定し、
   上記ターゲット図面内容パラメータ取得工程では、
   上記ターゲット図面に含まれている上記特定文字列を検出し、
   上記ターゲット図面における上記特定文字列の検出結果に基づき、当該ターゲット図面の内容パラメータを設定し、
   上記図面検索方法では、上記特定文字列として、第１特定文字列から第Ｌ特定文字列までのＬ通り（Ｌは１以上の整数）の異なる文字列が予め設定されており、
   上記候補図面内容パラメータ取得工程では、上記候補図面について、第ｋ特定文字列（ｋは１以上かつＬ以下の整数）に対応する内容パラメータである第ｋ内容パラメータを設定し、
   上記学習モデル生成工程では、上記教師データを用いた機械学習を行うことにより、上記候補図面の第ｋ内容パラメータに対応する第ｋ重み係数を設定し、
   上記ターゲット図面内容パラメータ取得工程では、上記ターゲット図面の第ｋ内容パラメータを設定し、
   上記スコア演算工程では、
   上記ターゲット図面の第ｋ内容パラメータと上記候補図面の第ｋ重み係数との積を、第ｋ素点として算出し、
   第１素点から第Ｌ素点までの各素点の和を、上記関連性スコアとして算出する、図面検索方法。

Images