JP7388926B2 - 対話システム - Google Patents
対話システム Download PDFInfo
- Publication number
- JP7388926B2 JP7388926B2 JP2020001956A JP2020001956A JP7388926B2 JP 7388926 B2 JP7388926 B2 JP 7388926B2 JP 2020001956 A JP2020001956 A JP 2020001956A JP 2020001956 A JP2020001956 A JP 2020001956A JP 7388926 B2 JP7388926 B2 JP 7388926B2
- Authority
- JP
- Japan
- Prior art keywords
- sentence
- classification
- phenomenon
- recommendation
- text
- 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
Links
- 238000011282 treatment Methods 0.000 claims description 83
- 230000004044 response Effects 0.000 claims description 56
- 238000013210 evaluation model Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims 1
- 230000008439 repair process Effects 0.000 description 128
- 230000006870 function Effects 0.000 description 21
- 230000010485 coping Effects 0.000 description 19
- 238000000034 method Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Landscapes
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
はじめに,図1を参照して,修理履歴の収集からモデルの学習を行うまでの流れ(「学習フェーズ」と呼ぶ)と,現象に関する文章から対処に関する分類を推薦するまでの流れ(「推薦フェーズ」と呼ぶ)に分けてシステムの使い方の概略を説明する。
<1-1.学習フェーズ>
図1において、まず,学習フェーズにおいて,修理員15は,アセット13の現象に関する文章(修理員15が入力した現象に関する文章を以下「現象文章」ということがある)とアセット13の現象を直すために実施した対処に関する分類(対処の分類を以下「対処分類」ということがある)を,修理員端末12を介して文章生成装置10に送る。文章生成装置10は,修理履歴受付部1021で修理員15から送られた情報を受け付ける。文章生成装置10は,送られてきた現象文章と対処分類の組を収集し,修理履歴管理部1011で修理履歴として管理する。
次に,推薦フェーズにおいて,修理員15は,アセット13の現象に関する文章(現象文章)と対処分類の確率の閾値(以下単に「閾値」ということがある)を,修理員端末12を介して文章生成装置10に送る。文章生成装置10の現象文章受付部1031は、修理員15から送られた情報を受け付ける。ここで,閾値は,例えば修理員15が,対処分類の確率が閾値を超えた分類を実施するという方針で、値等を設定して入力する。
次に,文章生成装置10の処理の概略を説明する。
学習フェーズにおいて,文章生成装置10は,現象文章から生成文章を生成する文章生成モデル1122を構築する。その過程で,送られてきた現象文章に関連した生成文章を生成する文章生成モデル1122を学習させるために,深層学習(Deep Learning)の一種であるGAN(Generative Adversarial Networks)の枠組みで学習させる。その際,一般的なGANでは修理履歴の現象文章に近い文章を生成するように学習させるのに対し本実施例では,修理履歴の現象文章に近く,かつ送られてきた現象文章の下で生起する確率の高い文章を生成するように学習させる。その結果,送られてきた現象文章と近いが異なる生成文章が生成される。これにより,修理員15が入力した現象文章に関連した別の文章が生成されやすくなる。結果として,修理方法に対して網羅的な文章の集合を得ることができる。
<2-1.機能ブロック>
図1を用いて本実施形態のシステム構成を説明する。本実施形態のシステムは,文章生成装置10と,管理者14が操作する管理者端末11と,修理員15が操作する修理員端末12と,修理員15が操作するアセット13とを備える。これらの構成要素は,有線あるいは無線によるネットワーク16で相互に接続させる。ネットワーク16自体はLAN(Local Area Network)やWAN(Wide Area Network)などで構成される。なお,上記構成要素は一例であって,要素数は増減してもよい。例えば,分散処理のため文章生成装置10が複数に分かれていてもかまわない。
次に,図1と図2を参照して機能とハードウェアの対応を説明する。
図1は、文章生成装置10が備える機能ブロックを示している。
図2は、文章生成装置10のハードウェア構成を示している。当該ハードウェアは例えばサーバのようなコンピュータで構成される。
図1に示す文章生成装置10が備える管理部101と学習部102と推薦部103は,図2に示すCPU(Central Processing Unit)1H101が、ROM(Read Only Memory)1H102もしくは外部記憶装置1H104に格納されたプログラムをRAM(Random Access Memory)1H103に読み込み、通信I/F(Interface)1H105、マウスやキーボード等に代表される外部入力装置1H106、ディスプレイなどに代表される外部出力装置1H107を制御することで、各種機能が実現される。
図3を用いて,文章生成装置10の管理部101の修理履歴管理部1011が管理する修理履歴1D1を説明する。修理履歴1D1は,修理履歴受付部1021がアセット13の現象に関する文章(現象文章)と対処に関する分類(対処分類)を,修理員端末12を介して収集し,それらを結合したアセットの修理単位のデータである。
次に,図9,図10,図11を用いて本実施形態における学習フェーズの処理フローを説明する。
図9を用いて,全体の流れを説明する。まず,修理履歴受付部1021が,修理員15から修理員端末12を介して送られてきた現象文章と対処分類の組を収集し,修理履歴管理部1011に蓄積する(ステップ1F101)。
次に図10,図11を用いて,文章生成モデル1122の学習(ステップ1F102)の処理について詳細を説明する。なお,本実装形態はGANの1つであるConditional GANを用いた形態を示す。そのため,文章生成モデル1122に加え,文章生成モデル1122が生成した生成文章と修理履歴の現象文章とを判別する文章識別モデルも同時に学習させる。文章識別モデルは文章生成モデル1122の学習時のみ使用され、学習が完了した後は不要となるので図示はしていない。なお,本実施形態では,分布間距離にJSD(Jensen-Shannon Divergence)を用いたGANを使用するが,Wasserstein距離を使ったWasserstein GANなどの他のGANを用いてもよい。
次に,推薦モデルの学習(ステップ1F103)の処理について詳細を説明する。まず,修理履歴管理部1011の修理履歴1D1(図3)から現象文章1D13と対処分類ID1D145を取り出す。そして,現象文章1D13と対処分類ID145に基づいて対処分類の確率を出力する推薦モデル1123を構築する。なお,本実施形態では推薦モデルにSVM(Support Vector Machine)を使用するが,単純ベイズ分類器やニューラルネットなどのモデルを使用してもよい。いずれのモデルも公知のため、詳細な説明は割愛する。
次に,尤度評価モデルの学習(ステップ1F104)の処理について詳細を説明する。まず,修理履歴管理部1011の修理履歴1D1(図3)から現象文章1D13を取り出す。次に,現象文章1D13に基づいて現象文章の分布を学習し,入力された文章の修理履歴の現象文章に対する尤もらしさを出力する尤度評価モデルを構築する。なお,本実施形態ではn-gram言語モデルを使用するが,隠れマルコフモデルや最大エントロピーモデルなどを使用してもよい。いずれのモデルも公知のため、詳細な説明は割愛する。
図12を用いて本実施形態における推薦フェーズの処理フローを説明する。まず,修理員15は修理員端末12を介して,アセット13の現象文章と対処分類の確率の閾値を現象文章受付部1031に送る(ステップ1F201)。ここで,対処分類の確率の閾値には,例えば修理員15が,対処分類の確率がある値を超えた対処分類を実施するといった方針で数値などを入力する。本実施形態では,0.8を対処分類の確率の閾値とする。
1:70%、対処分類ID2:20%、対処分類ID3:10%)のように出力される。その後,対処推薦部1032は,送られてきた現象に関する文章と対処分類とその確率の組を生成する。
図13を用いて,学習フェーズにおいて,修理員15が修理員端末12を介して修理履歴受付部1021に対して修理履歴1D1(図3)を送信するために使う,修理履歴受付部1021の修理履歴入力画面1G1を説明する。
101…… 管理部
1011……修理履歴管理部
1012……モデル管理部
102…… 学習部
1021……修理履歴受付部
1022……文章生成モデル学習部
1023……推薦モデル学習部
1024……尤度評価モデル学習部
103…… 推薦部
1031……現象文章受付部
1032……対処推薦部
1033……対処表示部
11 …… 管理者端末
12 …… 修理員端末
13 …… アセット
14 …… 管理者
15 …… 修理員
16 …… ネットワーク
Claims (6)
- 現象に関する第1の文章を受け付ける現象文章受付部と,
前記第1の文章に対する対処に関する分類を出力する対処推薦部と,
前記対処推薦部が出力した対処に関する分類に基づいた表示を行う対処表示部と,
を少なくとも備え,
前記対処に関する分類はシステム中で複数が定義されており,
前記対処推薦部が,
文章生成モデルを用いて,前記第1の文章と複数の前記対処に関する分類それぞれとの組み合わせに基づいて,複数の文章を生成することにより,前記第1の文章から,該第1の文章とは異なる複数の現象に関する第2の文章を生成し,
機械学習を用いた推薦モデルを用いて,前記第2の文章から,前記第2の文章に対する対処に関する分類を推定し,
前記対処表示部が,
前記第2の文章および前記第2の文章に対する対処に関する分類の組に基づいた表示を行う,
対話システム。 - 前記対処推薦部が,
尤度評価モデルを用いて,少なくとも一つの前記第2の文章の前記第1の文章に対する尤度を算出し,
前記推薦モデルが,
前記第2の文章に対する対処に関する分類の確率を推定し,
前記対処推薦部が,
前記第2の文章に対する対処に関する分類の確率および前記尤度に基づいて、前記対処表示部が表示する前記第2の文章を選別し,
前記対処表示部が,
選別された前記第2の文章および前記第2の文章に対する対処に関する分類の組に基づいた表示を行う,
請求項1記載の対話システム。 - 前記対処推薦部が,
前記推薦モデルを用いて,前記第1の文章から,前記第1の文章に対する対処に関する分類を推定し,
前記第1の文章に対する対処に関する分類の推定結果に基づいて,前記第2の文章および前記第2の文章に対する対処に関する分類の組に基づいた表示を行うか否かを決定する,
請求項1記載の対話システム。 - 前記推薦モデルが,
前記第1の文章に対する対処に関する分類の確率を推定し,前記第2の文章に対する対処に関する分類の確率を推定し,
前記対処表示部が,
前記第2の文章に対する対処に関する分類の確率の表示を行うとともに,前記第2の文章を表示する,
請求項3記載の対話システム。 - 前記現象文章受付部が,
前記第1の文章とともに閾値を受け付け,
前記対処推薦部が,
前記第2の文章に対する対処に関する分類の確率が前記閾値の条件を満たす前記第2の文章を選別し,
前記対処表示部が,
前記閾値の条件を満たす前記第2の文章に関する表示を行う,
請求項4記載の対話システム。 - 前記対処表示部が,
前記第1の文章に対する対処に関する分類の確率と前記第2の文章に対する対処に関する分類の確率の,比較可能な表示を行う,
請求項5記載の対話システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001956A JP7388926B2 (ja) | 2020-01-09 | 2020-01-09 | 対話システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001956A JP7388926B2 (ja) | 2020-01-09 | 2020-01-09 | 対話システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021111075A JP2021111075A (ja) | 2021-08-02 |
JP7388926B2 true JP7388926B2 (ja) | 2023-11-29 |
Family
ID=77059843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020001956A Active JP7388926B2 (ja) | 2020-01-09 | 2020-01-09 | 対話システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7388926B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011100190A (ja) | 2009-11-04 | 2011-05-19 | Nec Fielding Ltd | 機器保守システムおよび機器保守方法、障害推定装置 |
JP2013254451A (ja) | 2012-06-08 | 2013-12-19 | Nippon Telegr & Teleph Corp <Ntt> | 監視装置、監視方法及び監視プログラム |
WO2018097091A1 (ja) | 2016-11-25 | 2018-05-31 | 日本電信電話株式会社 | モデル作成装置、テキスト検索装置、モデル作成方法、テキスト検索方法、データ構造、及びプログラム |
JP2019125145A (ja) | 2018-01-16 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
-
2020
- 2020-01-09 JP JP2020001956A patent/JP7388926B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011100190A (ja) | 2009-11-04 | 2011-05-19 | Nec Fielding Ltd | 機器保守システムおよび機器保守方法、障害推定装置 |
JP2013254451A (ja) | 2012-06-08 | 2013-12-19 | Nippon Telegr & Teleph Corp <Ntt> | 監視装置、監視方法及び監視プログラム |
WO2018097091A1 (ja) | 2016-11-25 | 2018-05-31 | 日本電信電話株式会社 | モデル作成装置、テキスト検索装置、モデル作成方法、テキスト検索方法、データ構造、及びプログラム |
JP2019125145A (ja) | 2018-01-16 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021111075A (ja) | 2021-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444709B (zh) | 文本分类方法、装置、存储介质及设备 | |
US11128579B2 (en) | Systems and processes for operating and training a text-based chatbot | |
US20210034813A1 (en) | Neural network model with evidence extraction | |
US11062094B2 (en) | Systems and methods for automatically detecting sentiments and assigning and analyzing quantitate values to the sentiments expressed in text | |
McZara et al. | Software requirements prioritization and selection using linguistic tools and constraint solvers—a controlled experiment | |
CN111680159B (zh) | 数据处理方法、装置及电子设备 | |
EP3717984B1 (en) | Method and apparatus for providing personalized self-help experience | |
US20200034689A1 (en) | A method for retrieving a recommendation from a knowledge database of a ticketing system | |
Sert et al. | Using artificial intelligence to predict decisions of the turkish constitutional court | |
KR20210022873A (ko) | 인터넷을 통해 수집된 화장품 리뷰 정보를 분석하여 개선된 리뷰 정보를 사용자에게 제공하는 방법 및 시스템 | |
Serrano‐Guerrero et al. | A fuzzy aspect‐based approach for recommending hospitals | |
Agarwal et al. | Descriptive Research on AI-based tools to aid personalized customer service: Case of ChatGPT | |
CN113283795B (zh) | 基于二分类模型的数据处理方法及装置、介质、设备 | |
Nama et al. | Sentiment analysis of movie reviews: A comparative study between the naive-bayes classifier and a rule-based approach | |
JP7388926B2 (ja) | 対話システム | |
Mahanan et al. | College Agent: The Machine Learning Chatbot for College Tasks | |
JP2020173525A (ja) | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム | |
CN114300127A (zh) | 问诊处理方法、装置、设备及存储介质 | |
CN114138954A (zh) | 用户咨询问题推荐方法、系统、计算机设备及存储介质 | |
Asemi et al. | Non-empirical ISO 9241-210: 2019-based usability evaluation using fuzzy inference analyser: a special issue on interactive social robots | |
Mugambi | Sentiment analysis for hate speech detection on social media: TF-IDF weighted N-Grams based approach | |
Asemi et al. | Investment Recommender System Model Based on the Potential Investors' Key Decision Factors | |
Hong et al. | ProtoryNet-Interpretable Text Classification Via Prototype Trajectories | |
Hellwig et al. | NLP for product safety risk assessment: Towards consistency evaluations of human expert panels | |
Makkar et al. | Detecting Medical Reviews Using Sentiment Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220524 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230523 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230727 |
|
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: 20231031 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231116 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7388926 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |