JP7354721B2 - 情報処理プログラム、情報処理方法および情報処理装置 - Google Patents

Description

本発明の実施形態は、情報処理プログラム、情報処理方法および情報処理装置に関する。

近年、機械学習による学習モデルを用いて業務判断を自動化する事例が増加している。自動化する業務判断には、経理担当者が購入依頼品に対して所定の経費コードを付与する、購買受付担当者が購入案件に該当する担当者を設定する等がある。学習モデルを用いた業務判断では、購入依頼品、購入案件を入力データとし、教師あり学習で学習した学習モデルを用いて経費コードや担当者などのラベル付け（クラス分類）を行う。

このような学習モデルを用いた業務判断の自動化では、業務判断の基準が変わる等のコンセプトドリフトにより判断精度が劣化することがあり、コンセプトドリフトに対する適切な対処は業界上の課題である。

このコンセプトドリフトに対処する従来技術としては、コンセプトドリフトの発生タイミングを検知して、コンセプトドリフト発生以降のデータを用いて機械学習をすることで学習モデルを更新するものが知られている。

J. Gama, P. Medas, G. Castillo, and P. Rodrigues. Learning with drift detection. In Proc. of the 17th Brazilian Symposium on Artificial Intelligence , pages 286-295, 2004.

しかしながら、上記の従来技術では、コンセプトドリフト発生以降に正解データを一定期間採取してモデルの更新を行ってからでないと判断精度の向上が見込めないという問題がある。このため、コンセプトドリフトに対して速やかに適切な対処を行うことが困難であった。

１つの側面では、コンセプトドリフトに適切に対処できる情報処理プログラム、情報処理方法および情報処理装置を提供することを目的とする。

１つの案では、情報処理プログラムは、特定する処理と、記憶する処理と、更新する処理と、抽出する処理と、削除する処理とをコンピュータに実行させる。特定する処理は、入力データに対して、当該入力データに合致するルールが予め設定されたルール定義情報に含まれる場合には当該ルール定義情報のルールに基づいて入力データに対応するラベルを特定し、ルール定義情報に含まれない場合には学習モデルを用いて入力データに対応するラベルを特定する。記憶する処理は、入力データと、特定したラベルとを予測済み情報として記憶する。更新する処理は、記憶した予測済み情報を教師データとして学習モデルを更新する。抽出する処理は、ルール定義情報に含まれるルールの中で学習モデルに包含されているルールを抽出する。削除する処理は、抽出した学習モデルに包含されているルールをルール定義情報から削除する。

１つの実施態様によれば、コンセプトドリフトに適切に対処できる。

図１は、実施形態にかかる情報処理装置の概要を説明する説明図である。 図２は、ルール定義の一例を示す説明図である。 図３は、学習モデルの概要を説明する説明図である。 図４は、学習モデルの更新を説明する説明図である。 図５は、ルール実行処理の一例を示すフローチャートである。 図６は、ルール整理処理の一例を示すフローチャートである。 図７は、プログラムを実行するコンピュータの一例を示すブロック図である。

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

図１は、実施形態にかかる情報処理装置の概要を説明する説明図である。図１に示す情報処理装置１は、業務等で入力された入力データ１１対するラベル付け（クラス分類）を判断結果として出力することで、業務判断の自動化を支援する装置である。情報処理装置１としては、例えばパーソナルコンピュータ等を適用できる。

自動化する業務判断は、例えば、経理担当者が購入依頼品に対して所定の経費コードを付与する、購買受付担当者が購入案件に該当する担当者を設定する等、様々である。本実施形態において、情報処理装置１は、経理担当者が購入依頼品の名称を入力データ１１として入力し、購入依頼品に対応する経費コードをラベルとして出力するものとする。

具体的には、図１に示すように、情報処理装置１は、入力部１０と、ルール実行部２０と、記憶部３０と、モデル更新部４０と、ルール整理部５０と、出力部６０とを有する。

入力部１０は、入力データ１１の入力を受け付ける処理部である。入力部１０は、受け付けた入力データ１１をルール実行部２０へ出力する。

ルール実行部２０は、入力データ１１に対して、対応するラベルを特定するルール実行処理（Ｓ１～Ｓ３）を行う処理部である。具体的には、ルール実行部２０は、入力データ１１についてルール定義３１に含まれる各ルールと照合し、ルール定義３１に含まれるルールに合致するか否かを判定する（Ｓ１）。

判定の結果、入力データ１１がルール定義３１に含まれるルールに合致する場合（Ｓ１：Ｙｅｓ）、ルール実行部２０は、ルール定義３１のルールに基づいて入力データ１１に対するラベルを特定し、特定したラベルを出力する（Ｓ２）。具体的には、ルール実行部２０は、ルール定義３１のルールにおいて定義済みのラベルを出力する。

また、判定の結果、入力データ１１がルール定義３１に含まれるルールに合致しない場合（Ｓ１：Ｎｏ）、ルール実行部２０は、学習モデル３２を用いて入力データ１１に対する予測値を得てラベルを特定し、特定したラベルを出力する（Ｓ３）。

図２は、ルール定義３１の一例を示す説明図である。図２に示すように、ルール定義３１は、ラベルを特定するためのルール（条件）と、条件に一致する場合に付与するラベル（動作）とがルールを識別する識別情報（ルールＩＤ）に対応付けて予め定義された定義情報である。すなわち、ルール定義３１は、ルール定義情報の一例である。

例えば、ルール定義３１において、ルールＩＤが「１」のルールは、“品名”が“ＤＥＦ”を含む場合に、“ｃｏｄｅＡ”をラベルとして付与する。また、ルールＩＤが「２」のルールは、“品名”が“ＥＦＧサーバ”に一致する場合に、“ｃｏｄｅＢ”をラベルとして付与する。

ルール定義３１については、例えば、ＢＲＭＳ（Business Rule Management System）などのルール解釈に関するエンジンに対応する記述となっており。業務判断の変更を伴う業務システムの更新時などにユーザが予め登録する。

ルール実行部２０は、入力データ１１に対して、ＢＲＭＳを呼び出してルール定義３１に合致する動作を得る。例えば、ルール実行部２０は、“ＤＥＦサーバ”という品名を含む入力データ１１が与えられた場合、ＢＲＭＳを呼び出すことで、ルールＩＤが「１」の条件に合致することから“ｃｏｄｅＡ”のラベルを得る。よって、ルール実行部２０は、“ｃｏｄｅＡ”を入力データ１１に対するラベルとして出力する。

また、ルール実行部２０は、“ＥＦＨサーバ”という品名を含む入力データ１１が与えられた場合、ＢＲＭＳを呼び出すことで、ルール定義３１に該当するルールがないことから、合致なし（動作無し）との結果を得る。よって、ルール実行部２０は、学習モデル３２を用いて“ＥＦＨサーバ”という品名を含む入力データ１１に対する予測値（ラベル）を得て、そのラベル出力する。

図３は、学習モデル３２の概要を説明する説明図である。図３に示すように、学習モデル３２は、サンプルとする品名（ｘ）と、品名（ｘ）に対する正解のラベルであるコード（ｙ）とを複数有する教師データ１２をもとに、教師ありの機械学習を行うことで構築される。ルール実行部２０は、このように構築された学習モデル３２を用いることで、新規の入力データ１１に対するコードを推測できる。

例えば、ルール実行部２０は、“ＥＦＨサーバ”という品名を含む入力データ１１に対し、図３の教師データ１２をもとに構築した学習モデル３２を用いることで“ｃｏｄｅＢ”を得る。

ルール実行部２０は、入力データ１１に対し、Ｓ２、Ｓ３において出力（予測）したラベルを予測済みデータ３３として出力する。具体的には、ルール実行部２０は、入力データ１１と、特定したラベルとを予測済みデータ３３として記憶部３０に格納する。すなわち、予測済みデータ３３は、予測済み情報の一例である。なお、ルール実行部２０は、ルール定義３１のルールに基づいてラベルを特定した場合（Ｓ２）には、どのルールに合致して予測を行っているかを示すルールＩＤを適用ルールＩＤとして予測済みデータ３３に含める。

記憶部３０は、ルール定義３１、学習モデル３２および予測済みデータ３３を記憶する処理部である。具体的には、記憶部３０は、メモリなどの記憶装置に確保した記憶領域にルール定義３１、学習モデル３２および予測済みデータ３３を記憶する。

モデル更新部４０は、教師データ１２を用いて学習モデル３２の更新を行う処理部である。具体的には、モデル更新部４０は、記憶部３０が記憶した予測済みデータ３３を教師データとして学習モデル３２の更新を行う。なお、モデル更新部４０が学習モデル３２の更新を行うタイミングとしては、例えば、前回の学習モデル３２の更新から一定期間経過した場合や、予測済みデータ３３が一定量貯まった場合などがある。

図４は、学習モデル３２の更新を説明する説明図である。図４に示すように、予測済みデータ３３は、例えば、入力データ１１として与えられた品名（ｘ）と、ルール実行部２０が予測した予測コード（ｙ）と、正解コード（ｙ’）と、適用ルールＩＤとを有する。

正解コード（ｙ’）は、ユーザなどによって与えられた正解値のラベルであり、予測コード（ｙ）に対して特にユーザからの修正がない場合は予測コード（ｙ）の値がそのまま正解コード（ｙ’）となる。なお、予測コード（ｙ）に対してユーザからの修正があった場合は、修正値が正解コード（ｙ’）となる。適用ルールＩＤは、ルール定義３１のルールに基づいてラベルを特定した場合（Ｓ２）の、どのルールに合致して予測を行っているかを示すルールＩＤである。

モデル更新部４０は、予測済みデータ３３における品名（ｘ）と、品名（ｘ）に対する正解のラベル正解コード（ｙ’）とをもとに、教師ありの機械学習を行うことで学習モデル３２を更新する。このように、モデル更新部４０は、予測済みデータ３３を教師データとする教師ありの機械学習により学習モデル３２を更新することで、ルール定義３１のルールに基づいてラベルを特定したケースについても、順次学習を行うことができる。

ルール整理部５０は、ルール定義３１に含まれるルールの中で、学習モデル３２を用いてラベルを特定できるようになったルール、すなわち学習モデル３２に包含されているルールを不要なルールとして整理する処理部である。具体的には、ルール整理部５０は、ルール定義３１に含まれるルールの中で学習モデル３２に包含されているルールを抽出し、抽出した学習モデル３２に包含されているルールをルール定義３１から削除する。

より具体的には、ルール整理部５０は、学習モデル３２の更新を検知すると（Ｓ４）、ルール定義３１のルールを整理するためのルール整理処理（Ｓ５、Ｓ６）を実行する。なお、学習モデル３２に関する更新の検知は、例えば、モデル更新部４０からの更新の通知、学習モデル３２の更新日時のチェックなどにより行う。

ルール整理処理を開始すると、ルール整理部５０は、ルール定義３１に含まれる各ルールが学習モデル３２に包含されているか否かを判定し（Ｓ５）、包含されていると判定したルールを抽出する。次いで、ルール整理部５０は、抽出した学習モデル３２に包含されているルールをルール定義３１から削除する（Ｓ６）。

なお、学習モデル３２に包含されているルールの判別について、ルール整理部５０は、ルール定義３１に含まれるルールに合致する入力データ１１に対して、学習モデル３２を用いて特定したラベルと、ルール定義３１のルールに基づいて特定したラベルとが合致するか否かに基づいて判別する。合致する場合は、学習モデル３２を用いてルール定義３１と同じようにラベルを特定できることから、ルール整理部５０は、学習モデル３２に包含されているものと判別する。

このように、ルール整理部５０は、ルール定義３１に含まれるルールの中で学習モデル３２に包含されているルールを削除することで、ルール定義３１におけるルールの肥大化を防ぐことができる。

出力部６０は、入力データ１１に対する予測結果を出力する処理部である。具体的には、出力部６０は、入力データ１１に対する予測結果（予測コード（ｙ））を予測済みデータ３３より読み出し、ディスプレイやファイルなどに出力する。これにより、ユーザは、入力データ１１に対する業務判断（入力データ１１対するラベル付け（クラス分類））を容易に得ることができる。

このとき、出力部６０は、ユーザインタフェースを介したユーザからの指示により、予測結果に対する修正を受け付けた場合、修正値を正解コード（ｙ’）として予測済みデータ３３に格納する。なお、修正がない場合、出力部６０は、予測結果（予測コード（ｙ））をそのまま正解コード（ｙ’）として予測済みデータ３３に格納してもよい。

ここで、ルール実行処理の詳細を説明する。図５は、ルール実行処理の一例を示すフローチャートである。

図５に示すように、処理が開始されると、ルール実行部２０は、ルール定義３１から入力データ１１の条件に合致するルールを取得する（Ｓ１０）。次いで、ルール実行部２０は、ルール定義３１の各ルールの中に入力データ１１の条件に合致したルールがあるか否かを判定する（Ｓ１１）。

合致したルールがある場合（Ｓ１１：Ｙｅｓ）、ルール実行部２０は、ルール定義３１において合致したルールの動作に記載されている値（ラベル）を予測結果とする（Ｓ１２）。次いで、ルール実行部２０は、予測済みデータ３３に入力データ１１における品名（ｘ）と、予測結果（予測コード（ｙ））、合致したルールＩＤ（適用ルールＩＤ）を格納する（Ｓ１３）。

合致したルールがない場合（Ｓ１１：Ｎｏ）、ルール実行部２０は、入力データ１１に対して学習モデル３２を実行した結果を予測結果（ラベル）とする（Ｓ１４）。次いで、ルール実行部２０は、予測済みデータ３３に入力データ１１における品名（ｘ）と、予測結果（予測コード（ｙ））を格納する（Ｓ１５）。

Ｓ１３、Ｓ１５に次いで、出力部６０は、入力データ１１に対する予測結果（予測コード（ｙ））を予測済みデータ３３より読み出して出力する（Ｓ１６）。

次に、ルール整理処理の詳細を説明する。図６は、ルール整理処理の一例を示すフローチャートである。図６に示すように、処理が開始されると、ルール整理部５０は、予測済みデータ３３を逐次取り出してＳ２０～Ｓ２５のループ処理を行う。

具体的には、ルール整理部５０は、予測済みデータ３３を取り出し（Ｓ２０）、適用ルールＩＤを取得し（Ｓ２１）、ルールＩＤが空であるか否かを判定する（Ｓ２２）。

適用ルールＩＤにルールＩＤが記載されている場合（Ｓ２２：Ｎｏ）、予測済みデータ３３は、ルール定義３１に含まれるルールに合致する入力データ１１に対し、ルール定義３１のルールで予測結果（ラベル）を得たデータである。

したがって、適用ルールＩＤにルールＩＤが記載されている場合（Ｓ２２：Ｎｏ）、ルール整理部５０は、更新された学習モデル３２で予測済みデータ３３に含まれる入力データ（品名（ｘ））に対する予測値を求める（Ｓ２３）。次いで、ルール整理部５０は、Ｓ２３で求めた予測値と、予測済みデータ３３に含まれる正解コード（ｙ’）の一致性を記録する（Ｓ２４）。

また、適用ルールＩＤにルールＩＤが記載されていない場合（Ｓ２２：Ｙｅｓ）、予測済みデータ３３は、ルール定義３１に含まれるルールに合致しない入力データ１１に対し、学習モデル３２を用いて予測結果（ラベル）を得たデータである。したがって、適用ルールＩＤにルールＩＤが記載されていない場合（Ｓ２２：Ｙｅｓ）、予測済みデータ３３は、Ｓ２３、Ｓ２４の処理をスキップする。このように、ルール整理部５０は、予測済みデータ３３の中でルール定義３１のルールに基づいてラベルを特定したデータを用いてルール整理処理を行う（Ｓ２５）。

次いで、ルール整理部５０は、Ｓ２４で記録した一致性をもとに、ルールＩＤごとに正解率を求める（Ｓ２６）。具体的には、ルール整理部５０は、ルールＩＤごとに、総件数に対する一致する件数の割合から正解率を求める。

次いで、ルール整理部５０は、ルールＩＤごとに求めた正解率をもとに、正解率が所定の閾値以上のルールＩＤを抽出する（Ｓ２７）。次いで、ルール整理部５０は、抽出したルールＩＤを持つルールをルール定義３１から除去し（Ｓ２８）、処理を終了する。

例えば、正解率が所定の閾値以上であれば、学習モデル３２を用いてルール定義３１と同じようにラベルを特定できていると言える。したがって、ルール整理部５０は、正解率が所定の閾値以上であるルールを学習モデル３２に包含されているものとみなし、ルール定義３１より除去する。

以上のように、情報処理装置１は、ルール実行部２０と、記憶部３０と、モデル更新部４０と、ルール整理部５０とを有する。ルール実行部２０は、入力データ１１に対して、入力データ１１に合致するルールが予め設定されたルール定義３１に含まれる場合にはルール定義３１のルールに基づいて入力データ１１に対応するラベルを特定する。また、ルール実行部２０は、入力データ１１に対して、入力データ１１に合致するルールがルール定義３１に含まれない場合には学習モデル３２を用いて入力データ１１に対応するラベルを特定する。記憶部３０は、入力データ１１と、ルール実行部２０が特定したラベルとを予測済みデータ３３として記憶する。モデル更新部４０は、記憶部３０が記憶した予測済みデータ３３を教師データとして学習モデル３２を更新する。ルール整理部５０は、ルール定義３１に含まれるルールの中で学習モデル３２に包含されているルールを抽出する。ルール整理部５０は、抽出した学習モデル３２に包含されているルールをルール定義３１から削除する。

これにより、情報処理装置１では、コンセプトドリフトに関するルールをルール定義３１として予め登録しておくことで、学習モデル３２がコンセプトドリフトに未対応の間はルール定義３１のルールに基づいてラベルの予測を行うので、コンセプトドリフトに適切に対処することができる。

また、ルール整理部５０は、ルール定義３１に含まれるルールに合致する入力データに対して、学習モデル３２を用いて特定したラベルと、当該ルールに基づいて特定したラベルとが合致するか否かに基づき、ルール定義３１に含まれるルールが学習モデル３２に包含されているルールであるか否かを判別する。これにより、情報処理装置１は、ルール定義３１に含まれるルールに合致する入力データ（例えば予測済みデータ３３）を用いて、ルール定義３１に含まれるルールが学習モデル３２に包含されているか否かを判別できる。

また、ルール整理部５０は、学習モデル３２の更新を検知した場合に、学習モデル３２に包含されているルールをルール定義３１より抽出し、抽出したルールをルール定義３１から削除する。これにより、情報処理装置１は、学習モデル３２の更新によって学習モデル３２がルール定義３１に含まれるルールを包含するようになった場合、そのルールを速やかにルール定義３１より削除できる。

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

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

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

図７に示すように、コンピュータ１００は、各種演算処理を実行するＣＰＵ１０１と、データ入力を受け付ける入力装置１０２と、モニタ１０３と、スピーカ１０４とを有する。また、コンピュータ１００は、記憶媒体からプログラム等を読み取る媒体読取装置１０５と、各種装置と接続するためのインタフェース装置１０６と、有線または無線により外部機器と通信接続するための通信装置１０７とを有する。また、コンピュータ１００は、各種情報を一時記憶するＲＡＭ１０８と、ハードディスク装置１０９とを有する。また、コンピュータ１００内の各部（１０１～１０９）は、バス１１０に接続される。

ハードディスク装置１０９には、上記の実施形態で説明した各種の処理を実行するためのプログラム１１１が記憶される。また、ハードディスク装置１０９には、プログラム１１１が参照する各種データ１１２が記憶される。各種データ１１２は、例えば、ルール定義３１、学習モデル３２および予測済みデータ３３などが相当する。入力装置１０２は、例えば、情報処理装置１の操作者から操作情報の入力を受け付ける。モニタ１０３は、例えば、操作者が操作する各種画面を表示する。インタフェース装置１０６は、例えば印刷装置等が接続される。通信装置１０７は、通信ケーブル等を介して接続した外部機器との間で各種情報をやりとりする。

ＣＰＵ１０１は、ハードディスク装置１０９に記憶されたプログラム１１１を読み出して、ＲＡＭ１０８に展開して実行することで、各種の処理を行う。例えば、情報処理装置１の場合、ＣＰＵ１０１は、プログラム１１１を実行することで、入力部１０、ルール実行部２０、記憶部３０、モデル更新部４０、ルール整理部５０および出力部６０に関する処理を行う。

なお、プログラム１１１は、ハードディスク装置１０９に記憶されていなくてもよい。例えば、コンピュータ１００が読み取り可能な記憶媒体に記憶されたプログラム１１１を、コンピュータ１００が読み出して実行するようにしてもよい。コンピュータ１００が読み取り可能な記憶媒体は、例えば、ＣＤ－ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にプログラム１１１を記憶させておき、コンピュータ１００がこれらからプログラム１１１を読み出して実行するようにしてもよい。

以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）入力データに対して、当該入力データに合致するルールが予め設定されたルール定義情報に含まれる場合には当該ルール定義情報のルールに基づいて前記入力データに対応するラベルを特定し、前記ルール定義情報に含まれない場合には学習モデルを用いて前記入力データに対応するラベルを特定し、
前記入力データと、特定した前記ラベルとを予測済み情報として記憶し、
記憶した前記予測済み情報を教師データとして前記学習モデルを更新し、
前記ルール定義情報に含まれるルールの中で前記学習モデルに包含されているルールを抽出し、
抽出した前記学習モデルに包含されているルールを前記ルール定義情報から削除する、
処理をコンピュータに実行させることを特徴とする情報処理プログラム。

（付記２）前記抽出する処理は、前記ルール定義情報に含まれるルールに合致する入力データに対して、前記学習モデルを用いて特定したラベルと、当該ルールに基づいて特定したラベルとが合致するか否かに基づき、前記ルール定義情報に含まれるルールが前記学習モデルに包含されているルールであるか否かを判別する、
ことを特徴とする付記１に記載の情報処理プログラム。

（付記３）前記抽出する処理および前記削除する処理は、前記学習モデルの更新を検知した場合に行う、
ことを特徴とする付記１または２に記載の情報処理プログラム。

（付記４）入力データに対して、当該入力データに合致するルールが予め設定されたルール定義情報に含まれる場合には当該ルール定義情報のルールに基づいて前記入力データに対応するラベルを特定し、前記ルール定義情報に含まれない場合には学習モデルを用いて前記入力データに対応するラベルを特定し、
前記入力データと、特定した前記ラベルとを予測済み情報として記憶し、
記憶した前記予測済み情報を教師データとして前記学習モデルを更新し、
前記ルール定義情報に含まれるルールの中で前記学習モデルに包含されているルールを抽出し、
抽出した前記学習モデルに包含されているルールを前記ルール定義情報から削除する、
処理をコンピュータが実行することを特徴とする情報処理方法。

（付記５）前記抽出する処理は、前記ルール定義情報に含まれるルールに合致する入力データに対して、前記学習モデルを用いて特定したラベルと、当該ルールに基づいて特定したラベルとが合致するか否かに基づき、前記ルール定義情報に含まれるルールが前記学習モデルに包含されているルールであるか否かを判別する、
ことを特徴とする付記４に記載の情報処理方法。

（付記６）前記抽出する処理および前記削除する処理は、前記学習モデルの更新を検知した場合に行う、
ことを特徴とする付記４または５に記載の情報処理方法。

（付記７）入力データに対して、当該入力データに合致するルールが予め設定されたルール定義情報に含まれる場合には当該ルール定義情報のルールに基づいて前記入力データに対応するラベルを特定し、前記ルール定義情報に含まれない場合には学習モデルを用いて前記入力データに対応するラベルを特定するラベル予測部と、
前記入力データと、特定した前記ラベルとを予測済み情報として記憶する記憶部と、
記憶した前記予測済み情報を教師データとして前記学習モデルを更新するモデル更新部と、
前記ルール定義情報に含まれるルールの中で前記学習モデルに包含されているルールを抽出し、抽出した前記学習モデルに包含されているルールを前記ルール定義情報から削除するルール整理部と、
を有することを特徴とする情報処理装置。

（付記８）前記ルール整理部は、前記ルール定義情報に含まれるルールに合致する入力データに対して、前記学習モデルを用いて特定したラベルと、当該ルールに基づいて特定したラベルとが合致するか否かに基づき、前記ルール定義情報に含まれるルールが前記学習モデルに包含されているルールであるか否かを判別する、
ことを特徴とする付記７に記載の情報処理装置。

（付記９）前記ルール整理部は、前記学習モデルの更新を検知した場合に、前記学習モデルに包含されているルールを抽出し、抽出した前記ルールを前記ルール定義情報から削除する、
ことを特徴とする付記７または８に記載の情報処理装置。

１…情報処理装置
１０…入力部
１１…入力データ
１２…教師データ
２０…ルール実行部
３０…記憶部
３１…ルール定義
３２…学習モデル
３３…予測済みデータ
４０…モデル更新部
５０…ルール整理部
６０…出力部
１００…コンピュータ
１０１…ＣＰＵ
１０２…入力装置
１０３…モニタ
１０４…スピーカ
１０５…媒体読取装置
１０６…インタフェース装置
１０７…通信装置
１０８…ＲＡＭ
１０９…ハードディスク装置
１１０…バス
１１１…プログラム
１１２…各種データ

Claims (5)

1. 入力データに対して、当該入力データに合致するルールが予め設定されたルール定義情報に含まれる場合には当該ルール定義情報のルールに基づいて前記入力データに対応するラベルを特定し、前記ルール定義情報に含まれない場合には学習モデルを用いて前記入力データに対応するラベルを特定し、
   前記入力データと、特定した前記ラベルとを予測済み情報として記憶し、
   記憶した前記予測済み情報を教師データとして前記学習モデルを更新し、
   前記ルール定義情報に含まれるルールの中で前記学習モデルに包含されているルールを抽出し、
   抽出した前記学習モデルに包含されているルールを前記ルール定義情報から削除する、
   処理をコンピュータに実行させることを特徴とする情報処理プログラム。
2. 前記抽出する処理は、前記ルール定義情報に含まれるルールに合致する入力データに対して、前記学習モデルを用いて特定したラベルと、当該ルールに基づいて特定したラベルとが合致するか否かに基づき、前記ルール定義情報に含まれるルールが前記学習モデルに包含されているルールであるか否かを判別する、
   ことを特徴とする請求項１に記載の情報処理プログラム。
3. 前記抽出する処理および前記削除する処理は、前記学習モデルの更新を検知した場合に行う、
   ことを特徴とする請求項１または２に記載の情報処理プログラム。
4. 入力データに対して、当該入力データに合致するルールが予め設定されたルール定義情報に含まれる場合には当該ルール定義情報のルールに基づいて前記入力データに対応するラベルを特定し、前記ルール定義情報に含まれない場合には学習モデルを用いて前記入力データに対応するラベルを特定し、
   前記入力データと、特定した前記ラベルとを予測済み情報として記憶し、
   記憶した前記予測済み情報を教師データとして前記学習モデルを更新し、
   前記ルール定義情報に含まれるルールの中で前記学習モデルに包含されているルールを抽出し、
   抽出した前記学習モデルに包含されているルールを前記ルール定義情報から削除する、
   処理をコンピュータが実行することを特徴とする情報処理方法。
5. 入力データに対して、当該入力データに合致するルールが予め設定されたルール定義情報に含まれる場合には当該ルール定義情報のルールに基づいて前記入力データに対応するラベルを特定し、前記ルール定義情報に含まれない場合には学習モデルを用いて前記入力データに対応するラベルを特定するラベル予測部と、
   前記入力データと、特定した前記ラベルとを予測済み情報として記憶する記憶部と、
   記憶した前記予測済み情報を教師データとして前記学習モデルを更新するモデル更新部と、
   前記ルール定義情報に含まれるルールの中で前記学習モデルに包含されているルールを抽出し、抽出した前記学習モデルに包含されているルールを前記ルール定義情報から削除するルール整理部と、
   を有することを特徴とする情報処理装置。

Images