JPH064290A - 知識ベースシステムの知識獲得装置およびその知識修正装置 - Google Patents

Abstract

(57)【要約】 【目的】知識ベースの知識獲得を自動的に行い、その知
識修正を簡易に行う。 【構成】複数のデータに対してクラスタ分析部１０は所
定のクラスタに分類し、このクラスタごとに帰納学習部
１１がルールの条件部の知識を獲得し、データ分析部１
２が重回帰分析により所定の計算式を得てルールの実行
部の知識を獲得し、知識生成部１３は、クラスタごとに
ルールとしてまとめ、知識ベース３に知識として格納す
る。一方、新規データに対しては、知識ベース３の既存
ルールと照合し、満足しない場合はさらに、知識までに
は至らずに格納されていたサブ知識と照合し、満足する
場合はこのサブ知識をルールの条件部に追加し、既存ル
ールおよびサブ知識を満足していた場合は該当するルー
ルの実行部の計算を行って出力値が許容範囲を満足する
か否かを判定し、満足する場合はそのルールの実行部の
計算式のみの修正を行う。サブ知識あるいは許容範囲を
満足しない場合は、新規データを含む全データに対して
クラスタ分析からやり直し、再度知識を獲得する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、診断、推定、予測、制
御、計測等の分野において、取得したデータから知識を
獲得し、知識を修正することができる知識ベースシステ
ムの知識獲得装置およびその知識修正装置に関する。

【０００２】

【従来の技術】従来、知識ベースシステムは、プロダク
ション・ルールと呼ばれるＩＦ（条件部）−ＴＨＥＮ
（実行部）形式の知識を格納する知識ベースを有し、こ
の知識ベースの知識を組み合わせて推論等を行ってい
た。この知識ベースの知識獲得およびその修正は、知識
ベースシステムの能力を左右する重要なものである。

【０００３】しかし、この知識ベースシステムの知識ベ
ースの知識獲得およびその知識修正は、知識獲得のため
の十分なデータを保持していいても、別の手段により統
計的にデータの分析を行い、その結果を利用して知識を
獲得していたため、知識ベースに知識を格納するのに多
大の労力を必要とした。また、この場合の知識修正も獲
得した知識との整合性を考慮しないために多大の労力を
必要とした。

【０００４】例えば、エキスパートシステムで使用され
る知識ベースのルールは、専門家から専門知識を獲得
し、解釈し、さらにこの獲得した知識をエキスパートシ
ステムに適合する形式のルールを作成して知識ベースに
格納する作業が必要であり、十分なエキスパートシステ
ムを構築するためには、多大の時間および労力を必要と
するという問題点があった。

【０００５】

【発明が解決しようとする課題】前述したように、従来
の知識ベースシステムにおいて、知識ベースに格納され
る知識の獲得およびその知識の修正は、知識ベースシス
テムの能力を左右する重要なものでもあるにもかかわら
ず、多大の時間および労力を必要としていたという問題
点があった。

【０００６】そこで、本発明は、かかる問題点を除去
し、知識の獲得を自動的に行い、かつ知識の修正を簡易
に行うことができる知識ベースシステムの知識獲得装置
およびその知識修正装置を提供することを目的とする。

【０００７】

【課題を解決するための手段】第１の発明は、複数の属
性に対応したデータを有している複数のデータ群から知
識ベースシステムの知識ベースに格納される知識を獲得
する知識ベースシステムの知識獲得装置において、前記
複数の属性のうちの特定された第１の属性群からなる前
記複数のデータ群の部分データ群をクラスタ分析して前
記複数のデータ群をクラスタに分類するデータ分類手段
と、前記データ分類手段により分類されたクラスタ単位
の複数のデータ群から前記知識ベースの知識を獲得する
クラスタ単位知識獲得手段とを具備したことを特徴とす
る。

【０００８】第２の発明は、第１の発明において、前記
クラスタ単位知識獲得手段は、前記データ分類手段によ
り分類されたクラスタごとに、所定の帰納学習方法によ
り求めたクラスタ属性条件の論理式をルールの条件部の
知識として獲得する条件部知識獲得手段と、前記データ
分類手段により分類されたクラスタごとに、特定された
第２の属性群からなる該クラスタ内の複数の部分データ
群に基づき、所定のデータ分析方法により最適な数値的
関係式をルールの実行部の知識として獲得する実行部知
識獲得手段と、前記条件部知識獲得手段と前記実行部知
識獲得手段とから得られる前記クラスタごとの知識から
前記知識ベースのルールを生成するルール生成手段とを
具備したことを特徴とする。

【０００９】第３の発明は、複数の属性に対応したデー
タを有している複数のデータ群をもとに、該複数の属性
のうちの特定された第１の属性群からなる前記複数のデ
ータ群の部分データ群をクラスタ分析して前記複数のデ
ータ群をクラスタに分類するデータ分類手段と、前記デ
ータ分類手段により分類されたクラスタごとに、所定の
帰納学習方法により求めたクラスタ属性条件の論理式を
ルールの条件部の知識として獲得する条件部知識獲得手
段と、前記データ分類手段により分類されたクラスタご
とに、特定された第２の属性群からなる該クラスタ内の
複数の部分データ群に基づき、所定のデータ分析方法に
より最適な数値的関係式をルールの実行部の知識として
獲得する実行部知識獲得手段と、前記条件部知識獲得手
段と前記実行部知識獲得手段とから得られる前記クラス
タごとの知識から前記知識ベースのルールを生成するル
ール生成手段とを有し、前記条件部知識獲得手段により
獲得された知識のうち知識ベースの知識としての利用を
留保する知識をサブ知識として前記知識ベースに格納し
て、新規データ群に対する前記知識ベースの知識修正を
行う知識ベースシステムの知識修正装置において、前記
新規データ群と前記知識ベースに格納されているルール
の条件部の知識とを照合して満足するものがあるか否か
を判定する知識判定手段と、前記知識判定手段により満
足するものがない場合に、前記新規データ群と前記知識
ベースに格納されている前記サブ知識とを照合して満足
するものがあるか否かを判定するサブ知識判定手段と、
前記サブ知識判定手段により満足するものがあると判定
した場合に、前記サブ知識の留保を取り消して前記ルー
ルの条件部の知識に追加するサブ知識追加手段と、前記
知識判定手段あるいは前記サブ知識判定手段により満足
するものがあると判定された場合、前記ルールの条件部
の知識に対応する前記ルールの実行部の知識による処理
を行い、該処理出力が所定の許容範囲内か否かを判定す
る許容範囲判定手段と、前記許容範囲判定手段により許
容範囲内と判定された場合は、前記ルールの条件部の知
識および修正した前記ルールの実行部の知識を修正知識
として前記知識ベースに格納する部分知識修正手段と、
前記サブ知識判定手段により満足するものがないと判定
された場合あるいは前記許容範囲判定手段により許容範
囲内でないと判定された場合に、再度、前記新規データ
群を含めた前記複数のデータ群から知識獲得を行わせる
指示をする全体知識修正手段とを具備したことを特徴と
する。

【００１０】

【作用】第１の発明は、複数の属性に対応したデータを
有している複数のデータ群から知識ベースシステムの知
識ベースに格納される知識を獲得する知識ベースシステ
ムの知識獲得装置において、データ分類手段が、前記複
数の属性のうちの特定された第１の属性群からなる前記
複数のデータ群の部分データ群をクラスタ分析して前記
複数のデータ群をクラスタに分類し、クラスタ単位知識
獲得手段が、前記データ分類手段により分類されたクラ
スタ単位の複数のデータ群から前記知識ベースの知識を
獲得する。

【００１１】第２の発明は、第１の発明において、前記
クラスタ単位知識獲得手段の条件部知識獲得手段が、前
記データ分類手段により分類されたクラスタごとに、所
定の帰納学習方法により求めたクラスタ属性条件の論理
式をルールの条件部の知識として獲得し、前記クラスタ
単位知識獲得手段の実行部知識獲得手段が、前記データ
分類手段により分類されたクラスタごとに、特定された
第２の属性群からなる該クラスタ内の複数の部分データ
群に基づき、所定のデータ分析方法により最適な数値的
関係式をルールの実行部の知識として獲得し、前記クラ
スタ単位知識獲得手段のルール生成手段が、前記条件部
知識獲得手段と前記実行部知識獲得手段とから得られる
前記クラスタごとの知識から前記知識ベースのルールを
生成する。

【００１２】第３の発明は、複数の属性に対応したデー
タを有している複数のデータ群をもとに、該複数の属性
のうちの特定された第１の属性群からなる前記複数のデ
ータ群の部分データ群をクラスタ分析して前記複数のデ
ータ群をクラスタに分類するデータ分類手段と、前記デ
ータ分類手段により分類されたクラスタごとに、所定の
帰納学習方法により求めたクラスタ属性条件の論理式を
ルールの条件部の知識として獲得する条件部知識獲得手
段と、前記データ分類手段により分類されたクラスタご
とに、特定された第２の属性群からなる該クラスタ内の
複数の部分データ群に基づき、所定のデータ分析方法に
より最適な数値的関係式をルールの実行部の知識として
獲得する実行部知識獲得手段と、前記条件部知識獲得手
段と前記実行部知識獲得手段とから得られる前記クラス
タごとの知識から前記知識ベースのルールを生成するル
ール生成手段とを有し、前記条件部知識獲得手段により
獲得された知識のうち知識ベースの知識としての利用を
留保する知識をサブ知識として前記知識ベースに格納し
て、新規データ群に対する前記知識ベースの知識修正を
行う知識ベースシステムの知識修正装置において、知識
判定手段が、前記新規データ群と前記知識ベースに格納
されているルールの条件部の知識とを照合して満足する
ものがあるか否かを判定し、サブ知識判定手段が、前記
知識判定手段により満足するものがない場合に、前記新
規データ群と前記知識ベースに格納されている前記サブ
知識とを照合して満足するものがあるか否かを判定し、
サブ知識追加手段が、前記サブ知識判定手段により満足
するものがあると判定した場合に、前記サブ知識の留保
を取り消して前記ルールの条件部の知識に追加し、許容
範囲判定手段が、前記知識判定手段あるいは前記サブ知
識判定手段により満足するものがあると判定された場
合、前記ルールの条件部の知識に対応する前記ルールの
実行部の知識による処理を行い、該処理出力が所定の許
容範囲内か否かを判定し、部分知識修正手段が、前記許
容範囲判定手段により許容範囲内と判定された場合は、
前記ルールの条件部の知識および修正した前記ルールの
実行部の知識を修正知識として前記知識ベースに格納
し、全体知識修正手段が、前記サブ知識判定手段により
満足するものがないと判定された場合あるいは前記許容
範囲判定手段により許容範囲内でないと判定された場合
に、再度、前記新規データ群を含めた前記複数のデータ
群から知識獲得を行わせる指示をする。

【００１３】

【実施例】以下、図面を参照して本発明の一実施例につ
いて説明する。図１は、本発明の一実施例である知識ベ
ースシステムの構成ブロック図である。ここで、本知識
ベースシステムを、事例ベース推論システムに応用した
場合について説明する。事例ベース推論システムとは、
過去の問題解決経験を事例として蓄積しておき、新規問
題に対して類似事例を検索・修正することにより結論を
導く推論を行うものである。具体的に、売上予測システ
ムに適用して、以下詳細に説明する。すなわち、家電製
品、販売店、あるいはコンビニエンス・ストアやレスト
ランなどのチェーン店において、過去の出店事例を蓄え
ておき、その中から類似店を検索し、類似店の情報を参
考にすることから新規に出店する予定の店舗の売上高を
予測するものである。ここでは、売上高を予測計算する
ルールの獲得、あるいはルールの修正について説明す
る。

【００１４】図１において、売上予測システム内の知識
ベースシステムは、知識を獲得する知識獲得装置１、知
識を修正する知識修正装置２、ＩＦ−ＴＨＥＮ形式の知
識を格納している知識ベース３、知識のもとになるデー
タが格納されている事例ベース４、知識獲得装置１，知
識修正装置２および事例ベース４の制御して知識ベース
の知識を獲得・修正の全体制御を行う知識ベース制御部
５、知識ベース３の知識をもとに推論等を行う推論部
８、入力部６および出力部７から構成される。また、知
識獲得装置１は、事例ベース４に格納されているデータ
をクラスタ分析するクラスタ分析部１０、クラスタ分析
部１０により分類されたクラスタごとにルールの条件部
を帰納学習してルールの条件部の知識を獲得する帰納学
習部１１、クラスタ分析部１０により分類されたクラス
タごとに、クラスタ内のデータを分析し、ルールの実行
部の知識を獲得するデータ分析部１２、帰納学習部１１
およびデータ分析部１２で獲得された知識をもとにＩＦ
−ＴＨＥＮ形式のルールを生成するルール生成部１３か
ら構成される。

【００１５】さらに、知識修正装置２は、新たに入力さ
れたデータを含めて知識とするために、新たに入力され
たデータの抽象データと知識ベース３に格納されている
全てのルールの条件部とを照合して満足するルールがあ
るか否かを判定する知識判定部２０、知識判定部２０の
判定結果により満足するルールの条件部がない場合に知
識ベース３に格納されているサブ知識、すなわち、帰納
学習部１１の知識獲得の条件を満足しているが知識ベー
ス３に知識として活用される知識適用要件を満足してい
ないもので知識ベースに格納されているルールの条件を
含めたルールの条件部を満足するものがあるか否かを判
定するサブ知識判定部２１、サブ知識判定部２１の判定
によりルールの条件部を満足するものがある場合に満足
するサブ知識を照合したルールの条件部に追加するサブ
知識追加部２２、知識判定手段２０により満足すると判
定されたルールの条件部に対応するルールの実行部およ
びサブ知識追加部２２により追加されたルールの条件部
に対応するルールの実行部の処理を行って被決定要因の
出力値が所定の許容範囲内であるか否かを判定する許容
範囲判定部２３、許容範囲判定部２３の判定により許容
範囲を満足する場合にデータ分析部１２を起動させるこ
とによりルールの実行部のみを修正する部分知識修正部
２４、サブ知識判定部２１あるいは許容範囲判定部２３
の判定を満足しない場合に再度新たに入力されたデータ
を含めた全データに対して知識獲得装置１により知識獲
得を行う指示をする全体知識修正指示部２５から構成さ
れる。次に、知識獲得装置１について説明する。図２
は、知識獲得装置１の動作フローチャートである。図２
において、事例ベース４からデータを入力する（ステッ
プ２０１）。入力されたデータはクラスタ分析部１０に
おいてクラスタ分析を行う（ステップ２０２）。このク
ラスタ分析に際して使用するデータは、共通する一部の
データ群により行う。そして、その結果として、所定の
類似度に従って、グループすなわちクラスタに分類され
る（ステップ２０３）。

【００１６】ここで、売上予測システムの具体的なクラ
スタ分析について説明する。まず、取得したデータには
２種類あり、１つは、売場面積、従業員数、駐車場収容
台数等の店舗情報と、人口密度、家族構成、道路状況等
の地域情報とからなる調査データであり、１つは、上記
地域情報から抽出した抽象項目データである。この抽象
項目データは、アンケートにより求めてもよいし、他の
抽出方法により求めてもよい。また、地域情報そのもの
を抽象項目データとしてもよい。なお、取得したデータ
は、それぞれの店舗ごとのデータ（事例）として求めら
れている。

【００１７】ここでは、抽象項目データとして、次のよ
うな８つの項目を取り上げ、それぞれかっこ内のような
値をとるものとする。なお、かっこ内の値は連続値と離
散値が考えられるが、本実施例では、離散値とする。 ・住民生活リッチ度（1.低い 2.やや低い 3.普通 4.
高い 5.非常に高い） ・周辺地域状況 （1.良くない 2.あまり良くない
3.普通 4.良い5.非常に良い） ・交通事情 （1.良くない 2.あまり良くない
3.普通 4.良い5.非常に良い） ・顧客タイプ （1.固定 2.両方 3.多い方） ・季節変動性 （1.小 2.中 3.大） ・ＯＡ化の普及度 （1.小 2.中下 3.中 4.中上 5.
上） ・マニア性 （1.低い 2.普通 3.高い） ・ファミリー性 （1.弱い 2.普通 3.強い） これら８つの抽象項目データをもとにクラスタ分析を行
う。クラスタ分析とは、似ている度合いすなわち、類似
度、あるいはその逆に標本間の性質的な違いすなわち、
距離に基づいてクラスタに分類しようとするものであ
る。

【００１８】図３および図４は、具体的な抽象項目デー
タを示す図である。図３および図４には、上記した８つ
の抽象項目に対する６８店舗のデータが示されており、
事例ベース４に格納されている。この事例ベース４への
入力は、入力部６により入力される。

【００１９】図５および図６は、重み付けされた抽象項
目データを示す図である。図５および図６に示されたデ
ータは、図３および図４のデータに対して重み付けがさ
れたデータであり、８つの抽象項目データの値に対して
それぞれ次のような重み付けの値が乗算され、重み付け
がされている。すなわち、 住民生活リッチ度×０．５８ 周辺地域状況 ×０．６６ 交通事情 ×０．８５ 顧客タイプ ×０．４２ 季節変動性 ×０．２２ ＯＡ化の普及度 ×０．３９ マニア性 ×０．２７ ファミリー性 ×０．３４ 従って、ステップ２０１において、入力されるデータは
図５および図６に示した重み付けされたデータが入力さ
れる。なお、重み付けについては、別に重み付け専用の
手段を設けてもよい。

【００２０】さて、この重み付けされた抽象項目データ
に基づいてクラスタ分析を行う。このクラスタ分析の方
法は種々のものがあるが、本実施例における計算方法
は、距離計算を「標準ユークリッド距離」、クラスタ結
合を「最短距離法」により行う。もちろん、他の計算方
法によりクラスタ分析を行ってもよい。

【００２１】図７は、クラスタ分析の結果を示す樹状図
である。図７の樹状図は、横軸に図５および図６のデー
タ番号が適切に配置されたクラスタを表し、縦軸にクラ
スタ間の類似度を表している。ここで、本実施例におい
ては、クラスタ分析の類似度を「ａ」と指定しておくこ
とにより、１６個のクラスタを得ることができる。すな
わち、類似度「ａ」の線Ｌａと交わるクラスタの樹は１
６箇所となり、６８店舗のデータは、１６のクラスタに
分類されたことになる。ここで、指定する類似度は任意
に設定できるものであり、例えば類似度「ｂ」に設定す
ることにより類似度「ｂ」の線Ｌｂは５個のクラスタの
樹を交わり、５個のクラスタを得ることができる。 な
お、クラスタの分類は、図７の線Ｌａ、Ｌｂのように全
てのデータに対して同一の類似度を設定する必要はな
く、異なる類似度でクラスタに分類してもよい。例え
ば、あるクラスタは線Ｌａで交わる類似度で分類され、
また、あるクラスタは線Ｌｂで交わる類似度で分類さ
れ、最終的に全てのデータがあるクラスタに分類されれ
ばよい。

【００２２】ここでは、類似度を「ａ」として、１６個
のクラスタを得ることができたとする。すなわち、 クラスタ番号 １＝｛データ番号 １，３５｝ クラスタ番号 ２＝｛データ番号 ２，３，５，６，
７，８，１０，１２，１３，１８，２０，２６，２７，
２８，３２，３４，３６，３７，４０，４１，４２，４
４，４６，４７，５２，５４，６０，６１，６２，６
６，６８｝ クラスタ番号 ３＝｛データ番号 ４、３８｝ クラスタ番号 ４＝｛データ番号 ９，３３，４３，６
７｝ クラスタ番号 ５＝｛データ番号 １１，４５｝ クラスタ番号 ６＝｛データ番号 １４，４８｝ クラスタ番号 ７＝｛データ番号 １５，３１，４９，
６５｝ クラスタ番号 ８＝｛データ番号 １６，５０｝ クラスタ番号 ９＝｛データ番号 １７，５１，５８｝ クラスタ番号１０＝｛データ番号 １９，２１，３０，
５３，５５，６４｝ クラスタ番号１１＝｛データ番号 ２２，５６｝ クラスタ番号１２＝｛データ番号 ２３｝ クラスタ番号１３＝｛データ番号 ２４｝ クラスタ番号１４＝｛データ番号 ２５，５９｝ クラスタ番号１５＝｛データ番号 ２９，６３｝ クラスタ番号１６＝｛データ番号 ５７｝ このようにして、クラスタ分析部１０はクラスタ分析を
行い、入力データを抽象項目の数量化されたデータに基
づいてクラスタ分類を行う。

【００２３】次に、図２に戻り、フローチャートの説明
を続ける。帰納学習部１１は、クラスタ分析部１０によ
りクラスタ分類された１つのクラスタを取りだし（ステ
ップ２０４）、所定の帰納学習法により帰納学習を行う
（ステップ２０５）。そして、所定の帰納学習法により
獲得された属性条件の論理式をルールの条件部知識とし
て獲得する（ステップ２０６）。

【００２４】一方、データ分析部１２も、ステップ２０
４で取りだしたクラスタのデータのうちルールの実行部
獲得に関するデータ群を取り出し（ステップ２０７）、
１つの被決定要因と複数の決定要因との間の数値的関係
を求めるため統計的方法の１つである重回帰分析を行い
（ステップ２０８）、１つの数値的関係を有する計算式
のパラメータを獲得する（ステップ２０９）。そして、
このパラメータを含む計算式をルールの実行部知識とし
て獲得する（ステップ２１０）。

【００２５】まず、帰納学習部１１の動作を売上予測シ
ステムの具体例をもとに詳細に説明する。本実施例にお
いて、帰納学習部１１は帰納学習の方法として「ＩＤ
３」を採用している。この「ＩＤ３」は、教示型の帰納
アルゴリズムの１つである。ここで、例えばクラスタ番
号“２”に対し、「ＩＤ３」により帰納学習する場合
は、クラスタ番号“２”に属する３２店舗のデータを正
例とし、その他の店舗のデータを負例として帰納学習す
る。

【００２６】図８は、帰納学習部１１の帰納学習結果を
示す図である。図８において、帰納学習法「ＩＤ３」に
より成功した８つの条件Ｓ１〜Ｓ８が得られる。ここ
で、データ数が“１”であるものは、データ数が少ない
ため例外と判断し、獲得された知識として知識ベース３
に格納されるが、知識ベース３における知識として活用
されることはない。そして、この知識は、後述する知識
ベース３の知識の修正あるいは追加のときに利用され
る。この獲得された例外の知識を以下「サブ知識」ある
いは「サブ条件」という。

【００２７】従って、データ数が１つであるサブ条件Ｓ
１，Ｓ３，Ｓ８は、例外とみなされ、クラスタ番号
“２”から獲得されたルールの条件部の知識は、次のよ
うになる。すなわち、 ・住民生活リッチ度（やや低い） かつ ファミリー性（普通） 又は ・住民生活リッチ度（普通） かつ 交通事情｛ （普通） ＯＲ（良い） ＯＲ（たいへん良い）｝ 又は ・住民生活リッチ度（高い） かつ マニア性（低い） とまとめられることになる。

【００２８】次に、データ分析部１２の具体的動作につ
いて説明する。データ分析部１２は、重回帰分析を利用
してルールの実行部の知識を獲得するため、各クラスタ
ごとに重回帰分析を行う。この際、変量は売上高に影響
を及ぼしそうな調査データを用いる。なお、予め影響を
及ぼしているデータ項目をピックアップすることも可能
である。

【００２９】具体的には、次のようなものが考えられ
る。すなわち、 目的変量：新規店の売上高 説明変量：売場面積比（新規店の売場面積／類似店の売
場面積） ：従業員数比（新規店の従業員数／類似店の従業員数） ：駐車場収容台数比（新規店の駐車場収容台数／類似店
の駐車場収容台数） とし、各変量におけるパラメータを求める。パラメータ
とは、重み付け値であり回帰係数を求めることになる。
すなわち、式（１）のパラメータａ，ｂ，ｃ，ｄを求め
ることになる。 Ｐs＝｛（Ｕs／Ｕr）・ａ＋（Ｊs／Ｊr）・ｂ ＋（Ｃs／Ｃr）・ｃ＋ｄ｝・Ｐr （１） ここで、式（１）中の符号の意味は下記の通りである。 Ｐs：新規店の売上高 Ｐr：類似店の売上
高 Ｕs：新規店の売場面積 Ｕr：類似店の売場
面積 Ｊs：新規店の従業員数 Ｊr：類似店の従業
員数 Ｃs：新規店の駐車場収容台数 Ｃr：類似店の駐車
場収容台数 ａ ：売上面積比の回帰係数 ｂ ：従業員数比の
回帰係数 ｃ ：駐車場収容台数比の回帰係数 ｄ ：定数 なお、説明変量を新規店と類似店とのデータ比を用いて
いるが、データを対にせず、データをそのまま代入する
式（１−１）のような計算式であってもよい。なお、式
（１−１）におけるａ’、ｂ’、ｃ’、ｄ’は回帰係数
である。本実施例では、類似店のデータの効果すなわ
ち、類似店のデータの影響力を加味するため、データを
対として扱っている。 Ｐs＝Ｕr・ａ’＋Ｊr・ｂ’＋Ｃr・ｃ’＋ｄ’ （１−１） さて、次に、パラメータａ，ｂ，ｃ，ｄを求めることに
なる。この場合、初期ルールの獲得であるので、１つの
事例をピックアップして新規店と仮定して、重回帰分析
を行う。例えば、データ番号２の事例は、クラスタ分析
の結果からデータ番号３６の事例が最も類似しているの
で、新規店のデータはデータ番号２のデータを式（１）
に代入し、類似店のデータはデータ番号３６のデータを
式（１）に代入する。ここで、新規店であるデータ番号
２のデータおよび類似店であるデータ番号３６のデータ
は次のような値である。 Ｐs＝９０００万円 Ｐr＝７９００万円 Ｕs＝ ４０平方ｍ Ｕr＝ ３０平方
ｍ Ｊs＝ ２人 Ｊr＝ １人 Ｃs＝ １０台 Ｃr＝ １０台 同様に他のデータ対の値を、式（１）に代入して重回帰
分析を行うと、各パラメータは次のような値になる。す
なわち、 ａ＝０．０６３６，ｂ＝０．２２３６，ｃ＝０．００３
６，ｄ＝０．６９８４ が得られ、ルールの実行部の知識として、次の式（２）
が獲得されることになる。 Ｐs＝｛（Ｕs／Ｕr）・０．０６３６＋（Ｊs／Ｊr）・０．２２３６ ＋（Ｃs／Ｃr）・０．００３６＋０．６９８４｝・Ｐr （２） 図９は、クラスタ番号２の重回帰分析結果による実際の
売上高と予想売上高との誤差を示す図である。図９にお
いて、左から事例のデータ番号、事例の実際の売上高、
予想売上高、実際の売上高と予想売上高との誤差、およ
び類似店としてピックアップされた事例のデータ番号を
示している。図９において、誤差は全体的に少ないこと
がわかり、妥当な売上予測が可能である。このようにし
て、他のクラスタについても同様にして処理される。

【００３０】さらに、図２に戻り、フローチャートの説
明を続ける。１つのクラスタに対し、帰納学習部１１に
より獲得されたルールの条件部の知識と、データ分析部
１２により獲得されたルールの実行部の知識は、知識生
成部１３によりルールとしてまとめられ、知識ベース３
に格納される（ステップ２１１）。そして、まだクラス
タがある場合には、ステップ２０４に移行してクラスタ
ごとの知識獲得を行い、全クラスタがなくなるまで処理
を行う（ステップ２１２）。

【００３１】例えば、クラスタ番号２により獲得され、
知識ベース３に格納される知識は、次のようにまとめら
れる。 ＩＦ ・住民生活リッチ度（やや低い） かつ ファミリー性（普通） 又は ・住民生活リッチ度（普通） かつ 交通事情｛ （普通） ＯＲ（良い） ＯＲ（たいへん良い）｝ 又は ・住民生活リッチ度（高い） かつ マニア性（低い） ＴＨＥＮ Ｐs＝｛（Ｕs／Ｕr）・０．０６３６＋（Ｊs／Ｊr）・０．２２３６ ＋（Ｃs／Ｃr）・０．００３６＋０．６９８４｝・Ｐr このようにして、クラスタ単位でルールの獲得が行わ
れ、知識ベース１３に格納される。

【００３２】さて、次に、上記のようにして獲得された
ルールの修正について説明する。ルールの獲得後は、新
しいデータに対してルールを修正する必要がある場合が
ある。以下、新規に出店する予定の店舗の売上高を予測
計算する既存のルールの修正について説明する。

【００３３】図１０は、知識修正装置２の動作フローチ
ャートである。図１０において、まず、入力部６におい
て入力された（ステップ３０１）新規データは、知識ベ
ース制御部５を介して知識修正装置２の知識判定部２０
に入力され、知識判定部２０は、新規データに対し、知
識ベース３が有するルールの条件部の全てと照合し（ス
テップ３０２）、ルールの条件部の照合が成功したか否
かを判定する（ステップ３０３）。新規データが知識ベ
ース３が有するルールの条件部との照合に失敗した場合
は、サブ知識判定部２１において、知識ベースに格納さ
れているサブ知識と新規データを照合し（ステップ３０
４）、照合が成功したか否かを判定する（ステップ３０
５）。ステップ３０５において、照合が成功した場合
は、サブ知識追加部２２において、ルールの条件部に照
合が成功したサブ知識を加える（ステップ３０６）。

【００３４】一方、ステップ３０３においてルールの条
件部の照合が成功した場合、あるいはステップ３０６に
おいて、ルールの条件部にサブ知識が追加された場合
は、許容範囲判定部２３において、照合が成功あるいは
サブ知識が追加されたルールの条件部に対応する実行部
の処理を行い、処理結果である出力値が、予め設定した
許容範囲を満足するか否かを判定する（ステップ３０
７）。この許容範囲を満足した場合には、さらに、ルー
ルの実行部の修正を行うか否かを判断する（ステップ３
０８）。ルールの実行部の修正を行う場合には、データ
分析部１２においてまず、新規データを加えた重回帰分
析を行い（ステップ３０９）、回帰式のパラメータを獲
得し（ステップ３１０）、各クラスタごとのルールの実
行部の知識を獲得する（ステップ３１１）。すなわち、
ルールの実行部のみの修正を、知識獲得装置１内のデー
タ分析部１２により行う。その後、部分知識修正部２４
は、ルールの条件部とそのルールの条件部に対応する修
正したルールの実行部をまとめる（ステップ３１２）。

【００３５】一方、ステップ３０８において、ルールの
実行部の修正を行わない場合は、許容範囲を満足するこ
とを含めたデータを事例ベース４に格納する（ステップ
３１３）。この事例ベース４に格納されたデータは、そ
の後知識ベース制御部５によるバッチ処理によりルール
の実行部の修正をデータ分析部１２を起動して行うこと
になる。

【００３６】ところで、ステップ３０７において、許容
範囲を満足しない場合、あるいはステップ３０５におい
て、サブ知識を含めたルールの条件部の照合に失敗した
場合は、知識ベースに格納されているルール全体の修正
を行うか否かを全体知識修正指示部２５が判断し（ステ
ップ３１４）、修正処理を行う場合は、知識獲得装置１
により知識の獲得を最初から行う（ステップ３１５）。
すなわち、全データのクラスタ分析から知識ベースへの
知識格納までを行う。一方、修正処理を行わない場合
は、ステップ３１３と同様に、データを事例ベース４に
格納する（ステップ３１６）。すなわち、事例ベース４
に格納されたデータは、その後知識ベース制御部５によ
るバッチ処理により知識ベース３の全体修正を行う。

【００３７】次に、売上予測システムの具体的なルール
の修正について説明する。上述したように、ルールの修
正は、大きく次の３つの場合がある。第１に、適用可能
なルールの条件部がサブ知識を考慮しても知識ベースに
存在しない場合であり、この場合は、知識獲得装置１に
おいてクラスタ分析から行い、全ルールの修正を行う。
第２に、適用可能なルールの条件部が知識ベースに存在
するが、ルールの実行部の処理結果が許容範囲を満足し
ない場合であり、この場合も、知識獲得装置１において
クラスタ分析から行い、第３に、適用可能なルールの条
件部が知識ベースに存在し、かつルールの実行部の処理
結果が許容範囲を満足する場合であり、この場合は、ル
ールの条件部に対応するルールの実行部の修正のために
データ分析のみを行う。

【００３８】以下、第３の場合で、ルールの条件部の照
合に失敗するがサブ知識を考慮したルールの条件部の照
合を満足する場合を中心に説明する。まず、重み付けさ
れた新規データが、知識修正装置２の知識判定部２０に
入力されると、知識判定部２０は、新規データに対し、
知識ベース３が有するルールの条件部の全てと照合す
る。新規データと、複数のルールの条件部との照合を繰
り返し、ルールの条件部の照合が成功したか否かを判定
する。新規データと知識ベース３が有するルールの条件
部との照合に失敗すると、サブ知識判定部２１におい
て、知識ベースに格納されているサブ知識としてのルー
ルの条件部と新規データを照合する。例えば、図８は上
述したように、帰納学習を用いて知識の獲得を行った結
果であり、８つの知識が獲得されているのがわかる。し
かし、ルールの条件部を獲得する際の事例数を考慮し、
データ数が１個の場合は、例外とみなされ、サブ知識と
なる。事例数が１個では、現段階で典型的なルールとみ
なすわけにはいかないからである。

【００３９】ここで、サブ条件の照合を繰り返し、全て
のサブ条件の照合に失敗した場合は、どの条件にも属さ
ないデータであるので、もう一度クラスタ分析からやり
直すことになる。なお、クラスタ分析からやり直すか否
かのタイミングの決定は、任意であり、例えば、計算機
上に設定しておき、データ数が所定数になったら自動的
に処理を開始するようにしたり、あるいは、ユーザが指
定することにより処理を行うようにする。ここでは、ユ
ーザの指定により処理を行うようにしており、ユーザの
指定でデータの処理を行う場合は、もう一度クラスタ分
析からやり直すことになる。また、データの処理を行わ
ない場合は、データを事例ベースに格納し、指定のあっ
た時に処理を行う。また、データのサブ条件の照合に成
功した場合は、満足したサブ条件をルールの条件部の知
識に追加する。例えば、新規データが、次のような場
合、すなわち、 ・住民生活リッチ度（2.やや低い） ・周辺地域状況 （3.普通） ・交通事情 （3.普通） ・顧客タイプ （2.両方） ・季節変動性 （1.小） ・ＯＡ化の普及度 （2.中下） ・マニア性 （1.低い） ・ファミリー性 （3.強い） である場合は、既に図８のクラスタ番号２から獲得され
たルールの条件部の知識を満足しないが、「住民生活リ
ッチ度（やや低い）かつファミリー性（強い）」という
サブ条件は満足する。したがって、図８のルールの条件
部の知識は、次のように変更される。すなわち、 ・住民生活リッチ度（低い） かつファミリー性（普通） …サブ条件 ・住民生活リッチ度（やや低い）かつファミリー性（普通） …ルール条件 ・住民生活リッチ度（やや低い）かつファミリー性（強い） …ルール条件 ・住民生活リッチ度（普通） かつ交通事情（普通） …ルール条件 ・住民生活リッチ度（普通） かつ交通事情（良い） …ルール条件 ・住民生活リッチ度（普通） かつ交通事情（非常に良い） …ルール条件 ・住民生活リッチ度（高い） かつマニア性（低い） …ルール条件 ・住民生活リッチ度（高い） かつマニア性（普通） かつＯＡ化の普及度（中） …サブ条件 これにより、「住民生活リッチ度（やや低い）かつファ
ミリー性（強い）」というサブ条件は、ルール条件に変
更され、ルールの条件部に追加される。

【００４０】次に、新規データが、ルールの条件部を満
足した場合は、この新規データをルールの実行部の計算
式に代入した時に、計算した出力値は許容範囲を満足す
るか否かを判断する。ここで、許容範囲とは、出力値に
対して、誤差を含む程度を設定したものである。計算式
に代入して求められた値すなわち予測値に対してのみ許
容範囲を設定して判断することもできるが、本実施例に
おいては、重回帰分析を用いているので、この分析結果
を十分に利用するため、計算式のパラメータである回帰
係数の信頼区間を設けて許容範囲を満足するか否かを判
断する。これは、被決定要因データと各決定要因との相
関関係の確率値に応じて決めることができる。ここで、
確率値とは、データ分析結果から導かれる信頼度であ
る。つまり、予測をする時の、予測が当たる可能性すな
わち、有意水準を「％」で表現したものである。

【００４１】例えば、被決定要因の“売上高比”に対し
て、決定要因の“売場面積比”、“駐車場収容台数
比”、“従業員数比”との信頼度が順番に９９％、９０
％、９０％以下とすると、この信頼度に応じて範囲の幅
を決めることができる。なぜなら、相関関係の強いもの
は、影響力が大きいことからデータの範囲は狭くなり、
逆に、相関関係の弱いものは、影響力が小さいことから
データの範囲を強いものに比べて広くとることができる
からである。また、決定要因（重回帰分析では、一般に
説明変数と呼んでいる）の最大値と最小値の制限も重要
である。つまり、入力される決定要因データが過去のデ
ータを用いて重回帰分析を行った時の決定要因データの
最大値と最小値の間に収まっているかどうかである。こ
の制限値に入力データが収まっていなければ、被決定要
因を求めるための計算式に当てはめても意味のない予測
値となるからである。

【００４２】新規データが許容範囲を満足しない場合
は、もう一度、クラスタ分析からやり直すことになる。
この処理は、サブ条件を満足しない場合と同様に行う。

【００４３】データが許容範囲を満足する場合は、入力
したデータが既存のルールを満足するので、問題はない
が、さらに厳格なルールに修正するために、重回帰分析
を行うことができる。この修正を行うタイミングは、ル
ールの実行部の修正を行うか否かで判断する。データの
処理を行わない場合は、このデータを事例ベースに格納
し、指定のあった時に処理を行う。すなわち、バッチ処
理を行う。データの処理を行う場合は、格納していたデ
ータを加えて、ルールの獲得のときと同様にして、重回
帰分析を行い、計算式のパラメータを獲得し、各クラス
タごとの実行部獲得し、新しいルールの実行部として修
正し、ルールにまとめる。

【００４４】例えば、知識獲得装置１により当初のルー
ルが獲得されたクラスタ番号２の既存ルールは、まず、
次のように修正結果を得る。 ・照合に成功したサブ条件をルールの条件部に追加 ・新たな重回帰分析の結果 ａ＝０．０６４２，ｂ＝０．２２２８，ｃ＝０．００２
５，ｄ＝０．７００１ そして、既存ルールは、次のように修正される。すなわ
ち、 ＩＦ ・住民生活リッチ度（やや低い） かつ ファミリー性｛（普通） ＯＲ （強い）｝ 又は ・住民生活リッチ度（普通） かつ 交通事情｛ （普通） ＯＲ（良い） ＯＲ（たいへん良い）｝ 又は ・住民生活リッチ度（高い） かつ マニア性（低い） ＴＨＥＮ Ｐs＝｛（Ｕs／Ｕr）・０．０６４２＋（Ｊs／Ｊr）・０．２２２８ ＋（Ｃs／Ｃr）・０．００２５＋０．７００１｝・Ｐr となる。

【００４５】このようにして、ＩＦ−ＴＨＥＮ形式のル
ールの獲得および修正を行うことができる。

【００４６】上述したように、膨大なデータを、第１段
階として、クラスタ分類手段により最適なクラスタに分
類し、第２段階として、この分類されたクラスタ単位に
ＩＦ−ＴＨＥＮ形式のルールを獲得するようにしている
ため、知識の獲得が自動的に行うことができ、かつその
知識の修正は、獲得されたクラスタ単位の知識との整合
性を考慮しつつ行うようにしているため、簡易に行うこ
とができる。すなわち、獲得した知識は、クラスタごと
に分類されているため、後で、簡易に修正したり、追加
したり、検証したり、様々な活用ができる。また、専門
家からの獲得が困難であるような知識も自動的に獲得す
ることができる。

【００４７】

【発明の効果】以上説明したように、本発明は、複数の
属性に対応したデータを有している複数のデータ群から
知識ベースシステムの知識ベースに格納される知識を獲
得する知識ベースシステムの知識獲得装置において、デ
ータ分類手段が、前記複数の属性のうちの特定された第
１の属性群からなる前記複数のデータ群の部分データ群
をクラスタ分析して前記複数のデータ群をクラスタに分
類し、条件部知識獲得手段が、前記データ分類手段によ
り分類されたクラスタごとに、所定の帰納学習方法によ
り求めたクラスタ属性条件の論理式をルールの条件部の
知識として獲得し、実行部知識獲得手段が、前記データ
分類手段により分類されたクラスタごとに、特定された
第２の属性群からなる該クラスタ内の複数の部分データ
群に基づき、所定のデータ分析方法により最適な数値的
関係式をルールの実行部の知識として獲得し、ルール生
成手段が、前記条件部知識獲得手段と前記実行部知識獲
得手段とから得られる前記クラスタごとの知識から前記
知識ベースのルールを生成する。また、適用可能な条件
部知識がサブ知識を考慮しても知識ベースに存在しない
場合は、前記データ分類手段によるデータ分類から行
い、新規データを含む全データから全知識の修正を行
う。適用可能な条件部知識が知識ベースに存在するが、
実行部知識による処理結果が許容範囲を満足しない場合
も、データ分類手段によりデータ分類から行い、新規デ
ータを含む全データから全知識の修正を行う。適用可能
な条件部知識が知識ベースに存在し、かつ実行部知識に
よる処理結果が許容範囲を満足する場合は、条件部知識
に対応する実行部知識の修正のみを実行部知識獲得手段
により行うようにしている。したがって、本発明は、知
識ベースの知識獲得を自動的に行うことができ、その知
識の修正、更新も獲得された知識がクラスタごとに分け
られているため簡易に行うことができ、知識ベースの知
識獲得およびその修正のための時間および労力が短縮で
きるという利点を有する。

【００４８】また、専門家に全てを頼ること無く、複数
のデータ群から客観的かつ簡易に知識の獲得・修正する
ことができるため、その後も獲得した知識ベースの知識
を追加、修正、検証等により活用することができるとい
う利点を有する。

【００４９】さらに、獲得した知識は、予め、専門家か
ら獲得することが困難な知識も獲得することができると
いう利点を有する。

【図面の簡単な説明】

【図１】本発明の一実施例である知識ベースシステムの
構成ブロック図。

【図２】知識獲得装置１の動作フローチャート。

【図３】具体的な抽象項目データを示す図。

【図４】具体的な抽象項目データを示す図。

【図５】重み付けされた抽象項目データを示す図。

【図６】重み付けされた抽象項目データを示す図。

【図７】クラスタ分析の結果を示す樹状図。

【図８】帰納学習部１１の帰納学習結果を示す図。

【図９】クラスタ番号２の重回帰分析結果による実際の
売上高と予想売上高との誤差を示す図。

【図１０】知識修正装置２の動作フローチャート。

【符号の説明】

１ 知識獲得装置 ２ 知識修正装置 ３ 知識ベース ４ 事例ベース ５ 知識ベース制御部 ６ 入力部 ７ 出力部 ８ 推論部 １０ クラスタ分析部 １１ 帰納学習部 １２ データ分析部 １３ 知識生成部 ２０ 知識判定部 ２１ サブ知識判定部 ２２ サブ知識追加部 ２３ 許容範囲判定部 ２４ 部分知識修正部 ２５ 全体知識修正指示部

Claims (3)

【特許請求の範囲】
1. 【請求項１】複数の属性に対応したデータを有している
   複数のデータ群から知識ベースシステムの知識ベースに
   格納される知識を獲得する知識ベースシステムの知識獲
   得装置において、 前記複数の属性のうちの特定された第１の属性群からな
   る前記複数のデータ群の部分データ群をクラスタ分析し
   て前記複数のデータ群をクラスタに分類するデータ分類
   手段と、 前記データ分類手段により分類されたクラスタ単位の複
   数のデータ群から前記知識ベースの知識を獲得するクラ
   スタ単位知識獲得手段とを具備したことを特徴とする知
   識ベースシステムの知識獲得装置。
2. 【請求項２】前記クラスタ単位知識獲得手段は、 前記データ分類手段により分類されたクラスタごとに、
   所定の帰納学習方法により求めたクラスタ属性条件の論
   理式をルールの条件部の知識として獲得する条件部知識
   獲得手段と、 前記データ分類手段により分類されたクラスタごとに、
   特定された第２の属性群からなる該クラスタ内の複数の
   部分データ群に基づき、所定のデータ分析方法により最
   適な数値的関係式をルールの実行部の知識として獲得す
   る実行部知識獲得手段と、 前記条件部知識獲得手段と前記実行部知識獲得手段とか
   ら得られる前記クラスタごとの知識から前記知識ベース
   のルールを生成するルール生成手段とを具備したことを
   特徴とする前記請求項１記載の知識ベースシステムの知
   識獲得装置。
3. 【請求項３】複数の属性に対応したデータを有している
   複数のデータ群をもとに、該複数の属性のうちの特定さ
   れた第１の属性群からなる前記複数のデータ群の部分デ
   ータ群をクラスタ分析して前記複数のデータ群をクラス
   タに分類するデータ分類手段と、 前記データ分類手段により分類されたクラスタごとに、
   所定の帰納学習方法により求めたクラスタ属性条件の論
   理式をルールの条件部の知識として獲得する条件部知識
   獲得手段と、 前記データ分類手段により分類されたクラスタごとに、
   特定された第２の属性群からなる該クラスタ内の複数の
   部分データ群に基づき、所定のデータ分析方法により最
   適な数値的関係式をルールの実行部の知識として獲得す
   る実行部知識獲得手段と、 前記条件部知識獲得手段と前記実行部知識獲得手段とか
   ら得られる前記クラスタごとの知識から前記知識ベース
   のルールを生成するルール生成手段とを有し、 前記条件部知識獲得手段により獲得された知識のうち知
   識ベースの知識としての利用を留保する知識をサブ知識
   として前記知識ベースに格納して、新規データ群に対す
   る前記知識ベースの知識修正を行う知識ベースシステム
   の知識修正装置において、 前記新規データ群と前記知識ベースに格納されているル
   ールの条件部の知識とを照合して満足するものがあるか
   否かを判定する知識判定手段と、 前記知識判定手段により満足するものがない場合に、前
   記新規データ群と前記知識ベースに格納されている前記
   サブ知識とを照合して満足するものがあるか否かを判定
   するサブ知識判定手段と、 前記サブ知識判定手段により満足するものがあると判定
   した場合に、前記サブ知識の留保を取り消して前記ルー
   ルの条件部の知識に追加するサブ知識追加手段と、 前記知識判定手段あるいは前記サブ知識判定手段により
   満足するものがあると判定された場合、前記ルールの条
   件部の知識に対応する前記ルールの実行部の知識による
   処理を行い、該処理出力が所定の許容範囲内か否かを判
   定する許容範囲判定手段と、 前記許容範囲判定手段により許容範囲内と判定された場
   合は、前記ルールの条件部の知識および修正した前記ル
   ールの実行部の知識を修正知識として前記知識ベースに
   格納する部分知識修正手段と、 前記サブ知識判定手段により満足するものがないと判定
   された場合あるいは前記許容範囲判定手段により許容範
   囲内でないと判定された場合に、再度、前記新規データ
   群を含めた前記複数のデータ群から知識獲得を行わせる
   指示をする全体知識修正手段とを具備したことを特徴と
   する知識ベースシステムの知識修正装置。