JP7310901B2

JP7310901B2 - 学習装置、推定装置、それらの方法、およびプログラム

Info

Publication number: JP7310901B2
Application number: JP2021546163A
Authority: JP
Inventors: 淳司渡邊; 藍子村田
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2019-09-20
Filing date: 2019-09-20
Publication date: 2023-07-19
Anticipated expiration: 2039-09-20
Also published as: WO2021053823A1; US20230342549A1; JPWO2021053823A1

Description

本発明は、オノマトペを含む心理状態感性表現語から気象情報等の周囲環境を推定する技術に関する。

非特許文献１では、オノマトペを構成する子音・母音の種類、濁音の有無などの音韻上の要素からオノマトペの印象を予測するモデルによって、オノマトペ全体の印象を定量化する。

清水祐一郎,土斐崎龍一,坂本真樹、「オノマトペごとの微細な印象を推定するシステム」、人工知能学会論文誌、29巻、1号、p.41-52、2014年.

従来技術では、オノマトペが喚起する印象を推定するが、オノマトペを使用する使用者の周囲環境を推定するものではない。

本発明は、現在までの心理状態感性表現語に基づき、未来の非固定周囲環境を推定する推定装置、非固定周囲環境を推定する際に用いるモデルを学習する学習装置、それらの方法、およびプログラムを提供することを目的とする。

なお、心理状態感性表現語は、ある時点における対象者の心理状態を表すものであり、例えば、オノマトペと感嘆詞の少なくとも何れかにカテゴライズされる語の総称である。また、オノマトペは、例えば、擬音語、擬態語、擬情語の少なくとも何れかにカテゴライズされる語の総称である。ここで、擬音語は実際の音を言語音で表現したものであり、擬態語は音ではない感覚を言語音で表現したものであり、擬情語は心理状態を言語音で表現したものである。なお、感嘆詞は感動詞と呼ばれることもある。以下では、心理状態感性表現語がオノマトペである場合について説明するが、感嘆詞である場合についても同様に処理可能である。

また、ここでの「非固定周囲環境」は、周囲環境について「固定周囲環境」と区別して用いる文言である。「固定周囲環境」は、対象者の周囲環境であって、場所によって一意に定まる環境のことである。例えば、「飲食施設」「遊戯施設」「○○遊園地」「××動物園」等は「固定周囲環境」である。これに対し、「非固定周囲環境」は、対象者の周囲環境であって、場所によって一意に定まらない環境、すなわち、時間の変化に応じて変化する環境であり、例えば、気温、湿度、雨量、地震等の気象情報等である。例えば、前述の気象情報等は、同じ場所であっても時間の変化に応じて変化するので、場所によって一意に定まらない周囲環境であり、すなわち、「非固定周囲環境」であると言える。

上記の課題を解決するために、本発明の一態様によれば、学習装置は、学習用の心理状態感性表現語と、学習用の当該心理状態感性表現語を発したときの、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である学習用の非固定周囲環境情報とを少なくとも記憶する記憶部と、時刻time(t)までの2つ以上の学習用の心理状態感性表現語による時系列と、時刻time(t)よりも後の非固定周囲環境を示す学習用の非固定周囲環境情報とを少なくとも含む組合せを1つの学習データとして、複数の学習データを用いて、ある時刻までの2つ以上の心理状態感性表現語による時系列を少なくとも入力とし、当該ある時刻よりも後の非固定周囲環境を推定する推定モデルを学習する学習部とを含む。

上記の課題を解決するために、本発明の他の態様によれば、推定装置は、ある時刻までの2つ以上の心理状態感性表現語の時系列を少なくとも入力とし、当該ある時刻よりも後の、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である非固定周囲環境を推定する推定モデルを用いて、入力された2つ以上の心理状態感性表現語とその入力順序とに少なくとも基づいて、未来の非固定周囲環境を推定する推定部を含む。

上記の課題を解決するために、本発明の他の態様によれば、学習装置は、同じ場所にいる複数人から発せられた学習用の心理状態感性表現語と、学習用の当該心理状態感性表現語を発したときの学習用の時刻と、学習用の当該心理状態感性表現語を発したときの、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である学習用の非固定周囲環境情報と、を少なくとも記憶する記憶部と、同じ場所にいる複数人から発せられた時刻time(t)までの複数の学習用の心理状態感性表現語と、それぞれの学習用の当該心理状態感性表現語に対応する学習用の時刻または所定の時刻からの経過時間と、時刻time(t)よりも後の非固定周囲環境を示す学習用の非固定周囲環境情報とを少なくとも含む組合せを1つの学習データとして、複数の学習データを用いて、同じ場所にいる複数人から発せられたある時刻までの複数の心理状態感性表現語と、それぞれの当該心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を少なくとも入力とし、ある時刻よりも後の非固定周囲環境を推定する推定モデルを学習する学習部を含む。

上記の課題を解決するために、本発明の他の態様によれば、推定装置は、同じ場所にいる複数人から発せられたある時刻までの複数の心理状態感性表現語と、それぞれの当該心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を少なくとも入力とし、ある時刻よりも後の、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である非固定周囲環境を推定する推定モデルを用いて、同じ場所にいる複数人から発せられた複数の心理状態感性表現語と、それぞれの当該心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、に少なくとも基づいて、未来の非固定周囲環境を推定する推定部を含む。

本発明によれば、現在までの心理状態感性表現語に基づき、未来の非固定周囲環境を推定できるという効果を奏する。

第一実施形態に係る推定システムの構成例を示す図。第一実施形態に係る学習装置の機能ブロック図。第一実施形態に係る学習装置の処理フローの例を示す図。記憶部に格納されたデータの例を示す図。推定モデルを説明するための図。第一実施形態に係る推定装置の機能ブロック図。第一実施形態に係る推定装置の処理フローの例を示す図。一時記憶部に格納されたデータの例を示す図。学習装置、推定装置として機能するコンピュータの構成例を示す図。

以下、本発明の実施形態について、説明する。なお、以下の説明に用いる図面では、同じ機能を持つ構成部や同じ処理を行うステップには同一の符号を記し、重複説明を省略する。以下の説明において、ベクトルや行列の各要素単位で行われる処理は、特に断りが無い限り、そのベクトルやその行列の全ての要素に対して適用されるものとする。

＜第一実施形態＞
図１は第一実施形態に係る推定システムの構成例を示す。

本実施形態の推定システムは、学習装置１００と推定装置２００とを含む。

学習装置１００は、学習用の心理状態感性表現語W_L(t₁),W_L(t₂),…と、学習用の非固定周囲環境に関連する情報（以下、「非固定周囲環境情報」ともいう）q_L(t₁),q_L(t₂),…とを入力とし、推定モデルを学習して、学習済みの推定モデルを出力する。

推定装置２００は、推定に先立ち、学習装置１００が出力した学習済みの推定モデルを受け取っておく。推定装置２００は、推定対象の心理状態感性表現語の時系列W(t₁),W(t₂),…を入力とし、推定モデルを用いて、未来の非固定周囲環境を推定し、推定結果を出力する。なお、t₁,t₂,…は入力順序を示すインデックスであり、例えばW(t_i)はi番目に入力された心理状態感性表現語を意味する。

本実施形態では、人をセンサと考え、センサの出力値に代えて人が発した心理状態感性表現語を用いて、未来の非固定周囲環境を推定する。人をセンサと考えるのは、人は五感に代表される様々な感覚を有し、意識的にまたは無意識に、様々な周囲環境や、その変化を知覚するためである。ここで、心理状態感性表現語は、論理的または物理的に表現することが難しい心理状態を表すものであり、感覚的または感性的な表現である。したがって、ある時点で発せられた心理状態感性表現語には、意識的にまたは無意識に知覚したその時点の周囲環境と関連性がある情報が含まれていることがあると考えられる。本実施形態は、非固定周囲環境は過去の状態と関連性をもちながら時間変化するものであり、かつ、ある時点で発せられた心理状態感性表現語にはその時点の非固定周囲環境と関連性がある情報が含まれていることがあるため、これらの関連性を利用することで、ある時刻までに入力された心理状態感性表現語の時系列からその時刻よりも後の非固定周囲環境を推定するものである。

学習装置および推定装置は、例えば、中央演算処理装置（CPU: Central Processing Unit）、主記憶装置（RAM: Random Access Memory）などを有する公知又は専用のコンピュータに特別なプログラムが読み込まれて構成された特別な装置である。学習装置および推定装置は、例えば、中央演算処理装置の制御のもとで各処理を実行する。学習装置および推定装置に入力されたデータや各処理で得られたデータは、例えば、主記憶装置に格納され、主記憶装置に格納されたデータは必要に応じて中央演算処理装置へ読み出されて他の処理に利用される。学習装置および推定装置の各処理部は、少なくとも一部が集積回路等のハードウェアによって構成されていてもよい。学習装置および推定装置が備える各記憶部は、例えば、RAM（Random Access Memory）などの主記憶装置、またはリレーショナルデータベースやキーバリューストアなどのミドルウェアにより構成することができる。ただし、各記憶部は、必ずしも学習装置および推定装置がその内部に備える必要はなく、ハードディスクや光ディスクもしくはフラッシュメモリ（Flash Memory）のような半導体メモリ素子により構成される補助記憶装置により構成し、学習装置および推定装置の外部に備える構成としてもよい。

まず、学習装置について説明する。

＜学習装置１００＞
図２は第一実施形態に係る学習装置１００の機能ブロック図を、図３はその処理フローを示す。

学習装置１００は、学習部１１０と、心理状態感性表現語・非固定周囲環境情報取得部１２０と、記憶部１３０とを含む。

＜心理状態感性表現語・非固定周囲環境情報取得部１２０および記憶部１３０＞
心理状態感性表現語・非固定周囲環境情報取得部１２０は、ユーザ（データ取得の対象者）から入力時のユーザ自身の状態を表現するオノマトペの文字列(学習用の心理状態感性表現語)W_L(t₁),W_L(t₂),…と、そのときの非固定周囲環境に関連する情報（学習用の非固定周囲環境情報）q_L(t₁),q_L(t₂),…との入力を受け付け（Ｓ１２０）、記憶部１３０に格納する。よって、記憶部１３０には、学習用の心理状態感性表現語W_L(t₁),W_L(t₂),…と、学習用の非固定周囲環境情報q_L(t₁),q_L(t₂),…とが記憶される。図４は、記憶部１３０に格納されたデータの例を示す。なお、データはユーザからの入力順（すなわち、ユーザが入力した時刻順）に格納されるものとする。別の言い方をすると、データは、心理状態感性表現語・非固定周囲環境情報取得部１２０が受け付けた順に格納されるものとする。図４の例では、ユーザからの入力順序(心理状態感性表現語・非固定周囲環境情報取得部１２０の受付順序)を示すインデックスt_iが一緒に記憶されているが、記憶される配置等からユーザからの入力順序(心理状態感性表現語・非固定周囲環境情報取得部１２０の受付順序)が分かる場合にはインデックスt_iを記憶しなくともよい。

非固定周囲環境とは、例えば、大雨である状態を４とし、雨が降っていない状態を０とする、５段階で雨量の度合いを表したもの等、予め設定した尺度を複数の段階で表したものである。非固定周囲環境は１つであってもよいし、複数としてもよい。

例えば、携帯端末やタブレット端末等のディスプレイにオノマトペの文字列の入力欄と、非固定周囲環境情報の入力欄を表示し、タッチパネル等の入力部を介して、ユーザがオノマトペの文字列と非固定周囲環境情報とを入力する。

なお、入力欄は、所定の種類のオノマトペの文字列や予め設定した複数の段階で表された非固定周囲環境情報を表示して選択する構成としてもよいし、自由にユーザが入力する構成としてもよい。

学習用のデータの入力のタイミングは、例えば、所定時間毎にタッチパネル等の表示部を介して、ユーザに対して、オノマトペの文字列と非固定周囲環境情報との入力を促すメッセージを表示して、そのメッセージに従ってユーザが入力してもよいし、ユーザが任意のタイミングでオノマトペの文字列と非固定周囲環境情報との入力を受け付けるアプリケーションを開き、入力してもよい。

また、例えば、ユーザは、オノマトペの文字列のみを入力し、心理状態感性表現語・非固定周囲環境情報取得部１２０は、ユーザ（データ取得の対象者）から入力時のユーザ自身の状態を表現するオノマトペの文字列(学習用の心理状態感性表現語)W_L(t₁),W_L(t₂),…のみを受け付ける構成としてもよい。この場合、心理状態感性表現語・非固定周囲環境情報取得部１２０が、非固定周囲環境情報に対応する図示しない取得手段を用いて、非固定周囲環境情報を取得すればよい。例えば、心理状態感性表現語・非固定周囲環境情報取得部１２０は、GPS部と、インターネットに接続された情報収集部とを備え、学習用の心理状態感性表現語の入力を受け付けると、GPS部が位置情報を得、情報収集部が位置情報に対応する雨量、気温、湿度等の気象情報等の非固定周囲環境情報を例えば気象台等のウェブサイトから取得すればよい。また、例えば、心理状態感性表現語・非固定周囲環境情報取得部１２０が、気温、湿度等の気象情報等を取得するセンサを含み、センサが気象情報等の非固定周囲環境情報を取得してもよい。

＜学習部１１０＞
学習部１１０は、記憶部１３０に学習するために十分な量の学習用の心理状態感性表現語とそれに対応する学習用の非固定周囲環境情報とが蓄積されると（Ｓ１１０－１）、記憶部１３０から学習用の心理状態感性表現語と、それに対応する学習用の非固定周囲環境情報とを取り出し、推定モデルを学習し（Ｓ１１０）、学習済みの推定モデルを出力する。

なお、推定モデルは、時刻time(t)までの時刻順の2つ以上の心理状態感性表現語を入力とし、時刻time(t)よりも後の非固定周囲環境を推定するモデルである。なお、時刻time(t)はt番目の心理状態感性表現語が入力された時刻を表す。本実施形態では、入力時刻(受付時刻)を取得しないが、入力順序(受付順序)が特定されるため、t番目の心理状態感性表現語が入力された時刻time(t)までに入力された心理状態感性表現語か否か、時刻time(t)よりも後の非固定周囲環境情報か否かを特定することができる。

例えば、推定モデルは、図５の場合、t-1番目の心理状態感性表現語W(t-1)「ぬふぅ」、t番目の心理状態感性表現語W(t)「あうー」を入力とし、t+1番目の非固定周囲環境情報q(t+1)を推定するモデルである。そこで、学習装置１００は、時刻time(t)までの時刻順の2つ以上の心理状態感性表現語と、時刻time(t)よりも後の非固定周囲環境を示す学習用の非固定周囲環境情報との組合せを1組の学習用データとし（例えば、図４の破線で囲んだ部分）、大量の学習用データを用いて推定モデルを学習する。

なお、本実施形態の推定モデルは、時刻time(t)までのある対象者が発した時刻順の2つ以上の心理状態感性表現語を入力とし、時刻time(t)よりも後のその対象者の非固定周囲環境を推定する。心理状態感性表現語・非固定周囲環境情報取得部１２０において、複数のユーザから心理状態感性表現語と非固定周囲環境情報を取得する場合には、それぞれのユーザから取得した心理状態感性表現語と非固定周囲環境情報をユーザ毎の識別子と一緒に記憶部１３０に記憶し、学習時には、ユーザ毎の心理状態感性表現語と非固定周囲環境情報の時系列を利用して学習を行う。なお、心理状態感性表現語を「発する」とは、心理状態感性表現語を何からの手段で外部に表すことを意味し、タッチパネル等の入力部を介して心理状態感性表現語を「入力する」ことや、心理状態感性表現語を「発話する」ことなどを含む概念である。なお、心理状態感性表現語を「発話する」場合の処理に関しては、後述する。

なお、学習用データは一人のユーザから取得してもよい。しかし、不特定多数の対象者を推定対象とする場合には、不特定多数の対象者に対応できるように、かつ、十分な量の学習用データを取得するために、複数のユーザから学習用データを取得することが望ましい。つまり、複数のユーザの心理状態感性表現語とその心理状態感性表現語を発したときの非固定周囲環境情報の組合せを大量に準備し、ユーザ毎の心理状態感性表現語と非固定周囲環境情報の時系列とし、学習用データとするとよい。このような学習用データを用いて学習した推定モデルを第一推定モデルともいう。さらに、推定装置２００の推定対象となる対象者を新たなユーザ（データ取得の対象者）とし、新たなユーザから取得した学習用データを用いて第一推定モデルを再学習し、再学習後の推定モデルを推定装置２００で用いるモデルとして出力してもよい。このような構成とすることで、十分な量の学習用データを取得しつつ、推定対象の特徴を考慮した推定モデルを学習することができる。

図４は、学習データからなるテーブルの例を示す。この例では、雨量の度合いは、大雨である状態を４とし、雨が降っていない状態を０とする５段階の数値で表している。

（推定モデルの例１）
ある時刻までの時刻順の2つ以上のオノマトペ（文字列）とその時刻よりも後の非固定周囲環境情報とを対応付けたもの（例えば、テーブルやリスト）を推定モデルとして用いる。テーブルやリスト中の各非固定周囲環境情報は、例えば、学習用データ中のあるオノマトペに対して各人が付与した非固定周囲環境情報の代表値（平均値や中央値等）を用いる。

（推定モデルの例２）
この例では、推定モデルは、学習用のある時刻までの時刻順の2つ以上のオノマトペとその時刻よりも後の学習用の非固定周囲環境情報とに基づきニューラルネットワーク等の機械学習により学習されたモデルである。例えば、ある時刻までの時刻順の2つ以上のオノマトペ（文字列）を入力とし、その時刻よりも後の非固定周囲環境情報を出力するようなニューラルネットワークを推定モデルとして用いる。この場合は、予め適当な初期値を設定したニューラルネットワークに、学習用データ中のある時刻までの時刻順の2つ以上のオノマトペ（文字列）を入力して得られる非固定周囲環境情報の推定結果が、学習用データ中のその時刻よりも後の非固定周囲環境情報に近づくように、ニューラルネットワークのパラメータを繰り返し更新することにより、推定モデルを学習させる。なお、１つのオノマトペに対して複数の非固定周囲環境情報(気温、湿度、雨量等)を入力した学習用データを用いる場合は、推定モデルの出力も複数の非固定周囲環境情報のリスト（組）として、学習をさせてもよい。

このようにして、推定モデルを学習する。次に、推定装置について説明する。

＜推定装置２００＞
図６は第一実施形態に係る推定装置２００の機能ブロック図を、図７はその処理フローを示す。

推定装置２００は、推定部２１０と、推定モデル記憶部２１１と、心理状態感性表現語取得部２２０と、一時記憶部２３０とを含む。

＜心理状態感性表現語取得部２２０と一時記憶部２３０＞
心理状態感性表現語取得部２２０は、推定装置２００の利用者から複数の時刻time(t'₁), time(t'₂),…の対象者の状態を表現するオノマトペの文字列(心理状態感性表現語)W(t'₁),W(t'₂),…の入力を受け付け（Ｓ２２０）、一時記憶部２３０に格納する。なお、推定装置２００の利用者（非固定周囲環境を推定するもの）と、対象者（非固定周囲環境を推定されるもの）とは、同じ人物であってもよいし（自分で自分の非固定周囲環境を推定する）、異なる人物であってもよい。一時記憶部２３０は心理状態感性表現語を記憶し、図８は一時記憶部２３０に格納されたデータの例を示す。図８Ａは2つの時刻の心理状態感性表現語W(t'₁),W(t'₂)の入力を受け付けた場合の例であり、図８Ｂは5つの時刻の心理状態感性表現語W(t'₁),…,W(t'₅)の入力を受け付けた場合の例である。なお、データは利用者からの入力順、すなわち、心理状態感性表現語取得部２２０が受け付けた順に格納されるものとする。なお、図８の例では、入力順序(受付順序)を示すインデックスt'_iが一緒に記憶されているが、記憶される配置等から入力順序(受付順序)が分かる場合にはインデックスt'_iを記憶しなくともよい。

＜推定部２１０，推定モデル記憶部２１１＞
推定モデル記憶部２１１には、学習装置１００が出力した学習済みの推定モデルを予め記憶しておく。推定部２１０は、一時記憶部２３０から2つ以上の心理状態感性表現語を取り出し、推定モデル記憶部２１１に予め記憶した学習済みの推定モデルを用いて、2つ以上の対象者の心理状態感性表現語とその入力順序(受付順序)とから対象者の未来の非固定周囲環境を推定し（Ｓ２１０）、推定結果を出力する。なお、推定部２１０は、推定モデルにおいて未来の非固定周囲環境を推定するために必要な心理状態感性表現語を一時記憶部２３０から取り出せばよく、必要な心理状態感性表現語は推定モデルの学習方法によって特定される。

また、推定部２１０は、どの非固定周囲環境情報を推定したいかという目的次第で、必要な推定モデルを使う構成としてもよい。例えば、(i)「気温」を推定する学習済みの推定モデル、(ii)「雨量」を推定する学習済みの推定モデル、(iii)「気温」と「雨量」の２つを推定する学習済みの推定モデル、などを推定モデル記憶部２１１に用意しておき、推定部２１０は、目的に応じて必要な推定モデルを選択してもよい。

なお、推定装置２００は、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語を入力とし、時刻time(t')よりも後の非固定周囲環境を推定するものであればよく、学習装置１００が学習して推定装置２００の推定モデル記憶部２１１に記憶しておく推定モデルは、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語を入力とし、時刻time(t')よりも後の非固定周囲環境を推定するモデルであればよい。例えば、推定装置２００が用いる時刻time(t')までの時刻順の心理状態感性表現語は、必ずしも2つでなくてもよく、2つ以上であればよく、また、対象者が発した順番が連続している必要はなく、同様に、学習装置１００が用いる時刻time_L(t)までの時刻順の心理状態感性表現語は、必ずしも2つでなくてもよく、2つ以上であればよく、また、ユーザが発した順番が連続している必要はない。例えば、推定装置２００は、t'-3番目,t'-1番目,t'番目の心理状態感性表現語を用いて、時刻time(t')よりも後の非固定周囲環境を推定してもよく、この場合には、学習装置１００が学習する推定モデルは、t-3番目,t-1番目,t番目の心理状態感性表現語を用いて、時刻time(t)よりも後の非固定周囲環境を推定するモデルであればよい。また、推定装置２００が推定する非固定周囲環境はt'番目の心理状態感性表現語に対応する時刻time(t')よりも後の非固定周囲環境であればよく、例えば、学習装置１００が学習する推定モデルは、t+2番目以降の心理状態感性表現語に対応する非固定周囲環境を推定するモデルであってもよい。また、推定装置２００は、時刻time(t')よりも後の2つ以上の非固定周囲環境を推定してもよく、この場合には、学習装置１００が学習する推定モデルは、時刻time(t)よりも後の2つ以上の非固定周囲環境を推定するモデルであればよい。例えば、推定装置２００は、t'-1番目,t'番目の心理状態感性表現語を用いて、t'+1番目、t'+2番目の非固定周囲環境を推定してもよく、この場合には、学習装置１００が学習する推定モデルは、t-1番目,t番目の心理状態感性表現語を用いて、t+1番目、t+2番目の非固定周囲環境を推定するモデルであればよい。これらの推定モデルは学習次第で実現可能であり、推定装置２００の利用目的やコストや推定精度を考慮して推定モデルの入力と出力とを設定すればよい。

＜効果＞
このような構成により、現在までの心理状態感性表現語に基づき、未来の非固定周囲環境を推定できる。

＜変形例１:時刻＞
第一実施形態と異なる部分を中心に説明する。

本変形例は、非固定周囲環境は過去の状態と関連性をもちながら時間変化するものであり、かつ、ある時点で発せられた心理状態感性表現語にはその時点の非固定周囲環境と関連性がある情報が含まれていることがあるため、これらの関連性を利用することで、ある時刻までに時間情報を伴って入力された心理状態感性表現語の時系列からその時刻よりも後のある時刻の非固定周囲環境を推定する。本変形例では、2つ以上の心理状態感性表現語に対応する時刻を入力として利用して推定モデルを学習し、この学習で得た推定モデルを用いて、2つ以上の心理状態感性表現語に対応する時刻を入力として利用して未来の非固定周囲環境を推定する。

＜心理状態感性表現語・非固定周囲環境情報取得部１２０，記憶部１３０＞
学習装置１００の心理状態感性表現語・非固定周囲環境情報取得部１２０は、ユーザから入力時のユーザ自身の状態を表現するオノマトペの文字列(学習用の心理状態感性表現語)W_L(t₁),W_L(t₂),…と、そのときの非固定周囲環境に関連する情報（学習用の非固定周囲環境情報）q_L(t₁),q_L(t₂),…との入力を受け付け（Ｓ１２０）、対応する時刻time_L(t₁),time_L(t₂),…を取得し、これらの組合せを記憶部１３０に格納する（図２参照）。なお、対応する時刻から入力順序が分かるため、入力順序を示すインデックスt_iを記憶部１３０に記憶する必要はないが、入力順序を示すインデックスt_iを記憶部１３０に記憶してもよい。

対応する時刻は、ユーザがタッチパネル等の入力部を介してオノマトペの文字列と非固定周囲環境情報とを入力した時刻(入力時刻)であってもよいし、心理状態感性表現語・非固定周囲環境情報取得部１２０がオノマトペの文字列と非固定周囲環境情報とを受け付けた時刻(受付時刻)であってもよい。入力時刻の場合にはタッチパネル等の入力部が内蔵時計やNTPサーバ等から時刻を取得して心理状態感性表現語・非固定周囲環境情報取得部１２０に出力する構成とし、受付時刻の場合には例えば内蔵時計やNTPサーバ等から心理状態感性表現語・非固定周囲環境情報取得部１２０が受付時刻を取得する構成としてもよい。

なお、心理状態感性表現語・非固定周囲環境情報取得部１２０は、予め定めた時刻time_L(t₁),time_L(t₂),…にタッチパネル等の表示部がオノマトペの文字列と非固定周囲環境情報との入力を促すメッセージを表示して、表示したときそれぞれで、オノマトペの文字列W_L(t₁)とそのときの非固定周囲環境情報q_L(t₁)の入力を受け付けて対応する時刻time_L(t₁)との組合せを記憶部１３０に格納する、オノマトペの文字列W_L(t₂)とそのときの非固定周囲環境情報q_L(t₂)の入力を受け付けて対応する時刻time_L(t₂)との組合せを記憶部１３０に格納する、…という構成としてもよい。

＜学習部１１０＞
学習装置１００の学習部１１０は、記憶部１３０に学習するために十分な量の学習用の心理状態感性表現語とそれに対応する学習用の非固定周囲環境情報と対応する時刻とが蓄積されると（Ｓ１１０－１）、記憶部１３０から学習用の心理状態感性表現語と、学習用の心理状態感性表現語に対応する時刻と、対応する学習用の非固定周囲環境情報とを取り出し、推定モデルを学習し（Ｓ１１０）、学習済みの推定モデルを出力する。なお、対応する時刻time_L(t₁),time_L(t₂),…をそのまま用いて推定モデルを学習してもよい。また、時刻time_L(t₁),time_L(t₂),…から前の心理状態感性表現語が発されてからの経過時間(例えば、time_L(t₂)-time_L(t₁),time_L(t₃)-time_L(t₂),…)を求め、前の心理状態感性表現語が入力されてからの経過時間を用いて推定モデルを学習してもよい。

（推定モデルの学習例１）
例えば、学習装置１００は、ある時刻time_L(t)までの2つ以上の心理状態感性表現語W_L(t),W_L(t-1),…と、対応する時刻time_L(t),time_L(t-1),…またはその差(time_L(t)-time_L(t-1)),…と、時刻time_L(t)よりも後の非固定周囲環境情報q_L(t+1)との組合せを1組の学習用データとし、大量の学習用データを用いて、推定モデルを学習する。

本変形例の学習例１の推定モデルは、推定装置２００で、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、それらの心理状態感性表現語に対応する時刻またはそれらの時刻差と、を入力とし、時刻time(t')よりも後の非固定周囲環境を推定するときに用いるモデルである。

（推定モデルの学習例２）
または例えば、学習装置１００は、ある時刻time_L(t)までの2つ以上の心理状態感性表現語W_L(t),W_L(t-1),…と、入力順序（受付順序）t,t-1,…と、時間間隔|time_L(t)-time_L(t-1)|,…と、時刻time_L(t)よりも後の非固定周囲環境情報q_L(t+1)との組合せを1組の学習用データとし、大量の学習用データを用いて、推定モデルを学習する。

本変形例の学習例２の推定モデルは、推定装置２００で、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、それらの心理状態感性表現語の入力順序（受付順序）と、それらの心理状態感性表現語に対応する時刻の間隔（時間間隔）と、を入力とし、時刻time(t')よりも後の非固定周囲環境を推定するときに用いるモデルである。

＜心理状態感性表現語取得部２２０，一時記憶部２３０＞
推定装置２００の心理状態感性表現語取得部２２０は、複数の時刻の対象者の状態を表現するオノマトペの文字列(心理状態感性表現語)W(t'₁),W(t'₂),…の入力を受け付け（Ｓ２２０）、対応する時刻time(t'₁),time(t'₂),…を取得し、これらの組合せを一時記憶部２３０に格納する。よって、一時記憶部２３０には、心理状態感性表現語と対応する時刻time(t'₁),time(t'₂),…とが記憶される。なお、対応する時刻から入力順序(受付順序)が分かるため、入力順序(受付順序)を示すインデックスt'_iを一時記憶部２３０に記憶する必要はないが、入力順序を示すインデックスt'_iを一時記憶部２３０に記憶してもよい。なお、心理状態感性表現語取得部２２０が時刻を取得する構成は、心理状態感性表現語・非固定周囲環境情報取得部１２０と同様である。

＜推定部２１０，推定モデル記憶部２１１＞
推定モデル記憶部２１１には、本変形例の学習装置１００が出力した学習済みの推定モデルを予め記憶しておく。推定装置２００の推定部２１０は、一時記憶部２３０から2つ以上の心理状態感性表現語と、心理状態感性表現語に対応する時刻を取り出す。

（上述の学習例１の推定モデルを用いる場合の推定例）
本変形例の学習例１の推定モデルを用いる場合には、推定装置２００の推定部２１０は、必要に応じて対応する時刻から時刻差を求め、推定モデル記憶部２１１に予め記憶した学習済みの学習例１の推定モデルを用いて、2つ以上の対象者の心理状態感性表現語と、それぞれの心理状態感性表現語に対応する時刻またはそれらの時刻差とから、対象者の未来の非固定周囲環境を推定し（Ｓ２１０）、推定結果を出力する。

（上述の学習例２の推定モデルを用いる場合の推定例）
本変形例の学習例２の推定モデルを用いる場合には、推定装置２００の推定部２１０は、対応する時刻から入力順序（受付順序）と時間間隔とを求め、推定モデル記憶部２１１に予め記憶した学習済みの学習例２の推定モデルを用いて、2つ以上の対象者の心理状態感性表現語と、それぞれの心理状態感性表現語の入力順序（受付順序）とそれらの心理状態感性表現語に対応する時刻の時間間隔とから、対象者の未来の非固定周囲環境を推定し（Ｓ２１０）、推定結果を出力する。

なお、入力順序（受付順序）を示すインデックスt'_iが一時記憶部２３０に記憶されている場合には、時刻から入力順序（受付順序）を求めずに、一時記憶部２３０に記憶されている入力順序（受付順序）を示すインデックスt'_iをそのまま用いればよい。

このような構成により、第一実施形態と同様の効果を得ることができる。さらに、時刻を考慮することでより正確に非固定周囲環境を推定できる。

＜変形例２:複数人＞
変形例１と異なる部分を中心に説明する。

ある時点である人から発せられた心理状態感性表現語は、その時点のその人の非固定周囲環境と関連性がある情報が含まれていることがあるものの、その時点のその人の気分に依存する部分が大きい。また、同じ非固定周囲環境にあったとしても、気分は人それぞれで異なる。すなわち、同じ非固定周囲環境にいるより多数の人が発した心理状態感性表現語を利用して学習と推定を行えば、個々の人の気分の影響がより少なく、非固定周囲環境の時間変化との関連性がより高い、学習と推定をできると想定される。そこで、本変形例では、複数の対象者が発した、時刻time(t)までの時刻順の心理状態感性表現語を入力とし、時刻time(t)よりも後の非固定周囲環境情報を推定する。なお、個々の人の気分の影響をより少なくし、非固定周囲環境の時間変化との関連性をより高めるためには、人数は多ければ多いほどよい。ただし、位置が同じであれば同じになる非固定周囲環境（気象情報等）を推定の対象とする場合には、同じ位置（都道府県、市町村、半径何キロ以内、など）にいる人であるほうがよい。

ここで、気分とは、"mood"であり、「元気（気力）がある・元気（気力）がない」、「快・不快」、「緊張・リラックス」、「安心・不安」、「ポジティブ・ネガティブ」、「満足・不満」、「冷静・焦燥」、喜び、悲しみ、怒り等で表される、感情の状態を意味する。例えば、同じ非固定周囲環境にあったとしても、多数の人の中には、元気がある人もいれば、元気がない人もいるが、多数の人が発した心理状態感性表現語を利用することで、各対象者の元気の有無や度合いとの関連性がより低く、非固定周囲環境の時間変化との関連性がより高い、学習と推定をすることができる。

心理状態感性表現語を利用する人数をある程度多くすれば、個々の気分の影響をほとんど受けずに、未来の非固定周囲環境を推定することができると想定される。よって、ここでいう多数とは、気分の影響を無視することができる程度に多いことを意味する。

＜心理状態感性表現語・非固定周囲環境情報取得部１２０，記憶部１３０＞
学習装置１００の心理状態感性表現語・非固定周囲環境情報取得部１２０は、複数のユーザから、入力時のユーザ自身の状態を表現するオノマトペの文字列(学習用の心理状態感性表現語)と、そのときの非固定周囲環境に関連する情報（学習用の非固定周囲環境情報）との入力を受け付け（Ｓ１２０）、対応する時刻を取得し、これらの組合せを記憶部１３０に格納する（図２参照）。対応する時刻は、ユーザ間での時刻のずれが少ないほうがよいので、NTPサーバ等から取得するようにすればよい。また、心理状態感性表現語と非固定周囲環境情報と時刻の組合せは、入力したユーザを区別することなく記憶部１３０に格納してよく、全てのユーザにおける入力順序を示すインデックスをt_iとすると、例えば、心理状態感性表現語W_L(t_i)と非固定周囲環境情報q_L(t_i)と時刻time_L(t_i)との組合せを、{W_L(t₁), q_L(t₁), time_L(t₁)}, {W_L(t₂), q_L(t₂), time_L(t₂)},…のように記憶部１３０に格納すればよい。位置が同じであれば同じになる非固定周囲環境（気象情報等）を対象とする場合には、心理状態感性表現語・非固定周囲環境情報取得部１２０は、所定の同じ位置にいる複数のユーザから心理状態感性表現語と非固定周囲環境情報の入力を受け付けるか、入力を受け付けた複数のユーザのうちの所定の同じ位置にいる複数のユーザから入力を受け付けた心理状態感性表現語と非固定周囲環境情報と対応する時刻との組合せを記憶部１３０に格納すればよい。なお、入力順序を示すインデックスt_iを記憶部１３０に記憶する必要はないが、入力順序を示すインデックスt_iを記憶部１３０に記憶してもよい。本変形例の場合には、複数のユーザによる同時刻の入力が発生することもあるが、インデックスt_i自体に技術的な意味があるわけではないので、同時刻の入力については記憶部１３０に格納する順をインデックスt_iとすればよい。

＜学習部１１０＞
学習装置１００の学習部１１０は、記憶部１３０に学習するために十分な量の学習用の心理状態感性表現語とそれに対応する学習用の非固定周囲環境情報と対応する時刻とが蓄積されると（Ｓ１１０－１）、記憶部１３０から学習用の心理状態感性表現語と、学習用の心理状態感性表現語に対応する時刻と、対応する学習用の非固定周囲環境情報とを取り出し、推定モデルを学習し（Ｓ１１０）、学習済みの推定モデルを出力する。なお、対応する時刻time_L(t₁),time_L(t₂),…をそのまま用いて推定モデルを学習してもよい。また、時刻time_L(t₁),time_L(t₂),…から所定の時刻time_L(t₀)からの経過時間(例えば、time_L(t₁)-time_L(t₀),time_L(t₂)-time_L(t₀),time_L(t₃)-time_L(t₀),…)を求め、所定の時刻からの経過時間を用いて推定モデルを学習してもよい。

（推定モデルの学習例）
例えば、学習装置１００は、複数のユーザが発した、ある時刻time_L(t)までの心理状態感性表現語W_L(t),W_L(t-1),…と、対応する時刻time_L(t),time_L(t-1),…または所定の時刻からの経過時間(time_L(t)-time_L(t₀)), (time_L(t-1)-time_L(t₀)),…と、時刻time_L(t)よりも後の非固定周囲環境情報q_L(t+1)との組合せを1組の学習用データとし、大量の学習用データを用いて、推定モデルを学習する。

本変形例の学習例の推定モデルは、推定装置２００で、複数の対象者が発した、時刻time(t')までの心理状態感性表現語と、それぞれの心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を入力とし、時刻time(t')よりも後の非固定周囲環境を推定するときに用いるモデルである。

＜推定部２１０，推定モデル記憶部２１１＞
推定モデル記憶部２１１には、本変形例の学習装置１００が出力した学習済みの推定モデルを予め記憶しておく。推定装置２００の推定部２１０は、一時記憶部２３０から多数の心理状態感性表現語と、心理状態感性表現語に対応する時刻を取り出す。

（上述の学習例の推定モデルを用いる場合の推定例）
本変形例の学習例の推定モデルを用いる場合には、推定装置２００の推定部２１０は、必要に応じて対応する時刻から所定の時刻からの経過時間を求め、推定モデル記憶部２１１に予め記憶した学習済みの学習例の推定モデルを用いて、多数の対象者が発した多数の心理状態感性表現語と、それぞれの心理状態感性表現語に対応する時刻または所定の時刻からの経過時間とから、対象者の未来の非固定周囲環境を推定し（Ｓ２１０）、推定結果を出力する。

＜変形例３:時刻＞
変形例１と異なる部分を中心に説明する。

本変形例は、非固定周囲環境に対応する時刻も用いて推定モデルの学習を行い、この学習をした推定モデルを用いることで、推定した未来の非固定周囲環境がどの程度後のものであるかも推定したり、指定した未来の時刻の非固定周囲環境を推定したりするものである。

＜学習部１１０＞
学習装置１００の学習部１１０は、記憶部１３０に学習するために十分な量の学習用の心理状態感性表現語とそれに対応する学習用の非固定周囲環境情報と対応する時刻とが蓄積されると（Ｓ１１０－１）、記憶部１３０から学習用の心理状態感性表現語と、学習用の心理状態感性表現語に対応する学習用の非固定周囲環境情報と、学習用の心理状態感性表現語に対応する時刻と学習用の非固定周囲環境情報に対応する時刻とを取り出し、推定モデルを学習し（Ｓ１１０）、学習済みの推定モデルを出力する。例えば、学習装置１００は、時刻time_L(t)までの時刻順の2つ以上の心理状態感性表現語と、時刻time_L(t)よりも後の時刻である時刻time_L(t+1)の非固定周囲環境と、時刻time_L(t)と時刻time_L(t+1)またはその差time_L(t+1)-time_L(t)との組合せを1組の学習用データとし、大量の学習用データを用いて、推定モデルを学習する。

なお、本変形例の推定モデルは、推定装置２００が、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語を入力とし、時刻time(t')よりも後の非固定周囲環境とその後の非固定周囲環境に対応する時刻を推定するときに用いるモデル、または、推定装置２００が、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、未来の時刻と、を入力とし、未来の時刻における非固定周囲環境を推定するときに用いるモデル、である。

＜推定部２１０，推定モデル記憶部２１１＞
推定モデル記憶部２１１には、本変形例の学習装置１００が出力した学習済みの推定モデルを予め記憶しておく。推定装置２００の推定部２１０は、一時記憶部２３０から2つ以上の心理状態感性表現語W(t'),W(t'-1),…と、対応する時刻time(t')を取り出し、推定モデル記憶部２１１に予め記憶した学習済みの推定モデルを用いて、2つ以上の対象者の心理状態感性表現語から対象者の未来の非固定周囲環境とその非固定周囲環境に対応する時刻を推定し（Ｓ２１０）、推定結果を出力する。すなわち、どの程度未来の非固定周囲環境であるかを、非固定周囲環境の推定結果と合わせて出力する。または、推定部２１０に図示しない入力手段を備えて、未来の時刻の入力、すなわち、どの程度未来の非固定周囲環境の推定結果を得たいかの指定を受け付けるようにして、推定装置２００がどの程度未来の非固定周囲環境の推定結果を得るかを推定装置２００の利用者が指定して、推定部２１０が指定内容に合う未来の非固定周囲環境を推定してもよい。

このような構成により、第一実施形態と同様の効果を得ることができる。さらに、心理状態感性表現語W(t')に対応する時刻time(t')からどの程度未来の非固定周囲環境かを考慮することができる。

＜変形例１と変形例３との組合せ＞
なお、変形例１と変形例３とを組合せてもよい。変形例１と変形例３との組合せの推定モデルは、例えば以下のようなモデルとなる。

（組合せ例１）
推定モデルは、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、それらの心理状態感性表現語に対応する時刻またはそれらの時間差と、を入力とし、時刻time(t')よりも後の非固定周囲環境とその後の非固定周囲環境に対応する時刻を推定するモデルである。

（組合せ例２）
推定モデルは、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、それらの心理状態感性表現語に対応する時刻またはそれらの時間差と、未来の時刻と、を入力とし、未来の時刻における非固定周囲環境を推定するモデル、である。

（組合せ例３）
推定モデルは、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、それらの心理状態感性表現語の入力順序（受付順序）と、それらの心理状態感性表現語に対応する時刻の間隔（時間間隔）と、を入力とし、時刻time(t')よりも後の非固定周囲環境とその後の非固定周囲環境に対応する時刻を推定するモデルである。

（組合せ例４）
推定モデルは、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、それらの心理状態感性表現語の入力順序（受付順序）と、それらの心理状態感性表現語に対応する時刻の間隔（時間間隔）と、未来の時刻と、を入力とし、未来の時刻における非固定周囲環境を推定するモデル、である。

変形例１と変形例３との組合せの推定装置２００は、これらのうちの何れかの推定モデルを推定モデル記憶部２１１に予め記憶しておき、推定部２１０が、対象者の未来の非固定周囲環境とその非固定周囲環境に対応する時刻、または、指定された未来の時刻の対象者の非固定周囲環境、を推定結果として得て出力する。

＜変形例２と変形例３との組合せ＞
なお、変形例２と変形例３とを組合せてもよい。変形例２と変形例３との組合せの推定モデルは、例えば以下のようなモデルとなる。

（組合せ例１）
推定モデルは、時刻time(t')までの複数の対象者が発した心理状態感性表現語と、それぞれの心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を入力とし、時刻time(t')よりも後の非固定周囲環境とその後の非固定周囲環境に対応する時刻を推定するモデルである。

（組合せ例２）
推定モデルは、時刻time(t')までの複数の対象者が発した心理状態感性表現語と、それぞれの心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、未来の時刻と、を入力とし、未来の時刻における非固定周囲環境を推定するモデル、である。

変形例２と変形例３との組合せの推定装置２００は、これらのうちの何れかの推定モデルを推定モデル記憶部２１１に予め記憶しておき、推定部２１０が、未来の非固定周囲環境とその非固定周囲環境に対応する時刻、または、指定された未来の時刻の非固定周囲環境、を推定結果として得て出力する。

＜変形例４:他の情報＞
ある時刻までの2つ以上の心理状態感性表現語に加えて、ある時刻までの他の情報を考慮することで、ある時刻よりも後の非固定周囲環境の推定精度を高めることができる。例えば、他の情報として、固定周囲環境情報、不定周囲環境情報、体験情報、生体情報、その他の気分に影響を与える情報が考えられる。2つ以上の心理状態感性表現語と非固定周囲環境情報に加えて、これらの情報を与えて推定モデルを学習し、この学習で得た推定モデルを用いて、2つ以上の心理状態感性表現語にこれらの情報を与えて非固定周囲環境を推定する。

＜学習装置１００＞
学習装置１００は、学習部１１０と、心理状態感性表現語・非固定周囲環境情報取得部１２０と、記憶部１３０に加えて、固定周囲環境取得部１４１と、不定周囲環境取得部１４２と、体験情報取得部１５０と、生体情報取得部１７０との少なくとも何れかを含む(図２参照)。

＜推定装置２００＞
推定装置２００は、推定部２１０と、心理状態感性表現語取得部２２０と、一時記憶部２３０に加えて、固定周囲環境取得部２４１と、不定周囲環境取得部２４２と、体験情報取得部２５０と、生体情報取得部２７０との少なくとも何れかを含む(図６参照)。

＜固定周囲環境取得部１４１，２４１＞
固定周囲環境取得部１４１は、固定周囲環境に関連する情報p_L(t)を取得し（Ｓ１４１）、記憶部１３０に格納する。

同様に、固定周囲環境取得部２４１は、固定周囲環境に関連する情報p(t')を取得し（Ｓ２４１）、一時記憶部２３０に格納する。

なお、前述の通り、「固定周囲環境」は、対象者の周囲環境であって、場所によって一意に定まる環境であって、時間の変化に応じて変化しない環境である。

例えば、固定の周囲環境の気分への影響にも対応できるように、推定モデルを学習し、この学習で得た推定モデルを用いて非固定周囲環境を推定する。例えば、とある施設に入る前後に入力されたオノマトペとその施設内にいるか否かを示す2つの固定の周囲環境に関連する情報からその後の非固定周囲環境を推定する。

例えば、固定周囲環境取得部１４１，２４１は、GPS機能と、位置情報と固定の周囲環境とを紐付けたデータベースとを備え、GPS機能により位置情報を得、データベースから位置情報に紐づけられた固定の周囲環境に関連する情報を取得する。また、心理状態感性表現語・非固定周囲環境情報取得部１２０，心理状態感性表現語取得部２２０と同様に、学習装置１００のユーザ、推定装置２００の利用者が入力してもよい。

＜不定周囲環境取得部１４２，２４２＞
不定周囲環境取得部１４２は、不定周囲環境に関連する情報（学習用の不定周囲環境情報）q'_L(t₁),q'_L(t₂),…を取得し（Ｓ１４２）、記憶部１３０に格納する。なお、不定周囲環境情報q'とは、非固定周囲環境情報qとは異なる非固定周囲環境情報である。例えば、非固定周囲環境情報qを雨量とする場合には、不定周囲環境情報q'を気温とするなどとしてもよい。

同様に、不定周囲環境取得部２４２は、不定周囲環境に関連する情報（不定周囲環境情報）q'(t')を取得し（Ｓ２４２）、一時記憶部２３０に格納する。

不定周囲環境の気分への影響にも対応できるように、推定モデルを学習し、この学習で得た推定モデルを用いて非固定周囲環境を推定する。例えば、気温の変化の前後に入力されたオノマトペと、気温を示す2つの不定周囲環境に関連する情報からその後の非固定周囲環境(雨量等)を推定する。

例えば、不定周囲環境取得部１４２，２４２は、気温を取得するセンサを含み、気温を取得してもよい。また、心理状態感性表現語・不定周囲環境情報取得部１２０，心理状態感性表現語取得部２２０と同様に、学習装置１００のユーザ、推定装置２００の利用者が入力してもよい。

＜体験情報取得部１５０，２５０＞
体験情報取得部１５０は、ユーザの体験に関連する体験情報E_L(t)を取得し（Ｓ１５０）、記憶部１３０に格納する。

同様に、体験情報取得部２５０は、対象者の体験に関連する体験情報E(t')を取得し（Ｓ２５０）、一時記憶部２３０に格納する。

例えば、体験情報とは、ある食べ物を食べた体験や、ある音楽を聴いた体験、あるゲームをやった体験の有無を示す情報等が考えられる。例えば、体験情報の気分への影響にも対応できるように、推定モデルを学習し、この学習で得た推定モデルを用いて非固定周囲環境を推定する。例えば、音楽ライブ前後に入力されたオノマトペと、ライブ体験の有無を示す2つの体験情報からその後の非固定周囲環境を推定する。

例えば、体験情報取得部１５０，２５０は、GPS機能と、位置情報と所定の体験を提供する施設(レストランやライブ会場、アトラクション施設等)とを紐付けたデータベースとを備え、GPS機能により位置情報を得、データベースから位置情報に紐づけられた施設で提供する所定の体験を示す情報を取得する。また、心理状態感性表現語・非固定周囲環境情報取得部１２０，心理状態感性表現語取得部２２０と同様に、学習装置１００のユーザ、推定装置２００の利用者が入力してもよい。

＜生体情報取得部１７０，２７０＞
生体情報取得部１７０は、ユーザの生体情報B_L(t)を取得し（Ｓ１７０）、記憶部１３０に格納する。

同様に生体情報取得部２７０は、対象者の生体情報B(t')を取得し（Ｓ２７０）、一時記憶部２３０に格納する。

例えば、生体情報とは、心拍、呼吸、表情を示す情報等が考えられる。例えば、生体情報の気分への影響にも対応できるように、推定モデルを学習し、非固定周囲環境を推定する。例えば、心拍、呼吸の変化から非固定周囲環境を推定する。また、「ドキドキ」する等がオノマトペが得られているが、心拍、呼吸には変化がない場合または変化がある場合に、時刻time(t+1)の非固定周囲環境にどのような影響を与えるか等を学習し、非固定周囲環境を推定する。

例えば、生体情報取得部１７０，２７０は、生体情報を取得する機能を備え、生体情報を取得する。生体情報取得部１７０，２７０は、例えば、hitoe(登録商標)等のウェアラブルディバイスと対応するアプリケーションとを備え、対象者の生体情報を取得する。

＜学習部１１０＞
学習部１１０は、記憶部１３０に学習するために十分な量の学習用の心理状態感性表現語とそれに対応する学習用の非固定周囲環境情報と、以下の(i)～(iv)とが蓄積されると（Ｓ１１０－１）、記憶部１３０から学習用の心理状態感性表現語と、それに対応する学習用の非固定周囲環境情報と、(i)～(iv)とを取り出し、推定モデルを学習し（Ｓ１１０）、学習済みの推定モデルを出力する。

(i)心理状態感性表現語の入力時の入力者の、場所によって一意に定まる固定の周囲環境に関連する情報
(ii)心理状態感性表現語の入力時の入力者の、場所によって一意に定まらない周囲環境、すなわち、時間の変化に応じて変化する周囲環境、に関連する情報であり、非固定周囲環境情報以外の情報
(iii)心理状態感性表現語の入力時の入力者の体験に関連する体験情報
(iv)心理状態感性表現語の入力時の入力者の生体情報

なお、(i)～(iv)の全てを用いて学習する必要はなく、推定に必要な情報を取得し、記憶し、それに基づき学習すればよい。(i)～(iv)の少なくとも1つ以上の時系列を用いればよい。

本変形例の推定モデルは、推定装置２００が、時刻time(t')までの時刻順の2つ以上の心理状態感性表現語と、その心理状態感性表現語に対応する(i)～(iv)の少なくとも1つ以上の時系列とを入力として、時刻time(t')よりも後の非固定周囲環境を推定するときに用いるモデルである。

＜推定部２１０，推定モデル記憶部２１１＞
推定モデル記憶部２１１には、本変形例の学習装置１００が出力した学習済みの推定モデルを予め記憶しておく。推定部２１０は、一時記憶部２３０から2つ以上の心理状態感性表現語と、上述の学習部１１０で学習に利用した(i)～(iv)の少なくとも1つ以上と、を取り出し、推定モデル記憶部２１１に予め記憶した学習済みの推定モデルを用いて、2つ以上の心理状態感性表現語と(i)～(iv)の少なくとも１つ以上とから未来の非固定周囲環境を推定し（Ｓ２１０）、推定結果を出力する。

＜効果＞
このような構成により、第一実施形態と同様の効果を得ることができる。さらに、(i)～(iv)の少なくとも１つ以上を考慮することでより正確に非固定周囲環境を推定できる。なお、本変形例と変形例１～３とを組合せてもよい。

なお、本変形例では、固定周囲環境取得部、不定周囲環境取得部、体験情報取得部、生体情報取得部において各情報を取得するタイミングを、心理状態感性表現語・非固定周囲環境情報取得部や心理状態感性表現語取得部において心理状態感性表現語を取得するタイミングと同じものとして説明したが、各取得部毎に異なるタイミングであってもよい。心理状態感性表現語を取得するタイミングに最も近いタイミングの各情報を用いたり、不足した情報を補完してもよいし、過剰な情報を間引いてもよい。

＜変形例５＞
第一実施形態では、学習装置１００のユーザ、推定装置２００の利用者がオノマトペの文字列を入力することとして説明をしたが、文字列そのものを入力することに限られるものではない。

例えば、オノマトペに１対１で対応付けられたイラストや画像等を入力することとしても良い。この場合、オノマトペとイラストや画像等とを対応付けたデータベースを備え、イラストや画像等を入力とし、それに対応するオノマトペの文字列をデータベースから取り出してもよい。

また、例えば、対象者の発話を音声認識した結果に含まれるオノマトペの文字列を自動抽出することで、オノマトペの文字列の入力を受け付けても良い。例えば、オノマトペの文字列に代えて、音声信号を入力とし、図示しない音声認識部で音声認識処理を行い、音声認識結果を得、その中からオノマトペの文字列を抽出し、出力してもよい。例えば、対象とするオノマトペの文字列を記憶したデータベースを備え、このデータベースを参照して、音声認識結果からオノマトペの文字列を抽出する。

さらに、推定フェーズでは、例えば、対象者がメールを作成したり、webへ投稿するコメントを作成したりする際に入力したテキスト文字列中からオノマトペの文字列を自動抽出したものを入力として用いたり、対象者が携帯電話等で話をする際の対象者の声を音声認識した結果からオノマトペの文字列を自動抽出したものを入力として用いてもよい。

さらに、学習フェーズでは、対象者であるかどうかに限らず、同じ人から発せられた時系列のもの（メールを作成したり、webへ投稿するコメントを作成したりする際に入力したテキスト文字列、音声認識結果）であって、オノマトペと非固定周囲環境の言葉とが両方でてくるものが時系列的に行われていれば、これを使って学習することができる。

なお、本変形例と変形例１～４とを組合せてもよい。

＜その他の変形例＞
本発明は上記の実施形態及び変形例に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。

＜プログラム及び記録媒体＞
上述の各種の処理は、図９に示すコンピュータの記録部２０２０に、上記方法の各ステップを実行させるプログラムを読み込ませ、制御部２０１０、入力部２０３０、出力部２０４０などに動作させることで実施できる。

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ－ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。

また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、本装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

Claims

同じ場所にいる複数人から発せられた学習用の心理状態感性表現語W_L(t_i)と、学習用の当該心理状態感性表現語W_L(t_i)を発したときの学習用の時刻time_L(t_i)と、学習用の当該心理状態感性表現語W_L(t_i)を発したときの、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である学習用の非固定周囲環境情報q_L(t_i)と、を少なくとも記憶する記憶部と、
同じ場所にいる複数人から発せられた時刻time_L(t)までの複数の学習用の心理状態感性表現語W_L(t),W_L(t-1),…と、それぞれの学習用の当該心理状態感性表現語W_L(t),W_L(t-1),…に対応する学習用の時刻time_L(t),time_L(t-1),…または所定の時刻time_L(t₀)からの経過時間(time_L(t)-time_L(t₀)), (time_L(t-1)-time_L(t₀)),…と、前記時刻time_L(t)よりも後の非固定周囲環境を示す学習用の非固定周囲環境情報q_L(t+1)とを少なくとも含む組合せを1つの学習データとして、複数の学習データを用いて、同じ場所にいる複数人から発せられたある時刻までの複数の心理状態感性表現語と、それぞれの当該心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を少なくとも入力とし、前記ある時刻よりも後の非固定周囲環境を推定する推定モデルを学習する学習部とを含み、
前記複数人とは、個々の人の気分の影響を無視することができる程度に多いものであり、前記推定モデルは機械学習により学習されたものである、
学習装置。
同じ場所にいる複数人から発せられたある時刻までの複数の心理状態感性表現語と、それぞれの当該心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を少なくとも入力とし、前記ある時刻よりも後の、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である非固定周囲環境を推定する推定モデルを用いて、同じ場所にいる複数人から発せられた複数の心理状態感性表現語W(t'),W(t'-1),…と、それぞれの当該心理状態感性表現語W(t'),W(t'-1),…に対応する時刻time(t'),time(t'-1),…または所定の時刻time(t'₀)からの経過時間(time(t')-time(t'₀)), (time(t'-1)-time(t'₀)),…と、に少なくとも基づいて、未来の非固定周囲環境q(t'+1)を推定する推定部を含み、
前記複数人とは、個々の人の気分の影響を無視することができる程度に多いものであり、前記推定モデルは機械学習により学習されたものである、
推定装置。
記憶部には、同じ場所にいる複数人から発せられた学習用の心理状態感性表現語W_L(t_i)と、学習用の当該心理状態感性表現語W_L(t_i)を発したときの学習用の時刻time_L(t_i)と、学習用の当該心理状態感性表現語W_L(t_i)を発したときの、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である学習用の非固定周囲環境情報q_L(t_i)と、が少なくとも記憶されるものとし、
同じ場所にいる複数人から発せられた時刻time_L(t)までの複数の学習用の心理状態感性表現語W_L(t),W_L(t-1),…と、それぞれの学習用の当該心理状態感性表現語W_L(t),W_L(t-1),…に対応する学習用の時刻time_L(t),time_L(t-1),…または所定の時刻time_L(t₀)からの経過時間(time_L(t)-time_L(t₀)), (time_L(t-1)-time_L(t₀)),…と、前記時刻time_L(t)よりも後の非固定周囲環境を示す学習用の非固定周囲環境情報q_L(t+1)とを少なくとも含む組合せを1つの学習データとして、複数の学習データを用いて、同じ場所にいる複数人から発せられたある時刻までの複数の心理状態感性表現語と、それぞれの当該心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を少なくとも入力とし、前記ある時刻よりも後の非固定周囲環境を推定する推定モデルを学習する学習ステップを含み、
前記複数人とは、個々の人の気分の影響を無視することができる程度に多いものであり、前記推定モデルは機械学習により学習されたものである、
学習方法。
同じ場所にいる複数人から発せられたある時刻までの複数の心理状態感性表現語と、それぞれの当該心理状態感性表現語に対応する時刻または所定の時刻からの経過時間と、を少なくとも入力とし、前記ある時刻よりも後の、場所によって一意に定まらない周囲環境である非固定周囲環境に関連する情報である非固定周囲環境を推定する推定モデルを用いて、同じ場所にいる複数人から発せられた複数の心理状態感性表現語W(t'),W(t'-1),…と、それぞれの当該心理状態感性表現語W(t'),W(t'-1),…に対応する時刻time(t'),time(t'-1),…または所定の時刻time(t'₀)からの経過時間(time(t')-time(t'₀)), (time(t'-1)-time(t'₀)),…と、に少なくとも基づいて、未来の非固定周囲環境を推定する推定ステップを含み、
前記複数人とは、個々の人の気分の影響を無視することができる程度に多いものであり、前記推定モデルは機械学習により学習されたものである、
推定方法。
請求項１の学習装置としてコンピュータを機能させるためのプログラム。
請求項２の推定装置としてコンピュータを機能させるためのプログラム。