JP7477791B2 - 処理装置、処理方法および処理プログラム - Google Patents

Description

本発明は、処理装置、処理方法および処理プログラムに関する。

会社等の組織に対する評価から、その評価に関連する人、組織、既存システム等の評価対象において、サービスを向上する運用が行われている。評価を分析して、評価と評価対象を対応づける作業および分析は、人が手動で行うことが一般的である。

一般的に、ＡＩ（Artificial Intelligence）サービスシステムの開発モデルをArchiMateで表現する方法がある（非特許文献１参照）。また現状を視覚化して、システムの再構築手法の選択または改善点の支援に活用する提案もある（非特許文献２参照）。

竹内 広宜、外１名、"オフィス業務向けAIサービスシステムの開発モデル"、［online］、２０１９年、人工知能学会第２４回知識流通ネットワーク研究会、［令和２年５月２０日検索］、インターネット〈URL：https://jsai.ixsq.nii.ac.jp/ej/index.php?active_action=repository_view_main_item_detail&page_id=13&block_id=23&item_id=9778&item_no=1〉 独立行政法人情報処理推進機構 技術本部 ソフトウェア高信頼化センター、"システム再構築を成功に導くユーザガイド ～ユーザとベンダで共有する再構築のリスクと対策～"、［online］、２０１８年、［令和２年５月２０日検索］、インターネット〈URL：https://www.ipa.go.jp/files/000057294.pdf〉

しかしながらいずれの文献も、コンピュータ処理により、評価と評価対象を対応づけることについて言及がない。

本発明は、上記事情に鑑みてなされたものであり、本発明の目的は、評価と評価対象を容易に対応づけることが可能な技術を提供することである。

本発明の一態様の処理装置は、評価対象に対する評価を取得する取得部と、評価対象におけるエンティティの各リレーションと、評価との類似度を算出する類似度算出部と、各リレーションのうち、評価との類似度が高いリレーションを出力する出力部を備える。

本発明の一態様の処理方法は、コンピュータが、評価対象に対する評価を取得するステップと、コンピュータが、評価対象におけるエンティティの各リレーションと、評価との類似度を算出するステップと、コンピュータが、各リレーションのうち、評価との類似度が高いリレーションを出力するステップを備える。

本発明の一態様は、上記処理装置として、コンピュータを機能させる処理プログラムである。

本発明によれば、評価と評価対象を容易に対応づけることが可能な技術を提供することができる。

図１は、本発明の実施の形態に係る処理装置の機能ブロックを説明する図である。 図２は、評価データのデータ構造とデータの一例を説明する図である。 図３は、モデルデータのデータ構造とデータの一例を説明する図である。 図４は、モデルデータに用いられるエンティティの名称の一例を説明する図である。 図５は、評価対象組織のモデル構成の一例を説明する図である。 図６は、類似度データのデータ構造とデータの一例を説明する図である。 図７は、取得部による取得処理を説明するフローチャートである。 図８は、類似度算出部による類似度算出処理を説明するフローチャートである。 図９は、出力部による出力結果の一例を説明する図である。 図１０は、第１の変形例に係る出力部の機能ブロックを説明する図である。 図１１は、ＥＡデータのデータ構造の一例を説明する図である。 図１２は、第２の変形例に係る出力部の機能ブロックを説明する図である。 図１３は、第２の変形例に係る学習部を説明する図である。 図１４は、処理装置に用いられるコンピュータのハードウエア構成を説明する図である。

以下、図面を参照して、本発明の実施形態を説明する。図面の記載において同一部分には同一符号を付し説明を省略する。

（処理装置）
図１に示す本発明の実施の形態に係る処理装置１は、コンピュータ処理により、評価対象組織３に関する評価について、評価対象組織３を構成するエンティティのうち、その評価に対応するエンティティを特定する。評価は、ユーザによる、評価対象の組織、組織が提供する商品または役務等に対する、評価の意味のあるひとかたまりのデータであって、文章または用語等の言語で表現される。評価は、ユーザによるコメントの１投稿、口コミの１投稿等である。また評価データセットは、評価対象組織３が保持するＣＲＭ（Customer Relationship Management）で管理するお客様のクレーム情報、ニーズ情報等であっても良い。

処理装置１は、評価データ１１、モデルデータ１２、類似度データ１３、取得部２１、定義部２２、類似度算出部２３および出力部２４を備える。評価データ１１、モデルデータ１２および類似度データ１３は、メモリ９０２またはストレージ９０３に記憶されるデータである。取得部２１、定義部２２、類似度算出部２３および出力部２４は、CPU９０１またはGPU（Graphics Processing Unit）（図示せず）の実行によって処理装置１に実装される機能部である。ここで、類似度算出部２３は、Word2vec, Doc2vec等のニューラルネットワークの処理時において、GPUで実行されても良い。

評価データ１１は、評価の集合である。各評価に対して感情スコアが算出された場合、評価データ１１は、例えば図２に示すように、各評価に、その評価の感情スコアを対応づけても良い。

モデルデータ１２は、評価対象組織３に関するエンティティのリレーションを定義するデータである。図３に示すように、モデルデータ１２は、各リレーションを定義するエンティティの識別子を紐付ける。エンティティの識別子は、図４に示すように、エンティティの名称に対応づけられる。

本発明の実施の形態において、評価対象組織３のオペレーションモデルは、ArchiMateと呼ばれるモデル言語で、定義される。評価対象組織３は、複数のエンティティに区分される。また評価対象組織を複数の階層にわけ、各階層に１以上のエンティティが紐付けられる。評価対象組織３のオペレーションモデルは、各階層から選択されたエンティティを紐付けたリレーションで定義される。本発明の実施の形態において、評価対象組織３は、図５に示すように、組織層、アクティブ構造層、振る舞い層およびパッシブ構造層の４つの層に区分され、各層に１以上のエンティティが対応づけられる。リレーションは、各層から選択されたエンティティを対応づける。

図３に示すモデルデータ１２は、図５に示す評価対象組織３のモデルに対応して形成される。モデルデータ１２は、評価対象組織３を構成する各エンティティのリレーションにより、評価対象組織３をモデル化する。モデルデータ１２が定義するリレーションは、リレーションＩＤ、組織ＩＤ、アクティブ構造ＩＤ、振る舞いＩＤおよびパッシブ構造ＩＤの組み合わせにより定義される。リレーションＩＤは、リレーションを識別する。組織ＩＤ、アクティブ構造ＩＤ、振る舞いＩＤおよびパッシブ構造ＩＤは、それぞれ、そのリレーションで対応づけられる組織層、アクティブ構造層、振る舞い層およびパッシブ構造層から選択されたエンティティのＩＤである。なお本発明の実施の形態において、エンティティのＩＤは、各層において識別可能に採番される。

図３に示すリレーションＩＤ「２」に、組織ＩＤ「１０００００」、アクティブ構造ＩＤ「２０００００」、振る舞いＩＤ「２０００００」およびパッシブ構造ＩＤ「２０００００」が対応づけられる。組織ＩＤ「１０００００」は、組織ＩＤと組織名を対応づける図４（ａ）が示すように、「カスタマーサポートセンタ」である。アクティブ構造ＩＤ「２０００００」は、アクティブ構造ＩＤとアクティブ構造名を対応づける図４（ｂ）が示すように、「営業担当」である。振る舞いＩＤ「２０００００」は、振る舞いＩＤと振る舞い名を対応づける図４（ｃ）が示すように、「クレーム対応」である。パッシブ構造ＩＤ「２０００００」は、パッシブ構造ＩＤとパッシブ構造名を対応づける図４（ｄ）が示すように、「クレーム情報」である。リレーションＩＤ「２」は、評価対象組織３における「カスタマーサポートセンタ」、「営業担当」、「クレーム対応」および「クレーム情報」に対応する。

類似度データ１３は、評価と、評価対象組織３のリレーションとの類似度を対応づけるデータである。類似度は、後述の類似度算出部２３によって算出される。図６に示す類似度データ１３は、各評価について、最も類似度が高いリレーションＩＤと、そのリレーションＩＤとの類似度を対応づける。

取得部２１は、評価対象に対する評価を取得する。取得部２１は、評価提供装置２から、評価対象組織３に関する評価を取得する。評価提供装置２は、例えば、マイクロブログ等の投稿サイト、ＳＮＳ（Social Networking Service）サイト、口コミサイト、自社のＣＲＭシステム等である。取得部２１は、複数の評価を取得しても良い。取得部２１は、サイトまたはシスステムからPULL型で評価を取得しても良いし、PUSH型で評価を取得しても良い。

取得部２１は、評価対象に対する評価のうち、感情スコアがネガティブな評価を取得しても良い。取得部２１は、評価対象に対する各評価について感情スコアを算出し、感情スコアが所定の値以下となるネガティブな評価を取得しても良い。本発明の実施の形態において感情スコアは、高いほど評価対象組織３に対するポジティブな印象を意味し、低いほど評価対象組織３に対するネガティブな印象を意味する。取得部２１は、例えば、Google Natural Language APIを用いて、各評価の感情スコアを算出し、感情スコアが－０．７以下の評価をフィルタリングする。

取得部２１は、評価対象に対する評価のうち、エンティティの名称に対応する評価を取得しても良い。取得部２１は、例えば、図４に示す各テーブルの組織名、アクティブ構造名、振る舞い名およびパッシブ構造名を、検索キーとして、検索キーに一致する評価を取得しても良い。検索キーは、組織層、アクティブ構造層、振る舞い層およびパッシブ構造層のうち、いずれかの構造に対応するエンティティの名称であっても良い。検索キーは、所定条件を満たすエンティティの名称であっても良い。検索キーは、各エンティティの名称のうち、作業者によって選択された名称であっても良い。

図７を参照して、取得部２１による取得処理を説明する。なお図７に示す処理は一例であって、これに限るものではない。

まずステップＳ１０１において取得部２１は、検索ワードに適合する評価を収集する。ステップＳ１０２において取得部２１は、ステップＳ１０１で取得した各評価について、感情スコアを算出する。

ステップＳ１０３において取得部２１は、ステップＳ１０２で算出された感情スコアが閾値以下の評価をフィルタリングする。ステップＳ１０４において取得部２１は、ステップＳ１０３でフィルタリングされた評価を、評価データ１１に格納する。

定義部２２は、評価対象組織３について、モデルデータ１２を生成する。例えば、ArchiMateでオペレーションモデルが作成された場合、定義部２２は、その出力結果を取得しして、モデルデータ１２を生成する。

類似度算出部２３は、評価対象におけるオペレーションモデルのエンティティの各リレーションと、評価との類似度を算出する。リレーションと評価との類似度は、リレーションのエンティティ名の合成ベクトルと、評価に含まれる単語の合成ベクトルとの、類似度である。取得部２１が複数の評価を取得する場合、類似度算出部２３は、複数の評価のそれぞれについて、評価と各リレーションとの類似度を算出する。

合成ベクトルは、例えば、pythonのgensimライブラリと、ニューラルネットワークを用いるWord2Vecにより算出される。リレーションのエンティティ名を、gensimライブラリとWord2Vecで処理することにより、リレーションのエンティティ名の合成ベクトルが算出される。また評価に含まれる単語を、gensimライブラリとWord2Vecで処理することにより、評価の合成ベクトルが算出される。ここで、評価のうち、頻出する単語は除外されても良い。

リレーションの合成ベクトルと評価の合成ベクトルの類似度は、任意の方法で算出される。例えば、Ｃｏｓ類似度であっても良いし、Ｄｏｃ２Ｖｅｃによって算出されても良いし、これらの複数の算出方法で算出されても良い。

類似度算出部２３は、各リレーションおよび各評価の類似度を、類似度データ１３に格納する。あるいは、類似度算出部２３は、図６に示すように、評価と、その評価について最も類似度が高いリレーションのＩＤを対応づけて、類似度データ１３に格納する。

図８を参照して、類似度算出部２３による類似度算出処理を説明する。なお図８に示す処理は一例であって、これに限るものではない。

ステップＳ２０１において類似度算出部２３は、評価データ１１の各評価をベクトルに変換する。ステップＳ２０２において類似度算出部２３は、モデルデータ１２の各リレーションをベクトルに変換する。

ステップＳ２０３において類似度算出部２３は、ステップＳ２０１で算出した各評価のベクトルと、ステップＳ２０２で算出した各リレーションのベクトルとの類似度を算出する。ステップＳ２０４において類似度算出部２３は、各評価について、その評価と最も類似度が高いリレーションＩＤを対応づけて、類似度データ１３に格納する。

出力部２４は、各リレーションのうち、評価との類似度が高いリレーションを出力する。例えば、出力部２４は、各評価について、その評価と最も類似度が高いリレーションＩＤを出力する。評価と最も類似度が高いリレーションＩＤで特定されるエンティティが、その評価を参照して対応する。

出力部２４は、リレーション毎に、類似度が所定値以上の評価の数を出力しても良い。例えば図９に示すように、リレーション毎に、そのリレーションが最も類似度が高いと判断された評価の数を出力する。評価の数が多いリレーションは、評価改善における課題が多いことから、評価数が多いリレーションで改善することにより、効果的にネガティブ評価を減らすことができる。

出力部２４は、リレーション毎に、類似度が所定値以上の評価の感情スコアに対応する指標を出力する。出力部２４は、例えば、リレーション毎に、そのリレーションが最も類似度が高いと判断された評価における感情スコアと正の相関を有する指標を算出して出力する。指標は、例えば、各評価の感情スコアの平均、または各評価の感情スコアのうち最もネガティブな感情スコア等である。ネガティブな感情を強く表現した評価に関連するリレーションで改善することにより、効果的にネガティブ評価を減らすことができる。

本発明の実施の形態に係る処理装置１は、コンピュータ処理により、評価と評価対象を対応づけることができるので、評価改善におけるコストを大幅に削減することができる。また評価と、評価対象組織３におけるリレーションとの関係を類似度として指標化できるので、評価対象組織３は、効率的に評価改善に取り組むことができる。

本発明の実施の形態において、処理装置１の出力部２４が、評価と類似度の高いリレーションを出力する場合を説明した。第１の変形例および第２の変形例において、評価と類似度の高いリレーションに対する改善策を出力する場合を説明する。

（第１の変形例）
図１０を参照して、第１の変形例に係る出力部２４ａを説明する。出力部２４ａは、改善実績を蓄積したエンタープライズアーキテクチャデータ（ＥＡデータ）１１１を参照して、ＥＡデータ１１１から、評価との類似度が高いリレーションに関連するデータを取得して出力する。ここで出力されるデータは、評価と類似度の高いリレーションにおける改善策となりうる。

出力部２４ａは、ＥＡデータ１１１、レコメンドデータ１１２、特定部１２１、リレーションデータ１２２およびレコメンド部１２３を備える。

ＥＡデータ１１１は、エンタープライズアーキテクチャデータである。ＥＡデータ１１１は、例えば図１１に示すように、ＥＡ識別子、Ａｓ－Ｉｓ、Ｔｏ－ＢｅおよびＵｎｉｏｎ－ＥＡの各項目を備える。ＥＡ識別子の項目に、Ａｓ－Ｉｓ、Ｔｏ－ＢｅおよびＵｎｉｏｎ－ＥＡの関係を特定する識別子が設定される。Ａｓ－Ｉｓの項目に、他の企業などが改善を実現したエンタープライズアーキテクチャモデルのＡｓ－Ｉｓモデルのデータが格納される。Ｔｏ－Ｂｅの項目に、他の企業などが改善を実現したエンタープライズアーキテクチャモデルのＴｏ－Ｂｅモデルのデータが格納される。Ｕｎｉｏｎ－ＥＡの項目に、他の企業などが改善を実現したエンタープライズアーキテクチャモデルの統合モデルのデータが格納される。統合モデルは、Ａｓ－Ｉｓモデル、Ｔｏ－ＢｅモデルおよびＴｒａｎｓｉｔｉｏｎが連結したモデルである。第１の変形例において、ＥＡデータ１１１は、予め生成されている場合を説明する。

レコメンドデータ１１２は、レコメンド部１２３が出力する改善策を特定するデータである。レコメンドデータ１１２は、例えばＥＡデータ１１１のＥＡ識別子であっても良いし、ＥＡ識別子から特定される各項目のデータであっても良い。

特定部１２１は、本発明の実施の形態にかかる出力部２４の処理と同様で、評価対象におけるエンティティの各リレーションのうち、評価との類似度が高いリレーションを、リレーションデータ１２２として出力する。リレーションデータ１２２は、リレーションに関連するエンティティ名に変換できればよく、評価と最も類似度が高いリレーションＩＤであっても良いし、評価と最も類似度が高いリレーションＩＤから変換された各エンティティ名であっても良い。

レコメンド部１２３は、ＥＡデータ１１１を参照して、リレーションデータ１２２に関連するＥＡ識別子を特定する。レコメンド部１２３は、リレーションデータ１２２から特定される各エンティティの名称を検索キーとして、ＥＡデータ１１１を検索し、検索キーに類似するＥＡ識別子を特定する。レコメンド部１２３は、特定されたＥＡ識別子、またはＥＡ識別子から特定される各項目のデータを、レコメンドデータ１１２に出力する。

第１の変形例において出力部２４ａは、他の企業などによる過去の改善策から、今回改善が要求されるリレーションに関連するエンタープライズアーキテクチャモデルを、改善策の案として出力する。出力された改善策のうち、今回と同様の課題を解決した改善策が、参照されうる。これにより出力部２４ａは、評価と関連の高いリレーションを出力するとともに、そのリレーションについての解決策を、早期に見いだすことが可能になる。

（第２の変形例）
図１２を参照して、第２の変形例に係る出力部２４ｂを説明する。出力部２４ｂは、ＥＡデータ（エンタープライズアーキテクチャデータ）１１１のＡｓ－Ｉｓモデルのデータをエンコーダの入力データに設定し、エンタープライズアーキテクチャデータ１１１のＴｏ－Ｂｅモデルのデータをデコーダの入力および正解データとして、予測モデルデータ１１３を学習し、予測モデルデータ１１３を参照して、評価との類似度が高いリレーションのデータを入力データに設定して、Ｔｏ－Ｂｅモデルのデータを出力する。Ｔｏ－Ｂｅモデルのデータは、評価と類似度の高いリレーションの将来と考えられ、改善策となりうる。

出力部２４ｂは、ＥＡデータ１１１、レコメンドデータ１１２、予測モデルデータ１１３、特定部１２１、レコメンド部１２３ａおよび学習部１２４を備える。

ＥＡデータ１１１、レコメンドデータ１１２、特定部１２１およびリレーションデータ１２２は、第１の変形例でした通りである。

学習部１２４は、ＥＡデータ１１１を入力として学習し、予測モデルデータ１１３を出力する。学習部１２４は、すでに業務改善が図られた実績のあるＥＡデータ１１１を用いて、教師強制を用いて、Ｓｅｑ２Ｓｅｑ（sequence to sequence）モデルを構築する。図１３に示すように、ＥＡデータ１１１のＡｓ－Ｉｓモデルのデータを、エンコーダ部の入力として設定する。ＥＡデータ１１１のＴｏ－Ｂｅモデルのデータを、デコーダ部の入力および正解データとして設定する。ＥＡデータ１１１のＡｓ－ＩｓモデルのデータおよびＴｏ－Ｂｅモデルのデータは、例えば、ＸＭＬ（Extensible Markup Language）形式で記載される。

学習部１２４は、最適化アルゴリズムなどをチューニングし、誤差が十分に収束したモデルを用いて予測モデルデータ１１３を生成する。学習部１２４は、ＥＡデータのＡｓ－ＩｓモデルからＴｏ－Ｂｅモデルを予測する予測モデルを学習する。学習部１２４が、例えばＰｙｔｈｏｎのＫｅｒａｓフレームワークを用いて学習する場合、学習の結果得られたｌｏｓｓ値が、誤差になる。ｌｏｓｓ値が限りなく０に近い値となっている場合、誤差が充分に収束したと判定される。

学習部１２４が予測モデルデータ１１３を生成すると、レコメンド部１２３ａは、予測モデルデータ１１３に、Ａｓ－Ｉｓモデルとして、リレーションデータ１２２のリレーション、具体的には評価との類似度が高いリレーションのエンティティ名を入力する。レコメンド部１２３ａは、特定部１２１によって特定されたリレーションにおける改善策として、Ｔｏ－Ｂｅモデルを取得して、出力する。

第２の変形例において出力部２４ｂは、他の企業などによる過去の改善策を学習した予測モデルデータ１１３を参照して、今回改善が要求されるリレーションに関連するＴｏ－Ｂｅモデルを、改善策の案として出力する。これにより出力部２４ｂは、評価と関連の高いリレーションを出力するとともに、そのリレーションについての解決策を、早期に見いだすことが可能になる。

上記説明した本実施形態の処理装置１は、例えば、CPU（Central Processing Unit、プロセッサ）９０１と、メモリ９０２と、ストレージ９０３（HDD：Hard Disk Drive、SSD：Solid State Drive）と、通信装置９０４と、入力装置９０５と、出力装置９０６とを備える汎用的なコンピュータシステムが用いられる。このコンピュータシステムにおいて、CPU９０１がメモリ９０２上にロードされた処理プログラムを実行することにより、処理装置１の各機能が実現される。なお、CPU９０１と併用して、GPUが用いられても良い。

なお、処理装置１は、１つのコンピュータで実装されてもよく、あるいは複数のコンピュータで実装されても良い。また処理装置１は、コンピュータに実装される仮想マシンであっても良い。

処理装置１の処理プログラムは、HDD、SSD、USB（Universal Serial Bus）メモリ、CD (Compact Disc)、DVD (Digital Versatile Disc)などのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。

なお、本発明は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。

１ 処理装置
２ 評価提供装置
３ 評価対象組織
１１ 評価データ
１２ モデルデータ
１３ 類似度データ
２１ 取得部
２２ 定義部
２３ 類似度算出部
２４ 出力部
１１１ ＥＡデータ
１１２ レコメンドデータ
１１３ 予測モデルデータ
１２１ 特定部
１２２ リレーションデータ
１２３ レコメンド部
１２４ 学習部
９０１ CPU
９０２ メモリ
９０３ ストレージ
９０４ 通信装置
９０５ 入力装置
９０６ 出力装置

Claims (7)

1. 評価対象組織のオペレーションモデルを定義するための、前記評価対象組織を形成する複数の階層のそれぞれから選択された複数のエンティティの識別子を、リレーションの識別子に対応づけるモデルデータを記憶する記憶装置と、
   評価提供装置から、前記評価対象組織に対する、言語で表現される評価を取得する取得部と、
   前記モデルデータを参照して、各リレーションについて、前記リレーションの識別子に対応づけられる複数のエンティティの識別子のそれぞれに対応する複数のエンティティ名の合成ベクトルと、前記評価に含まれる単語の合成ベクトルから、類似度を算出する類似度算出部と、
   各リレーションのうち、前記評価との類似度が高いリレーションを出力する出力部
   を備える処理装置。
2. 前記取得部は、複数の評価を取得し、
   前記類似度算出部は、前記複数の評価のそれぞれについて、各リレーションについて、前記リレーションの識別子に対応づけられるエンティティの識別子に対応するエンティティ名の合成ベクトルと、前記評価に含まれる単語の合成ベクトルから、類似度を算出し、
   前記出力部は、前記リレーション毎に、前記類似度が所定値以上の評価の数を出力する
   請求項１に記載の処理装置。
3. 前記取得部は、複数の評価を取得し、前記複数の評価のそれぞれについて感情スコアを算出し、
   前記類似度算出部は、前記感情スコアでフィルタリングされた評価のそれぞれについて各リレーションについて、前記リレーションの識別子に対応づけられるエンティティの識別子に対応するエンティティ名の合成ベクトルと、前記評価に含まれる単語の合成ベクトルから、類似度を算出し、
   前記出力部は、前記リレーション毎に、前記リレーションとの前記類似度が所定値以上の評価について、前記評価について算出された感情スコアに対応する指標を出力し、
   前記指標は、各評価の感情スコアのうち最もネガティブな感情スコアである
   請求項１に記載の処理装置。
4. 前記出力部は、改善実績を蓄積したエンタープライズアーキテクチャデータから、前記評価との類似度が高いリレーションの識別子に対応づけられるエンティティの識別子に対応するエンティティ名に関連するデータを取得して出力する
   請求項１ないし３のいずれか１項に記載の処理装置。
5. 前記記憶装置はさらに、改善を実現したエンタープライズアーキテクチャモデルのＡｓ－ＩｓモデルのデータおよびＴｏ－Ｂeモデルのデータを対応づけるエンタープライズアーキテクチャデータを記憶し、
   前記出力部は、エンタープライズアーキテクチャデータのＡｓ－Ｉｓモデルのデータを入力データに設定し、前記エンタープライズアーキテクチャデータのＴｏ－Ｂｅモデルのデータを正解データとして、予測モデルデータを学習し、前記予測モデルデータを参照して、前記評価との類似度が高いリレーションの識別子に対応づけられるエンティティの識別子に対応するエンティティ名のデータを前記入力データに設定して、Ｔｏ－Ｂｅモデルのデータを出力する
   請求項１ないし４のいずれか１項に記載の処理装置。
6. コンピュータが、評価対象組織のオペレーションモデルを定義するための、前記評価対象組織を形成する複数の階層のそれぞれから選択された複数のエンティティの識別子を、リレーションの識別子に対応づけるモデルデータを記憶し、
   前記コンピュータが、評価提供装置から、前記評価対象組織に対する、言語で表現される評価を取得するステップと、
   前記コンピュータが、前記モデルデータを参照して、各リレーションについて、前記リレーションの識別子に対応づけられる複数のエンティティの識別子のそれぞれに対応する複数のエンティティ名の合成ベクトルと、前記評価に含まれる単語の合成ベクトルから、類似度を算出するステップと、
   前記コンピュータが、各リレーションのうち、前記評価との類似度が高いリレーションを出力するステップ
   を備える処理方法。
7. コンピュータを、請求項１ないし請求項５のいずれか１項に記載の処理装置として機能させるための処理プログラム。

Images