JPH08339360A - ニューラルネットを応用した学習システム - Google Patents

Abstract

(57)【要約】 【目的】 ニューラルネットを応用した学習システムに
関し、特に、与えられた記号値データに基づいてさらに
高精度な解析モデルを効率的に生成できるようにする。 【構成】 入力データおよび教師データの組合せを複数
通り学習させることにより、任意の入力データから対応
する出力データを推論するためのニューラルネットの生
成を行うニューラルネットを応用した学習システムにお
いて、記号値データを数値データに変換するための前処
理部を設ける。前処理部では、順序性のある記号値デー
タが与えられた場合、これを解析して基本的な順序性を
表す形容詞部と形容詞部を修飾する副詞部とに分離した
後、形容詞部および副詞部について具体的な記号値に対
応する得点が定義された形容詞部用および副詞部用の得
点辞書を参照しながら、所定の得点値評価にしたがって
与えられた記号値データに対応する数値データを求め
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はニューラルネットを応用
した学習システムに係り、特に、与えられた記号値デー
タに基づいてさらに高精度な解析モデルを効率的に生成
するためのニューラルネットを応用した学習システムに
関する。

【０００２】

【従来の技術】一般に、ニューラルネットは数値データ
を扱うための解析モデルであり、記号値によって表現さ
れた記号値データを処理対象として扱うには、あらかじ
めルールを定めた上で何らかの数値データに変換するこ
とが必要となる。そこで従来より、順序性のある記号値
データ（例えば、「小」「中」「大」「やや大」「やや
小」「非常に大」「非常に小」など、人間の感覚に応じ
た大小関係を表す語が付加された記号値データ）につい
ては、各々の記号値データのセットに対応して数値デー
タのセットが記述された数値変換辞書をあらかじめ用意
しておくとともに、与えられた記号値データの各々を当
該数値変換辞書にしたがって数値データに変換してい
る。すなわち、「小」→ 0.1，「中」→ 0.5，「大」→
0.9，「やや大」→ 0.7，「やや小」→ 0.3，「非常に
大」→ 1.0，「非常に小」→ 0.0 などのように変換す
る。また、順序性のない記号値データ（例えば、「赤」
「白」「黒」「緑」など）については、出現した順序に
したがって「赤」→１，「白」→２，「黒」→３，
「緑」→４ などのように変換している。

【０００３】図８は、記号値データからなるアンケート
データの一例を示す図である。以下、これらのデータを
サンプルデータとして既存のニューラルネットに学習さ
せることにより、新たなニューラルネットを生成する場
合について説明を行う。図８において、各々のアンケー
トデータは、項番８１，氏名８２，質問８３，質問
８４，質問８５，質問８６，判定結果８７から構成
されている。このうち、質問８３，質問８４，質問
８５，質問８６はニューラルネットへの入力データ
であり、判定結果８７はニューラルネットから出力デー
タとして得られるべき教師データである。

【０００４】図９は、従来技術における数値変換辞書お
よび記号値データから変換された数値データの一例を示
す図である。図９（ａ）において、９３は図８中の質問
８３についての数値変換辞書、９４は図８中の質問
８４についての数値変換辞書、９５は図８中の質問８
５についての数値変換辞書、９６は図８中の質問８６
についての数値変換辞書、９７は図８中の判定結果８７
についての数値変換辞書である。そして図９（ｂ）は、
上述した数値変換辞書９３〜９７に基づき、図８中の質
問８３，質問８４，質問８５，質問８６，判定
結果８７についての記号値データをそれぞれ変換して得
られた数値データ（質問８３ａ，質問８４ａ，質問
８５ａ，質問８６ａ，判定結果８７ａ）を示す。

【０００５】以下、図８における項番８１＝“４”，氏
名８２＝“ＮＨ”に対応する各記号値データを数値変換
辞書９３〜９７に基づいて変換する場合について、図９
を参照して説明する。最初に、図８において数値変換の
対象とする各々の記号値データの内容は、質問８３＝
“よくある”，質問８４＝“高い”，質問８５＝
“やや小さい”，質問８６＝“緑”，判定結果８７＝
“Ｂ”である。次に、質問８３についての数値変換辞
書９３では“よくある”に対応する数値データとして
“１５”が、質問８４についての数値変換辞書９４で
は“高い”に対応する数値データとして“１”が、質問
８５についての数値変換辞書９５では“やや小さい”
に対応する数値データとして“−５”が、質問８６に
ついての数値変換辞書９６では“緑”に対応する数値デ
ータとして“４”が、判定結果８７についての数値変換
辞書９７では“Ｂ”に対応する数値データとして“２”
が、それぞれ定義されている。このため、図８における
項番８１＝“４”，氏名８２＝“ＮＨ”に対応する各記
号値データは、質問８３：“よくある”→“１５”，
質問８４：“高い”→“１”，質問８５：“やや小
さい”→“−５”，質問８６：“緑”→“４”，判定
結果８７：“Ｂ”→“２”のように変換される。そし
て、他の記号値データについても同様に変換されて、図
９（ｂ）に示した数値データが得られる。

【０００６】図１０は、図９に基づいて生成されたニュ
ーラルネット１０の一例を示す図である。図１０におい
て、入力層１０ａのニューロン数は、推論に際して与え
得る入力データの種類（質問８３，質問８４，質問
８５，質問８６）の数に相当する４個となり、出力
層１０ｃのニューロン数は、推論に際して求め得る出力
データの種類（判定結果８７）の数に相当する１個とな
る。また、中間層１０ｂについては、例えば１層でニュ
ーロン数を３個とする。

【０００７】

【発明が解決しようとする課題】上述した従来技術で
は、記号値データとして与えられた種々のデータをニュ
ーラルネットで扱えるようにするため、各々の記号値デ
ータのセットに対応して数値データのセットが記述され
た数値変換辞書をあらかじめすべての記号値データにつ
いて用意しておくことが必要不可欠となることから、処
理対象とする記号値データの数が多くなるにしたがって
数値変換辞書のサイズも大きくなってしまうという問題
点があった。また、推論に際して材料となる何らかの記
号値データが与えられても、当該記号値データのセット
に対応する数値データのセットが数値変換辞書に記述さ
れていなければ、当該記号値データを数値データに変換
してニューラルネットで扱えるようにすることはでき
ず、したがってニューラルネットによる推論が不可能と
なってしまうという問題点があった。さらに、順序性の
ない記号値データについては、数値変換辞書にしたがっ
て（順序性のある）数値データに変換しても各々の数値
そのものは無意味であり、学習効率をほとんど向上させ
ることができないという問題点があった。

【０００８】したがって本発明の目的は、上記の問題点
を解決して、順序性のある記号値データについては、数
値変換に関わる辞書のサイズ縮小を図るとともに記号値
データの順序性に伴う大小関係が当該辞書に基づく変換
で得られる数値データに反映されるようにし、順序性の
ない記号値データについては、常に意味のある数値デー
タへの変換が行われるようにし、与えられた任意の記号
値データによって高精度な解析モデルを効率的に生成す
ることのできるニューラルネットを応用した学習システ
ムを提供することにある。

【０００９】

【課題を解決するための手段】上記の目的を達成するた
めに、本発明のニューラルネットを応用した学習システ
ムは、入力データと当該入力データに対応する出力デー
タとの組合せを複数通り学習させることにより、与えら
れた任意の入力データから導出されるべき出力データを
推論するためのニューラルネットの生成を行うニューラ
ルネットを応用した学習システムにおいて、順序性の
ある記号値の前処理部，順序性のない記号値の前処理
部のいずれか一方、あるいは、の両方を設ける構成
としたものである。

【００１０】ここで、順序性のある記号値の前処理部
は、与えられた順序性のある記号値データからニューラ
ルネットで処理可能な数値データを求めるためのもので
あり、前記記号値データを解析して、基本的な順序性を
表す形容詞部と前記形容詞部を修飾する副詞部とに分離
する記号値分離手段と、前記形容詞部に指定され得る具
体的な記号値の各々について対応する得点を定義してお
く形容詞部用の得点辞書と、前記副詞部に指定され得る
具体的な記号値の各々について対応する得点を定義して
おく副詞部用の得点辞書と、前記記号値分離手段によっ
て得られる前記形容詞部および前記副詞部と前記形容詞
部用および前記副詞部用の得点辞書とに基づき、所定の
得点値評価にしたがって前記記号値データに対応する数
値データを求める得点値変換手段と、を設けた構成とな
っている。

【００１１】また、順序性のない記号値の前処理部
は、与えられた順序性のない同格な記号値データからニ
ューラルネットで処理可能な数値データを求めるための
ものであり、同格な記号値データの種類数と同数の新た
なニューロンを前記ニューラルネット内の入力層に追加
するニューロン追加手段と、前記入力層に追加された互
いに同格な複数のニューロンのうち、与えられた記号値
データに対応する唯一のニューロンには数値データ
“１”が入力され、他のすべてのニューロンには数値デ
ータ“０”が入力されるように、該当するデータ領域に
おける数値データの設定を行う設定値変換手段と、を設
けた構成となっている。

【００１２】

【作用】上記構成に基づく作用を説明する。

【００１３】本発明のニューラルネットを応用した学習
システムでは、入力データと当該入力データに対応する
出力データとの組合せを複数通り学習させることによ
り、与えられた任意の入力データから導出されるべき出
力データを推論するためのニューラルネットの生成を行
うニューラルネットを応用した学習システムにおいて、
順序性のある記号値の前処理部，順序性のない記号
値の前処理部のいずれか一方、あるいは、の両方を
設ける構成としている。

【００１４】このため、順序性のある記号値データが与
えられた場合、順序性のある記号値の前処理部では、前
記記号値データが解析されて基本的な順序性を表す形容
詞部と前記形容詞部を修飾する副詞部とに分離された
後、前記形容詞部および前記副詞部と、前記形容詞部に
指定され得る具体的な記号値の各々に対応する得点が定
義されている形容詞部用の得点辞書および前記副詞部に
指定され得る具体的な記号値の各々に対応する得点が定
義されている副詞部用の得点辞書とに基づき、所定の得
点値評価にしたがって前記記号値データに対応する数値
データが求められるので、各々の記号値ごとにそれぞれ
対応する数値変換辞書を用意しておく必要がなくなって
数値変換に関わる辞書のサイズを縮小することができる
とともに、順序性のある記号値データの各々を当該順序
性に伴う大小関係が考慮された期待通りの数値データに
変換することができる。

【００１５】また、順序性のない同格な記号値データが
与えられた場合、順序性のない記号値の前処理部では、
該当する同格な記号値データの種類数と同数の新たなニ
ューロンが前記ニューラルネット内の入力層に追加され
た後、追加された互いに同格なニューロンのうち、与え
られた記号値データに対応する唯一のニューロンには数
値データ“１”が入力され、他のすべてのニューロンに
は数値データ“０”が入力されるように、該当するデー
タ領域における数値データの設定が行われるので、順序
性のない記号値データの各々を常に意味のある数値デー
タに変換することができる。

【００１６】以上により、順序性のある記号値データお
よび順序性のない記号値データのいずれについても、記
号値データが与えられた場合には、当該記号値データに
基づいてさらに高精度な解析モデルを実現させるニュー
ラルネットを効率的に生成することができる。

【００１７】

【実施例】以下、本発明のニューラルネットを応用した
学習システムの一実施例を図面を用いて詳細に説明す
る。

【００１８】図１は、本発明のニューラルネットを応用
した学習システムの一実施例における概略的な処理手順
を示す図である。同図中、１０１はニューラルネットに
学習させるための新たなデータを格納したデータベー
ス、１０２は新たなデータとして記号値データが与えら
れたとき、当該記号値データを数値データに変換する手
段（請求項中の“前処理部”に相当する）、１０３は前
記入力データに基づいて新たなニューラルネットを生成
する手段、１０４は生成された新たなニューラルネット
を学習する手段、１０５は学習済みのニューラルネット
を格納するためのファイルである。

【００１９】図２は、順序性のある記号値データを数値
データに変換する場合の処理手順の一例を示す図であ
り、図１における記号値データを数値データに変換する
手段１０２で実行される処理（請求項中の“順序性のあ
る記号値の前処理部”で実行される処理に相当する）を
示す。同図中、最初のステップ２０１（請求項中の“記
号値分離手段”に相当する）では、与えられた記号値デ
ータを解析して、形容詞部と副詞部とに分離する。続く
ステップ２０２では、後述する形容詞部用および副詞部
用の得点辞書を検索して、ステップ２０１で得られた形
容詞部と副詞部の各々に対応する得点を求める。そして
ステップ２０３では、ステップ２０２で求めた形容詞部
の得点と副詞部の得点から、加減乗除や関数f(x,y)など
の演算によって元の記号値データの得点を算出し、これ
を元の記号値データに対応する数値データとする（以上
のステップ２０２〜２０３が、請求項中の“得点値変換
手段”に相当する）。最後にステップ２０４では、処理
対象とすべき次の順序性のある記号値データが存在する
か否かを判定し、存在する場合には再びステップ２０１
に戻り、存在しない場合には処理を終了する。

【００２０】図３は、順序性のない記号値データを数値
データに変換する場合の処理手順の一例を示す図であ
り、図１における記号値データを数値データに変換する
手段１０２で実行される処理（請求項中の“順序性のな
い記号値の前処理部”で実行される処理に相当する）を
示す。同図中、最初のステップ３０１では、与えられた
同格な記号値データの種類数と同数のデータ領域を、上
述した新たなニューロンの各々に入力させる数値データ
を格納するために確保する（請求項中の“ニューロン追
加手段”に相当する）。次のステップ３０２では、与え
られた記号値データに対応するデータ領域に“１”を、
当該記号値データと同格な別の記号値データに対応する
データ領域に“０”を、それぞれ設定する（請求項中の
“設定値変換手段”に相当する）。最後にステップ３０
３では、処理対象とすべき次の順序性のない記号値デー
タが存在するか否かを判定し、存在する場合には再びス
テップ３０１に戻り、存在しない場合には処理を終了す
る。

【００２１】例えば、図３の処理手順において、記号値
データ“赤”を数値化しようとする場合、ステップ３０
１で互いに同格な“赤”，“白”，“黒”，“緑”に対
応する数のデータ領域を確保すると、ステップ３０２で
“赤”に対応するデータ領域に“１”を、“白”，
“黒”，“緑”に対応するデータ領域に“０”を、それ
ぞれ設定する。これにより、記号値データ“赤”は数値
データ“１，０，０，０”に変換される。同様に、
“白”は“０，１，０，０”に、“黒”は“０，０，
１，０”に、“緑”は“０，０，０，１”に、それぞれ
変換される。

【００２２】図４は、図２の処理手順で用いられる得点
辞書の一構成例を示す図であり、図４（ａ）は上述した
形容詞部に指定され得る具体的な記号値の各々について
対応する得点を定義した形容詞部用の得点辞書、図４
（ｂ）は上述した副詞部に指定され得る具体的な記号値
の各々について対応する得点を定義した副詞部用の得点
辞書である。例えば、図２の処理手順において、記号値
データ“非常に大きい”は形容詞部「大きい」および副
詞部「非常に」に分離される。得点辞書によれば、形容
詞部「大きい」：得点＝100,副詞部「非常に」：得点＝
1.5 であり、これらの得点値から所定の得点値評価とし
て乗算“ 100×1.5 ”によって算出された数値“ 150”
を、当初の記号値データ“非常に大きい”に対応する数
値データとする。同様に、記号値データ“大きい”，
“普通”，“やや小さい”の各々についても、対応する
数値データとして、“ 100”，“ 1”，“ -80”が求め
られる。なお、副詞部が無指定の記号値データについて
は、副詞部に得点“ 1.0”が指定されているものとし
て、対応する数値データを求める。

【００２３】図５は、図２〜図４にしたがって図８の記
号値データから変換することにより得られる数値データ
の一例を示す図である。図８中、入力データとして与え
られる質問８３，質問８４，質問８５は順序性の
ある記号値データであることから、数値データへの変換
は図４中の得点辞書にしたがって実行され、図５中の質
問８３０，質問８４０，質問８５０に示す数値デ
ータが算出される。また、入力データとして与えられる
質問８６と教師データ（当該入力データに対応して得
られるべき出力データ）として与えられる判定結果８７
は順序性のない記号値データであることから、数値デー
タへの変換は新たなニューロンに対応するデータ領域の
確保およびその設定によって実行され、図５中の質問
８６１〜８６４，判定結果８７１〜８７３に示す数値デ
ータが設定される。

【００２４】以下、図８における項番８１＝“４”，氏
名８２＝“ＮＨ”に対応する各記号値データを本実施例
で数値データに変換する場合について、図４を参照しな
がら説明する。最初に、図８において数値変換の対象と
する各々の記号値データの内容は、質問８３＝“よく
ある”，質問８４＝“高い”，質問８５＝“やや小
さい”，質問８６＝“緑”，判定結果８７＝“Ｂ”で
ある。このうち、順序性のある記号値データを形容詞部
および副詞部に分類し、図４の得点辞書にしたがって得
点を算出すると、次のようになる。 質問８３＝“よくある”→“「よく」・「ある」”→
“ 1.2× 100”→“ 120”：質問８３０＝“ 120” 質問８４＝“高い”→“「φ」・「高い」”→“ 1.0
× 100”→“ 100”：質問８４０＝“ 100” 質問８５＝“やや小さい”→“「やや」・「小さ
い」”→“ 0.8×-100”→“ -80”：質問８５０＝
“ -80” 以上。

【００２５】また、上記以外の順序性のない記号値デー
タについて新たなニューロンに対応するデータ領域を確
保し、その設定を行うと、次のようになる。 質問８６＝“緑”→“「アカ」「シロ」「クロ」「緑」”→
“０，０，０，１”：質問〔赤〕８６１＝“０”，質
問〔白〕８６２＝“０”，質問〔黒〕８６３＝
“０”，質問〔緑〕８６４＝“１” 判定結果８７＝“Ｂ”→“「エイ」「Ｂ」「シー」”→
“０，１，０”：判定結果〔Ａ〕８７１＝“０”，判定
結果〔Ｂ〕８７２＝“１”，判定結果〔Ｃ〕８７３＝
“０” 以上。

【００２６】上記のように数値への変換が行われて、図
５に示した数値データが得られる。

【００２７】図６は、図５に基づいて生成されたニュー
ラルネット６の一例を示す図である。図６において、入
力層６ａのニューロン数は、推論に際して数値データに
よって与え得る入力データの種類（質問８３０，質問
８４０，質問８５０，質問〔赤〕８６１，質問
〔白〕８６２，質問〔黒〕８６３，質問〔緑〕８６
４）の数に相当する７個となり、出力層６ｃのニューロ
ン数は、推論に際して数値データによって求め得る出力
データの種類（判定結果〔Ａ〕８７１，判定結果〔Ｂ〕
８７２，判定結果〔Ｃ〕８７３）の数に相当する３個と
なる。中間層６ｂの層数やニューロン数の決定方法につ
いては多くの文献に記載されているが、ここでは、例え
ば中間層６ｂの層数を１層，ニューロン数を３個とす
る。

【００２８】以上のようにして、図１中の新たなニュー
ラルネットを生成する手段１０３によって生成されたニ
ューラルネット６を、ニューラルネットを学習する手段
１０４で学習する。このときの学習方法についても多く
の文献に記載されているが、ここでは、バックプロパゲ
ーション法などの一般的な学習方法によって学習するも
のとする。

【００２９】図７は、本実施例によるニューラルネット
６と従来技術によるニューラルネット１０の各々におけ
る学習効率の一例を示す図である。ここでは、ニューラ
ルネット６および１０の各々における学習係数の値を
1.0、モーメントの値を 0.9に固定した上で、バックプ
ロパゲーション法による学習を 100回繰り返して行った
後、学習に用いたサンプルデータ群に含まれるいずれか
の入力データをニューラルネットに入力し、推論によっ
て得られた出力データをサンプルデータ群中の正しい出
力データと比較することにより、学習効率を求めた。こ
の結果、本実施例による記号値データの数値データへの
変換を行うことにより、学習効率が１０ポイント向上し
ていることがわかる。また、本実施例による変換に利用
する図４に示した得点辞書は、従来技術による変換に利
用する図９に示した数値変換辞書に比べて辞書のサイズ
が小さくなることから、辞書の保守作業を従来よりも容
易に行うことができる。

【００３０】以上のように本実施例によれば、入力デー
タと当該入力データに対応する出力データとの組合せを
複数通り学習させることにより、与えられた任意の入力
データから導出されるべき出力データを推論するための
ニューラルネットの生成を行うニューラルネットを応用
した学習システムにおいて、順序性のある記号値の前
処理部，順序性のない記号値の前処理部のいずれか一
方、あるいは、の両方を設ける構成としているた
め、順序性のある記号値データが与えられた場合、各々
の記号値ごとにそれぞれ対応する数値変換辞書を用意し
ておく必要がなくなって数値変換に関わる辞書のサイズ
を縮小することができるとともに、順序性のある記号値
データの各々を当該順序性に伴う大小関係が考慮された
期待通りの数値データに変換することが可能となり、ま
た、順序性のない同格な記号値データが与えられた場
合、順序性のない記号値データの各々を常に意味のある
数値データに変換することができる。したがって、順序
性のある記号値データおよび順序性のない記号値データ
のいずれについても、記号値データが与えられた場合に
は、当該記号値データに基づいてさらに高精度な解析モ
デルを実現させるニューラルネットを効率的に生成する
ことができる。

【００３１】

【発明の効果】以上詳しく説明したように、本発明のニ
ューラルネットを応用した学習システムによれば、入力
データと当該入力データに対応する出力データとの組合
せを複数通り学習させることにより、与えられた任意の
入力データから導出されるべき出力データを推論するた
めのニューラルネットの生成を行うニューラルネットを
応用した学習システムにおいて、順序性のある記号値
の前処理部，順序性のない記号値の前処理部のいずれ
か一方、あるいは、の両方を設ける構成としている
ことから、順序性のある記号値データが与えられた場
合、各々の記号値ごとにそれぞれ対応する数値変換辞書
を用意しておく必要がなくなって数値変換に関わる辞書
のサイズを縮小できるとともに、順序性のある記号値デ
ータの各々を当該順序性に伴う大小関係が考慮された期
待通りの数値データに変換することができるという効果
が得られる一方、順序性のない同格な記号値データが与
えられた場合、順序性のない記号値データの各々を常に
意味のある数値データに変換することができるという効
果が得られる。したがって、順序性のある記号値データ
および順序性のない記号値データのいずれについても、
記号値データが与えられた場合には、当該記号値データ
に基づいてさらに高精度な解析モデルを実現させるニュ
ーラルネットを効率的に生成することができるという効
果が得られる。

【図面の簡単な説明】

【図１】本発明のニューラルネットを応用した学習シス
テムの一実施例における概略的な処理手順を示す図であ
る。

【図２】順序性のある記号値データを数値データに変換
する場合の処理手順の一例を示す図である。

【図３】順序性のない記号値データを数値データに変換
する場合の処理手順の一例を示す図である。

【図４】図２の処理手順で用いられる得点辞書の一構成
例を示す図である。

【図５】図２〜図４にしたがって図８の記号値データか
ら変換することにより得られる数値データの一例を示す
図である。

【図６】図５に基づいて生成されたニューラルネットの
一例を示す図である。

【図７】本実施例によるニューラルネットと従来技術に
よるニューラルネットの各々における学習効率の一例を
示す図である。

【図８】記号値データからなるアンケートデータの一例
を示す図である。

【図９】従来技術における数値変換辞書および記号値デ
ータから変換された数値データの一例を示す図である。

【図１０】図９に基づいて生成されたニューラルネット
の一例を示す図である。

【符号の説明】

１０１ 新たなデータを格納したデータベース １０２ 記号値データを数値データに変換する手段 １０３ 新たなニューラルネットを生成する手段 １０４ 新たなニューラルネットを学習する手段 １０５ 学習済みのニューラルネットを格納するファイ
ル

Claims (4)

【特許請求の範囲】
1. 【請求項１】 入力データと当該入力データに対応する
   出力データとの組合せを複数通り学習させることによ
   り、与えられた任意の入力データから導出されるべき出
   力データを推論するためのニューラルネットの生成を行
   うニューラルネットを応用した学習システムにおいて、 与えられた順序性のある記号値データからニューラルネ
   ットで処理可能な数値データを求めるための順序性のあ
   る記号値の前処理部として、 前記記号値データを解析して、基本的な順序性を表す形
   容詞部と前記形容詞部を修飾する副詞部とに分離する記
   号値分離手段と、 前記形容詞部に指定され得る具体的な記号値の各々につ
   いて対応する得点を定義しておく形容詞部用の得点辞書
   と、 前記副詞部に指定され得る具体的な記号値の各々につい
   て対応する得点を定義しておく副詞部用の得点辞書と、 前記記号値分離手段によって得られる前記形容詞部およ
   び前記副詞部と前記形容詞部用および前記副詞部用の得
   点辞書とに基づき、所定の得点値評価にしたがって前記
   記号値データに対応する数値データを求める得点値変換
   手段と、を設ける構成としたことを特徴とするニューラ
   ルネットを応用した学習システム。
2. 【請求項２】 入力データと当該入力データに対応する
   出力データとの組合せを複数通り学習させることによ
   り、与えられた任意の入力データから導出されるべき出
   力データを推論するためのニューラルネットの生成を行
   うニューラルネットを応用した学習システムにおいて、 与えられた順序性のない同格な記号値データからニュー
   ラルネットで処理可能な数値データを求めるための順序
   性のない記号値の前処理部として、 同格な記号値データの種類数と同数の新たなニューロン
   を前記ニューラルネット内の入力層に追加するニューロ
   ン追加手段と、 前記入力層に追加された互いに同格な複数のニューロン
   のうち、与えられた記号値データに対応する唯一のニュ
   ーロンには数値データ“１”が入力され、他のすべての
   ニューロンには数値データ“０”が入力されるように、
   該当するデータ領域における数値データの設定を行う設
   定値変換手段と、を設ける構成としたことを特徴とする
   ニューラルネットを応用した学習システム。
3. 【請求項３】 入力データと当該入力データに対応する
   出力データとの組合せを複数通り学習させることによ
   り、与えられた任意の入力データから導出されるべき出
   力データを推論するためのニューラルネットの生成を行
   うニューラルネットを応用した学習システムにおいて、 与えられた順序性のある記号値データからニューラルネ
   ットで処理可能な数値データを求めるための順序性のあ
   る記号値の前処理部として、 前記記号値データを解析して、基本的な順序性を表す形
   容詞部と前記形容詞部を修飾する副詞部とに分離する記
   号値分離手段と、 前記形容詞部に指定され得る具体的な記号値の各々につ
   いて対応する得点を定義しておく形容詞部用の得点辞書
   と、 前記副詞部に指定され得る具体的な記号値の各々につい
   て対応する得点を定義しておく副詞部用の得点辞書と、 前記記号値分離手段によって得られる前記形容詞部およ
   び前記副詞部と前記形容詞部用および前記副詞部用の得
   点辞書とに基づき、所定の得点値評価にしたがって前記
   記号値データに対応する数値データを求める得点値変換
   手段と、を設けるとともに、 与えられた順序性のない同格な記号値データからニュー
   ラルネットで処理可能な数値データを求めるための順序
   性のない記号値の前処理部として、 同格な記号値データの種類数と同数の新たなニューロン
   を前記ニューラルネット内の入力層に追加するニューロ
   ン追加手段と、 前記入力層に追加された互いに同格な複数のニューロン
   のうち、与えられた記号値データに対応する唯一のニュ
   ーロンには数値データ“１”が入力され、他のすべての
   ニューロンには数値データ“０”が入力されるように、
   該当するデータ領域における数値データの設定を行う設
   定値変換手段と、を設ける構成としたことを特徴とする
   ニューラルネットを応用した学習システム。
4. 【請求項４】 数値データ，順序性のある記号値デー
   タ，順序性のない同格な記号値データを任意に用いて与
   えられた入力データと当該入力データに対応する出力デ
   ータとの組合せのうち、記号値データについては上述し
   た前処理部でそれぞれ対応する数値データを求めた後、
   得られた各々の数値データを正規化して学習させるよう
   にしたことを特徴とする請求項３記載のニューラルネッ
   トを応用した学習システム。