JPWO2019058479A1 - 知識取得装置、知識取得方法、及び、プログラム - Google Patents

知識取得装置、知識取得方法、及び、プログラム Download PDF

Info

Publication number
JPWO2019058479A1
JPWO2019058479A1 JP2019542888A JP2019542888A JPWO2019058479A1 JP WO2019058479 A1 JPWO2019058479 A1 JP WO2019058479A1 JP 2019542888 A JP2019542888 A JP 2019542888A JP 2019542888 A JP2019542888 A JP 2019542888A JP WO2019058479 A1 JPWO2019058479 A1 JP WO2019058479A1
Authority
JP
Japan
Prior art keywords
knowledge
person
inference
attribute value
event
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.)
Granted
Application number
JP2019542888A
Other languages
English (en)
Other versions
JP6888683B2 (ja
Inventor
裕太郎 根本
裕太郎 根本
細見　格
格 細見
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2019058479A1 publication Critical patent/JPWO2019058479A1/ja
Application granted granted Critical
Publication of JP6888683B2 publication Critical patent/JP6888683B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

人物の特徴を考慮した推論を行うための知識が得られる知識更新装置を提供する。知識取得装置１００は、取得部１２０、及び、更新部１３０を含む。取得部１２０は、人物に関する事象間の関係を表す知識を取得する。更新部１３０は、複数の人物の各々が有する属性値に基づき、当該複数の人物の内の知識が成立する人物が有する属性値を特定する。そして、更新部１３０は、特定された属性値を有する人物に対して知識が成立するように知識を更新し、出力する。

Description

本発明は、知識取得装置、知識取得方法、及び、記録媒体に関する。
エキスパ−トシステム等に代表される推論システム（Reasoning system）は、論理式により表現された知識の集合から、所定の規則（Rule）に基づく推論を実行する。一般的な推論システムの一例が、非特許文献１に記載されている。非特許文献１の推論システムは、事象間の関係を論理式として表現した知識を格納する知識ベース（Knowledge Base）と、知識を繋ぎ合わせて推論を実行する推論エンジン（Reasoning engine）から構成される。このような推論システムは、入力として論理式により表現された観測情報（Observation）を受け取り、その観測論理式と知識ベースに格納された知識の集合から導き出される、最も妥当な推論結果を出力することで、ユーザの問題解決を支援する。
このような推論システムは、特許文献１、２に記載されているように、医療診断、設備の故障診断、設計支援など、専門家の知識が有用な領域で応用されてきた。さらに、近年の自然言語処理技術の発展や、様々な分野のコーパス（文章を構造化し、大規模に集積したもの）の整備を受け、一般常識的な知識から専門的な知識まで、多様な知識を用いた推論システムの運用が可能になりつつある。例えば、非特許文献２は、自然言語で記述された文章中の特定の表現に着目し、文書から事象間の因果関係に関する知識を獲得する方法を提案している。このように、様々な知識を効率的に獲得、蓄積可能となったことから、推論システムは、幅広い産業領域での実用化が期待できる。
なお、関連文献として、特許文献３には、文書からユーザのプロフィールを推定するためのモデルを生成する技術が開示されている。特許文献４には、データマイニングシステムにおいて、グループ化の階層を決定する技術が開示されている。特許文献５には、情報処理装置において、種々の情報処理方式を統合して問題を解決する技術が開示されている。特許文献６には、知識処理システムにおいて、有効属性値をとる事例が存在する属性値を用いてクラス推定ルールを生成する技術が開示されている。
特開昭６３−２６１４５３号公報 特開平１−１２１９７２号公報 特開２０１４−２１９８７１号公報 特開２０１１−０３４４５７号公報 特開２００１−０２２５８５号公報 特開平０７−１６０５０３号公報
新田克己、「エキスパートシステムにおける知識表現と推論」、情報処理、一般社団法人情報処理学会、1987年、第28巻、第2号、p.158-166 乾孝司、乾健太郎、松本裕治、「接続標識「ため」に基づく文書集合からの因果関係知識の自動獲得」、情報処理学会論文誌、一般社団法人情報処理学会、2004年、第43巻、第3号、p.919-933
上述の推論システムの適用先として、学校教育や、人材育成、介護などに代表される対人サービスがある。このような対人サービスでは、対象の人物を取り巻く状況や人物の状態に関する事象が観測され、推論システムに入力される。推論システムは、知識ベースに格納された知識の集合を用いて、当該人物に生じた状態変化の理由の推測や、当該人物に今後生じる状態変化の予測を行う。この場合、個々の人物（以下、個人とも記載）や人物のグループにより、事象間の関係（人物のサービス対象に関する特徴（feature））が異なる。したがって、個人やグループの特徴を考慮した知識を用いて推論を行うことが望ましい。
しかしながら、上述の特許文献や非特許文献には、知識として、個々の人物やグループの特徴を考慮した知識を得ることは開示されていない。このため、上述の特許文献や非特許文献の推論システムを適用した対人サービスでは、多くの人に当てはまる傾向や一般常識等、一般的な知識に基づく推論が行われてしまう。
本発明の目的は、上述の課題を解決し、人物の特徴を考慮した推論を行うための知識が得られる、知識取得装置、知識取得方法、及び、記録媒体を提供することである。
本発明の一態様における知識取得装置は、人物に関する事象間の関係を表す知識を取得する取得手段と、複数の人物の各々が有する属性値に基づき、当該複数の人物の内の前記知識が成立する人物が有する属性値を特定し、当該特定された属性値を有する人物に対して当該知識が成立するように当該知識を更新し、出力する、更新手段と、を備える。
本発明の一態様における知識取得方法は、人物に関する事象間の関係を表す知識を取得し、複数の人物の各々が有する属性値に基づき、当該複数の人物の内の前記知識が成立する人物が有する属性値を特定し、当該特定された属性値を有する人物に対して当該知識が成立するように当該知識を更新し、出力する。
本発明の一態様におけるコンピュータが読み取り可能な記録媒体は、コンピュータに、人物に関する事象間の関係を表す知識を取得し、複数の人物の各々が有する属性値に基づき、当該複数の人物の内の前記知識が成立する人物が有する属性値を特定し、当該特定された属性値を有する人物に対して当該知識が成立するように当該知識を更新し、出力する、処理を実行させるプログラムを格納する。
本発明の効果は、人物の特徴を考慮した推論を行うための知識が得られることである。
第１の実施形態の構成を示すブロック図である。 第１の実施形態における、データベース２０１の例を示す図である。 第１の実施形態における、知識表現語彙の例を示す図である。 第１の実施形態における、範囲語彙の例を示す図である。 第１の実施形態における、コンピュータに実装された知識取得装置１００の構成を示すブロック図である。 第１の実施形態における、知識取得・更新処理を示すフローチャートである。 第１の実施形態における、知識の取得結果の例を示す図である。 第１の実施形態における、有効範囲の決定結果の例を示す図である。 第１の実施形態における、知識の更新結果の例を示す図である。 第１の実施形態の基本的な構成を示すブロック図である。 第２の実施形態の構成を示すブロック図である。 第２の実施形態における、観測論理式４０１の例を示す図である。 第２の実施形態における、推論処理を示すフローチャートである。 第２の実施形態における、知識ベース３０１に格納された知識の例を示す図である。 第２の実施形態における、推論の例を示す図である。 第３の実施形態の構成を示すブロック図である。 第３の実施形態における、観測論理式４１１の例を示す図である。 第３の実施形態における、推論対象属性情報４１２の例を示す図である。 第３の実施形態における、推論処理を示すフローチャートである。 第３の実施形態における、擬似観測論理式４１３の例を示す図である。 第３の実施形態における、推論の例を示す図である。
発明を実施するための形態について図面を参照して詳細に説明する。なお、各図面、及び、明細書記載の各実施形態において、同様の構成要素には同一の符号を付与し、説明を適宜省略する。
以下、人物（学習者）に対する学習指導を行う学習サービスを例に、各実施形態を説明する。学習サービスでは、人物群（学習者群）から収集した、各人物の学習に関する特徴を表すデータに基づき、推論を行うための知識が取得（生成）され、取得された知識に基づく推論を実行することで、各人物に対する学習指導が行われる。
また、以下の実施形態において、知識は、推論を行う対象領域における、人物を取り巻く状況や人物の状態に関する事象間の関係である。事象は、例えば「xがyを勉強する」のように述語（predicate）（この場合、勉強する）と事象を記述する対象である項（argument）（この場合、xやy）により表される。知識は、前提となる事象と帰結となる事象間の因果関係や前後関係等の関係を表し、例えば「事象Ａが起きたら事象Ｂが起こる」、「事象Ａが成立すれば（真であれば）、事象Ｂが成立する（真である）」等の形式を有する。推論では、例えば、非特許文献１に記述されているような、一階述語論理（First-order predicate logic）で記述された事象や知識が用いられる。
なお、事象や知識は、上述のような事象間の因果関係や前後関係を表すことができれば、プロダクション・ルール（Production rule）や高階述語論理（High-order predicate logic）等、他の方法により記述されてもよい。
（第１の実施形態）
第１の実施形態について説明する。はじめに、第１の実施形態の構成について説明する。図１は、第１の実施形態の構成を示すブロック図である。
図１を参照すると、知識取得装置１００は、ネットワーク等により、データベース記憶装置２００、及び、知識ベース記憶装置３００と接続される。知識取得装置１００は、データベース記憶装置２００から入力された人物の特徴を表すデータに基づき知識を取得（生成）する。知識取得装置１００は、取得した知識を、個人やグループの特徴を考慮した知識に更新し、知識ベース記憶装置３００に出力する。
データベース記憶装置２００は、データベース２０１を記憶する。データベース２０１は、知識取得・更新対象の複数人物の各々の属性情報（attribute information）、及び、特徴情報（feature information）を表す。データベース２０１は、予め、管理者等により設定される。
図２は、第１の実施形態における、データベース２０１の例を示す図である。図２のデータベース２０１では、複数の人物の各々について、当該人物の属性情報、及び、特徴情報が関連付けられている。
属性情報は、複数の属性（attribute）の各々について、人物が有する当該属性の値（以下、属性値とも記載）を示す。属性は、人物の識別子（以下、ＩＤ（Identifier）とも記載）や人物が所属するグループを示す。図２の例では、属性として、「ＩＤ」、「性別」、「学校」、「部活動」等が設定されている。また、例えば、属性「学校」の属性値には、「Ａ高校」、「Ｂ高校」、…等が、属性「部活動」の属性値には、「野球」、「テニス」、…等が設定されている。
特徴情報は、複数の特徴の各々について、人物が当該特徴を有するか否か（当該特徴の有無）を示す。特徴は、人物の状況や状態に関する事象間の関係で表される。図２の例では、特徴として、「グループワークを受けると意欲が向上する」、「テストを受けると意欲が低下する」、「丸暗記という勉強法をとると効果が高い」等、学習サービスを提供するために必要な、学習に関する特徴が設定されている。
特徴情報における各特徴は、例えば、知識取得装置１００外の分析装置（図示せず）が、一般的な教育や学習に関する書籍や論文等から、事象、及び、事象間の関係を抽出することにより設定されてもよい。同様に、各特徴の有無も、例えば、分析装置が、各人物の学習に関する状況や状態の観察結果が記載された文書等から、事象、及び、事象間の関係を抽出し、各特徴の事象間の関係が成立するか否かを判定することにより設定されてもよい。
また、特徴情報における各特徴は、学習サービスの提供者等により定義、設定されてもよい。同様に、各人物の各特徴の有無も、各人物の学習に関する状況や状態を観測した教育者等により設定されてもよい。
なお、データベース２０１の形式は、各人物の属性情報、及び、特徴情報を表すことができれば、図２のような表以外の形式でもよい。
知識取得装置１００は、データ入力部１１０、取得部１２０、更新部１３０、知識表現語彙記憶部１４０、及び、範囲語彙記憶部１５０を含む。
データ入力部１１０は、データベース記憶装置２００からデータベース２０１における特徴情報の各特徴を取得し、取得部１２０に入力する。また、データ入力部１１０は、データベース２０１における、各人物の属性情報と特徴情報を取得し、更新部１３０に入力する。
知識表現語彙記憶部１４０は、特徴情報における各特徴に含まれる各事象について、知識表現語彙を記憶する。知識表現語彙は、特徴情報の各特徴に含まれる各事象の述語を、推論で利用可能な形式（論理式）で表した語彙である。
図３は、第１の実施形態における、知識表現語彙の例を示す図である。図３において、「x」は人物を表す項である。
知識表現語彙は、例えば、データベース２０１の特徴情報に基づいて、予め、管理者等により設定される。
取得部１２０は、データベース２０１から取得した特徴情報に含まれる各特徴に、知識表現語彙記憶部１４０に記憶された知識表現語彙を適用することで知識を取得（生成）する。
なお、取得部１２０は、各特徴に対応する、知識表現語彙を適用済みの知識を、他の装置（図示せず）から取得してもよい。
範囲語彙記憶部１５０は、属性情報における各属性の各属性値について、範囲語彙を記憶する。範囲語彙は、人物が特定の属性値を有する（属性値で表されるＩＤを有する、あるいは、属性値で表されるグループに所属する）ことを、推論で利用可能な形式（論理式）で表した語彙である。範囲語彙は、取得部１２０により取得された知識の有効範囲を指定するために用いられる。
図４は、第１の実施形態における、範囲語彙の例を示す図である。
範囲語彙は、例えば、データベース２０１の属性情報に基づいて、予め管理者等により設定される。
更新部１３０は、データ入力部１１０が取得した各人物の属性情報と特徴情報に基づき、各特徴の有効範囲を決定する。更新部１３０は、決定した有効範囲、及び、範囲語彙記憶部１５０に記憶された範囲語彙を用いて、取得部１２０により取得された知識を更新する。ここで、更新部１３０は、範囲語彙により変換された有効範囲の論理式を、知識の前提の事象に設定することで、知識を更新する。更新部１３０は、更新した知識を知識ベース記憶装置３００に出力する。
知識ベース記憶装置３００は、知識ベース３０１を記憶する。知識ベース３０１は、知識取得装置１００により出力された有効範囲付きの知識を含む。
なお、知識取得装置１００は、ＣＰＵ（Central Processing Unit）とプログラムを格納した記録媒体とを含み、プログラムに基づく制御によって動作するコンピュータであってもよい。
図５は、第１の実施形態における、コンピュータに実装された知識取得装置１００の構成を示すブロック図である。
図５を参照すると、知識取得装置１００は、ＣＰＵ１０１、記憶デバイス１０２（記録媒体）、入出力デバイス１０３、及び、通信デバイス１０４を含む。ＣＰＵ１０１は、データ入力部１１０、取得部１２０、及び、更新部１３０を実装するためのプログラムの命令（Instruction）を実行する。記憶デバイス１０２は、例えば、ハードディスクやメモリ等であり、知識表現語彙記憶部１４０、範囲語彙記憶部１５０のデータを記憶する。入出力デバイス１０３は、例えば、キーボード、ディスプレイ等であり、管理者等から、知識表現語彙記憶部１４０、範囲語彙記憶部１５０のデータの入力を受け付ける。通信デバイス１０４は、データベース記憶装置２００からデータベース２０１の特徴情報、属性情報を受信する。また、通信デバイス１０４は、知識ベース記憶装置３００へ、更新した知識を送信する。
また、知識取得装置１００において、各構成要素の一部、または、全部は、汎用または専用の回路（circuitry）やプロセッサ、これらの組み合わせで実装されてもよい。これらの回路やプロセッサは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、各構成要素の一部、または、全部は、上述した回路等とプログラムとの組み合わせで実装されてもよい。また、各構成要素の一部、または、全部が、複数の情報処理装置や回路等で実装される場合、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態で実装されてもよい。
同様に、データベース記憶装置２００、及び、知識ベース記憶装置３００も、それぞれ、ＣＰＵとプログラムを格納した記録媒体とを含み、プログラムの命令（Instruction）を実行することにより動作するコンピュータであってもよい。
また、知識取得装置１００、データベース記憶装置２００、及び、知識ベース記憶装置３００の内の一部、または、全部が、一つの装置により構成されていてもよい。
次に、第１の実施形態の動作を説明する。
ここでは、図２のデータベース２０１がデータベース記憶装置２００に記憶されていると仮定する。また、図３の知識表現語彙、及び、図４の範囲語彙が、それぞれ、知識表現語彙記憶部１４０、及び、範囲語彙記憶部１５０に記憶されていると仮定する。
図６は、第１の実施形態における知識取得・更新処理を示すフローチャートである。
はじめに、知識取得装置１００のデータ入力部１１０は、データベース記憶装置２００からデータベース２０１における特徴情報の各特徴を取得し、取得部１２０に入力する（ステップＳ１１）。例えば、データ入力部１１０は、図２のデータベース２０１の特徴「グループワークを受けると意欲が向上する」、「テストを受けると意欲が低下する」、「丸暗記という勉強法をとると効果が高い」を取得する。
次に、取得部１２０は、入力された各特徴に対する知識を取得（生成）する（ステップＳ１２）。ここで、取得部１２０は、各特徴について、当該特徴に対応する知識表現語彙（述語語彙）を知識表現語彙記憶部１４０から検索し、当該特徴に適用することにより、当該特徴を論理式により表現した知識に変換する。この場合、取得部１２０は、例えば、知識表現語彙記憶部１４０内に予め定義された自然言語と述語語彙との対応関係を参照し、各特徴を変換してもよい。なお、取得部１２０は、このような各特徴の知識への変換を、知識取得装置１００外の変換装置（図示せず）に実行させてもよい。
図７は、第１の実施形態における、知識の取得結果の例を示す図である。例えば、取得部１２０は、図２のデータベース２０１の各特徴に、図３の知識表現語彙を適用し、図７のような知識を取得する。図７の各知識において、記号「=>」の左側が前提の事象、右側が帰結の事象を示す。
次に、データ入力部１１０は、データベース２０１における、各人物の属性情報と特徴情報を取得し、更新部１３０に入力する（ステップＳ１３）。
例えば、データ入力部１１０は、図２のデータベース２０１の各人物の属性情報と特徴情報を取得する。
次に、更新部１３０は、特徴情報の各特徴の有効範囲を決定する（ステップＳ１４）。
ここで、ある特徴を有する（当該特徴に対応する知識が成立する）人物の内の全て、あるいは、所定割合以上の人物が有する属性値がある場合、当該属性値を有する人物のグループは当該特徴を有する可能性が高いと考えられる。一方、ある特徴を有する（当該特徴に対応する知識が成立する）人物の内の全て、あるいは、所定割合以上の人物が有する属性値がない場合、当該特徴は当該特徴を有する個人の特徴と考えられる。
そこで、更新部１３０は、各特徴について、当該特徴を有する人物が有する属性値を特定し、当該特徴を有する人物の内の全て、あるいは、所定割合以上の人物が有する属性値を抽出する。そして、更新部１３０は、抽出された属性値の全てを有することを、当該特徴の有効範囲として決定する。
また、更新部１３０は、各特徴について、当該特徴を有する人物の内の全て、あるいは、所定割合以上の人物が有する属性値がない場合、当該特徴を有する人物のＩＤのいずれかを有することを、当該特徴の有効範囲として決定する。
図８は、第１の実施形態における、有効範囲の決定結果の例を示す図である。
例えば、図２のデータベース２０１において、特徴「グループワークを受けると意欲が向上する」を有する人物の全てが、属性値として、学校「Ａ高校」、部活動「野球部」を有していると仮定する。この場合、更新部１３０は、図８に示すように、学校「Ａ高校」、かつ、部活動「野球部」を当該特徴の有効範囲に決定する。
また、例えば、図２のデータベース２０１において、特徴「テストを受けると意欲が低下する」を有する人物の全てが有する属性値がないと仮定する。この場合、更新部１３０は、図８に示すように、当該特徴と有する人物のＩＤ「A002」を当該特徴の有効範囲に決定する。同様に、特徴「丸暗記という勉強法をとると効果が高い」を有する人物の全てが有する属性値がないと仮定する。この場合、更新部１３０は、図８に示すように、当該特徴と有する人物のＩＤ「A003」、または、「A004」を当該特徴の有効範囲に決定する。
なお、更新部１３０は、各特徴について属性値を特定するときに、当該特徴への影響が大きい属性値の内から、当該特徴を有する人物の内の全て、あるいは、所定割合以上の人物が有する属性値を抽出してもよい。この場合、属性値の特徴への影響は、例えば、目的変数に、特徴の有無をTrueまたはFalseの二値で表す変数、説明変数に、各属性値の有無を同様に二値で表す、属性値の数分の変数を用いた回帰分析により得ることができる。
次に、更新部１３０は、ステップＳ１４で決定した各特徴の有効範囲に基づき、ステップＳ１２で取得した各知識を更新する（ステップＳ１５）。ここで、更新部１３０は、各特徴について、当該特徴の有効範囲に対応する範囲語彙を範囲語彙記憶部１５０から検索し、当該有効範囲に適用することにより、有効範囲を論理式に変換する。そして、更新部１３０は、当該特徴の有効範囲の論理式を、当該特徴に対応する知識の前提の事象として、連言（Conjunction）の形で設定する。
図９は、第１の実施形態における、知識の更新結果の例を示す図である。例えば、更新部１３０は、図９の各知識の下線部で示すように、図８における各特徴の有効範囲に図４の範囲語彙を適用し、図７における対応する知識の前提の事象として設定することにより、各知識を更新する。
更新部１３０は、更新した知識を知識ベース記憶装置３００に出力する（ステップＳ１６）。
知識ベース記憶装置３００は、知識取得装置１００により出力された有効範囲付きの知識を知識ベース３０１に格納する。
例えば、知識ベース記憶装置３００は、図９の知識を知識ベース３０１に格納する。
このような、知識取得装置１００により更新された、有効範囲付きの知識を用いて推論を行うことで、人物の特徴を考慮した推論を行うことができる。
以上により、第１の実施形態の動作が完了する。
次に、第１の実施形態の基本的な構成を説明する。
図１０は、第１の実施形態の基本的な構成を示すブロック図である。図１０を参照すると、知識取得装置１００は、取得部１２０、及び、更新部１３０を含む。取得部１２０は、人物に関する事象間の関係を表す知識を取得する。更新部１３０は、複数の人物の各々が有する属性値に基づき、当該複数の人物の内の知識が成立する人物が有する属性値を特定する。そして、更新部１３０は、特定された属性値を有する人物に対して知識が成立するように知識を更新し、出力する。
次に、第１の実施形態の効果について説明する。
第１の実施形態によれば、人物の特徴を考慮した推論を行うための知識を得ることができる。その理由は、知識取得装置１００が、複数の人物の各々が有する属性値に基づき、知識が成立する人物が有する属性値を特定し、特定された属性値を有する人物に対して知識が成立するように知識を更新するためである。これにより、知識がどのような人物、あるいは、人物のグループに対して有効かを示す有効範囲を、コンピュータが認識可能な形式で表すことができ、人物の特徴を考慮した推論を行うことができる。
（第２の実施形態）
次に、第２の実施形態について説明する。第２の実施形態は、推論装置４００（以下、推論エンジンとも記載する）が、知識ベース３０１に基づいて推論を行う点において、第１の実施形態と異なる。また、第２の実施形態では、推論装置４００は、データベース２０１に情報が格納されていた知識取得・更新対象の人物（以下、既知の人物とも記載）を推論対象の人物として、推論を行う。
はじめに、第２の実施形態の構成について説明する。図１１は、第２の実施形態の構成を示すブロック図である。図１１を参照すると、推論システム１は、知識取得装置１００、知識ベース記憶装置３００、及び、推論装置４００を含む。推論装置４００は、ネットワーク等により、知識ベース記憶装置３００と接続される。
推論装置４００には、推論対象の人物（既知の人物）についての観測論理式４０１が入力される。
観測論理式４０１は、推論対象の人物（既知の人物）について観測された事象（以下、観測事象とも記載）を、一階述語論理の形式で表した論理式である。観測論理式４０１が表す観測事象には、推論対象の人物が有する属性値に関する事象、及び、推論対象の人物の状況や状態に関する事象が含まれる。
図１２は、第２の実施形態における、観測論理式４０１の例を示す図である。図１２の観測論理式４０１は、属性値に関する事象として、太郎のＩＤは「A108」であり、太郎は「Ａ高校」、「野球部」に所属することを表し、状況や状態に関する事象として、「太郎はグループワークを受けた」ことを表している。
推論装置４００は、知識ベース記憶装置３００に記憶された知識ベース３０１に基づいて、観測論理式４０１に対する推論を実行し、推論結果４０２を出力する。
推論結果４０２は、観測事象に対して推論により導かれる他の事象の集合である。具体的には、推論結果４０２は、「観測事象により、続いて生じる可能性のある他の事象」や「観測事象が生じた原因の可能性がある他の事象」を示す。
なお、観測事象に対する推論が知識ベース３０１に基づいて実行できれば、観測論理式４０１や推論結果４０２の形式は、他の形式でもよく、推論の内容は他の内容でもよい。
また、推論装置４００も、ＣＰＵとプログラムを格納した記録媒体とを含み、推論を実行するプログラムの命令（Instruction）を実行するコンピュータであってもよい。
また、知識取得装置１００、データベース記憶装置２００、知識ベース記憶装置３００、及び、推論装置４００の内の一部、または、全部が、一つの装置により構成されていてもよい。
次に、第２の実施形態の動作を説明する。図１３は、第２の実施形態における、推論処理を示すフローチャートである。
ここでは、第１の実施形態と同様に、図２のデータベース２０１がデータベース記憶装置２００に記憶されていると仮定する。また、図３の知識表現語彙、及び、図４の範囲語彙が、それぞれ、知識表現語彙記憶部１４０、範囲語彙記憶部１５０に記憶されていると仮定する。
はじめに、事前準備として、知識取得装置１００が、第１の実施形態と同様の知識取得・更新処理を実行する（ステップＳ２１）。これにより、知識取得装置１００から出力された有効範囲付きの知識が、知識ベース記憶装置３００の知識ベース３０１に格納される。なお、知識ベース３０１には、知識取得装置１００により出力された知識に加えて、一般常識等に基づいて生成された知識が格納されていてよい。
図１４は、第２の実施形態における、知識ベース３０１に格納された知識の例を示す図である。図１４において、丸印は事象を示す。事象（丸印）間の矢印は、矢印の元の事象を前提、矢印の先の事象を帰結とした関係を示す。また、複数の矢印の先が一つの事象に向いている場合、これら複数の矢印の元の事象の全てが真のときに、矢印の先の事象が真であること（ＡＮＤ条件）を示す。
例えば、知識ベース記憶装置３００は、知識取得装置１００から出力された、図１４のような知識ベース３０１を記憶する。
次に、推論装置４００は、ユーザ等から、観測論理式４０１の入力を受け付ける（ステップＳ２２）。
例えば、推論装置４００は、図１２のような観測論理式４０１の入力を受け付ける。
なお、推論装置４００は、推論対象の人物についての観測事象を、自然言語で受け付け、知識取得装置１００と同様に、知識表現語彙、範囲語彙を用いて、論理式に変換してもよい。
次に、推論装置４００は、知識ベース記憶装置３００に記憶された知識ベース３０１に基づいて、入力された観測論理式４０１に対する推論を実行する（ステップＳ２３）。ここで、推論装置４００は、知識ベース３０１の知識の内、観測論理式４０１の各々に対応する観測事象を検索する。そして、推論装置４００は、観測事象から知識（事象間の関係）を辿ることにより得られる「真となる事象」を抽出する。また、推論装置４００は、同様に、知識を辿ることにより、「真となる可能性のある事象」を抽出してもよい。さらに、推論装置４００は、「「真となる可能性のある事象」が真となるために真となるべき事象」を抽出してもよい。
図１５は、第２の実施形態における、推論の例を示す図である。図１５の例では、図１４の知識ベース３０１の知識の内、図１２の観測論理式４０１に含まれる論理式に対応する観測事象が黒の丸印で示されている。また、観測事象から知識を辿ることにより得られる、「真となる事象」がハッチングされた丸印で示されている。また、「真となる可能性がある事象」が太線の丸印で示されている。さらに、「「真となる可能性のある事象」が真となるために真となるべき事象」が点線の丸印で示されている。
例えば、推論装置４００は、図１５のように、観測事象から知識を辿ることにより得られる各事象を抽出する。
推論装置４００は、抽出された各事象に基づき、推論結果４０２を生成し、ユーザ等へ出力する（ステップＳ２４）。
例えば、推論装置４００は、図１５で抽出された「真となる事象」に基づき、推論結果４０２「太郎は、グループワークを受けたことで、意欲が向上し、積極的になる」を出力する。さらに、推論装置４００は、「真となる可能性がある事象」、及び、「「真となる可能性のある事象」が真となるために真となるべき事象」に基づき、推論結果４０２「太郎は、Method1で勉強するとあまり理解が進まないが、Method2で勉強するとよく理解が進む」を出力する。
以上により、第２の実施形態の動作が完了する。
次に、第２の実施形態の効果について説明する。
第２の実施形態によれば、人物の特徴を考慮した推論を行うことができる。その理由は、推論装置４００が、人物の観測事象に対して、知識取得装置１００により更新された知識に基づき推論を行うためである。
（第３の実施形態）
次に、第３の実施形態について説明する。第３の実施形態は、推論装置４００が、データベース２０１に情報が格納されていた知識取得・更新対象の人物（既知の人物）以外の、新たな人物を推論対象の人物として推論を行う点で、第２の実施形態と異なる。
はじめに、第３の実施形態の構成について説明する。図１６は、第３の実施形態の構成を示すブロック図である。図１６を参照すると、推論システム１は、第２の実施形態の構成要素に加えて、観測補完装置５００を含む。観測補完装置５００は、ネットワーク等により、知識取得装置１００、及び、推論装置４００と接続される。
推論装置４００には、推論対象の人物（新たな人物）について、観測論理式４１１、及び、推論対象属性情報４１２が入力される。
観測論理式４１１は、推論対象の人物（新たな人物）について観測された事象を、一階述語論理の形式で表した論理式である。観測論理式４１１が表す観測事象に、推論対象の人物の状況や状態に関する事象が含まれる。
図１７は、第３の実施形態における、観測論理式４１１の例を示す図である。図１７の観測論理式４１１は、状況や状態に関する事象として、「一郎はテストを受けた」ことを表している。
推論対象属性情報４１２は、推論対象の人物（新たな人物）の属性情報である。推論対象属性情報には、データベース２０１における属性情報の各属性と同じ属性について、推論対象の人物の属性値が設定される。
図１８は、第３の実施形態における、推論対象属性情報４１２の例を示す図である。図１８の推論対象属性情報４１２では、図２の属性情報の各属性と同じ属性について、推論対象の人物の属性値が設定されている。
後述するように、観測補完装置５００では、推論対象属性情報４１２と属性情報が類似する既知の人物が特定され、当該特定された人物の属性値に関する観測論理式（以下、擬似観測論理式４１３とも記載）が生成される。
推論装置４００は、観測論理式４１１で表される事象が、推論対象の人物と類似する属性情報を有する既知の人物について観測されたとみなし、観測論理式４１１、及び、擬似観測論理式４１３に対して推論を実行する。
観測補完装置５００は、類似度算出部５１０、及び、観測生成部５２０を含む。
類似度算出部５１０は、推論対象属性情報４１２と既知の人物の属性情報との類似度を算出し、推論対象属性情報４１２と属性情報が類似する既知の人物を特定する。
観測生成部５２０は、類似度算出部５１０により特定された人物の属性情報に基づき、擬似観測論理式４１３を生成する。
なお、観測補完装置５００も、ＣＰＵとプログラムを格納した記録媒体とを含み、類似度算出部５１０、観測生成部５２０の機能を実装するためのプログラムの命令（Instruction）を実行するコンピュータであってもよい。
また、知識取得装置１００、データベース記憶装置２００、知識ベース記憶装置３００、推論装置４００、及び、観測補完装置５００の内の一部、または、全部が、一つの装置により構成されていてもよい。
次に、第３の実施形態の動作を説明する。図１９は、第３の実施形態における、推論処理を示すフローチャートである。
ここでは、第２の実施形態と同様に、図２のデータベース２０１がデータベース記憶装置２００に記憶されていると仮定する。また、図３の知識表現語彙、及び、図４の範囲語彙が、それぞれ、知識表現語彙記憶部１４０、範囲語彙記憶部１５０に記憶されていると仮定する。
はじめに、第２の実施形態のステップＳ２１と同様に、知識取得装置１００が、第１の実施形態と同様の知識取得・更新処理を実行する（ステップＳ３１）。
例えば、知識ベース記憶装置３００は、知識取得装置１００から出力された、図１４のような知識ベース３０１を記憶する。
次に、推論装置４００は、ユーザ等から、新たな人物の観測論理式４１１と推論対象属性情報４１２との入力を受け付ける（ステップＳ３２）。推論装置４００は、推論対象属性情報４１２を観測補完装置５００へ送信する。
例えば、推論装置４００は、図１７、図１８のような観測論理式４１１、推論対象属性情報４１２の入力を受け付ける。
観測補完装置５００の類似度算出部５１０は、知識取得装置１００のデータ入力部１１０を介して、データベース２０１における既知の人物の各々の属性情報を取得する（ステップＳ３３）。
例えば、類似度算出部５１０は、図２のデータベース２０１における属性情報を取得する。
類似度算出部５１０は、推論対象属性情報４１２と、既知の人物の属性情報との類似度を算出する（ステップＳ３４）。ここで、推論対象属性情報４１２の属性値を表すベクトルをV_A、既知の人物の属性情報の属性値を表すベクトルをV_Bとすると、類似度は、例えば、V_AとV_Bの内積（コサイン類似度）により算出される。ベクトルV_A、V_Bの要素には、データベース２０１における属性情報の各属性に設定された各属性値について、当該属性値の有無（当該属性値を有するか否か）をTrueまたはFalseの二値で表す変数が用いられる。この場合、ベクトルV_A、V_Bの次元数は、データベース２０１における属性値の数と等しい。類似度の値が１に近いほど、推論対象属性情報４１２と既知の人物の属性情報とが類似していると判定できる。
類似度算出部５１０は、ステップＳ３４で算出された類似度に基づき、推論対象属性情報４１２と属性情報が類似する既知の人物を特定する（ステップＳ３５）。ここで、類似度算出部５１０は、例えば、類似度が所定値以上の既知の人物を特定する。また、類似度算出部５１０は、類似度が最大の人物、あるいは、類似度が所定値以上で、かつ、最大の既知の人物を特定してもよい。
例えば、類似度算出部５１０は、図１８の推論対象属性情報４１２と図２のデータベース２０１における属性情報とに基づき、推論対象属性情報４１２と属性情報が類似する既知の人物のＩＤ「A002」を特定する。
観測生成部５２０は、類似度算出部５１０により特定された人物の属性情報に基づき、擬似観測論理式４１３を生成し、推論装置４００に出力する（ステップＳ３６）。ここで、観測生成部５２０は、特定された人物が有する各属性値に関する観測式を、推論対象の人物の擬似観測論理式４１３として生成する。
図２０は、第３の実施形態における、擬似観測論理式４１３の例を示す図である。
例えば、観測生成部５２０は、図２のデータベース２０１におけるＩＤ「A002」の人物の属性情報に基づき、図２０のような擬似観測論理式４１３を生成する。
推論装置４００は、第２の実施形態のステップＳ２３と同様に、観測論理式４１１、及び、擬似観測論理式４１３に対する推論を実行する（ステップＳ３７）。
図２１は、第３の実施形態における、推論の例を示す図である。
例えば、推論装置４００は、図２１のように、観測事象から知識を辿ることにより得られる事象を抽出する。
推論装置４００は、抽出された各事象に基づき、推論結果４０２を生成し、ユーザ等へ出力する（ステップＳ３８）。
例えば、推論装置４００は、図２１で抽出された「真となる事象」事象に基づき、推論結果４０２「一郎は、テストを受けたことで、意欲が低下する」を出力する。
以上により、第３の実施形態の動作が完了する。
なお、上述の説明では、観測補完装置５００が、推論対象属性情報４１２と属性情報が類似する既知の人物を特定していた。しかしながら、これに限らず、観測補完装置５００は、推論対象属性情報４１２と属性情報が類似する既知の人物のグループを特定してもよい。この場合、グループは、例えば、ユーザ等により特定の属性で指定される。そして、データベース２０１の属性情報において、当該指定された属性について同じ属性値を有する人物が同じグループに分類される。また、ステップＳ３４において、類似度算出部５１０は、推論対象属性情報４１２とグループの属性情報との類似度を算出する。ここで、グループの属性情報は、例えば、属性情報に含まれる各属性について、グループの人物に対する属性値の平均を算出することにより求められる。また、ステップＳ３５において、類似度算出部５１０は、推論対象属性情報４１２と属性情報が類似するグループを特定する。さらに、ステップＳ３６において、観測生成部５２０は、例えば、特定されたグループの人物の全てが有する属性値に関する観測式を、推論対象の人物の擬似観測論理式４１３として生成する。
次に、第３の実施形態の効果について説明する。
第３の実施形態によれば、知識取得・更新対象の人物以外の新たな人物についても、人物の特徴を考慮した推論を行うことができる。その理由は、推論装置４００が、新たな人物と属性値が類似した既知の人物の属性値を有することを示す事象、及び、当該新たな人物の状況または状態に関する事象を、当該新たな人物の観測事象として、推論を行うためである。
以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
例えば、上述の各実施形態では、推論に用いられる知識が、学習サービスにおける学習に関する知識である場合を例に説明した。しかしながら、人物の状況や状態に関する事象間の関係を表す知識であれば、推論に用いられる知識は、学習サービス以外の他の知識でもよい。
本発明は、人物の状況や状態に関して観測された事象に対して推論を行うサービスに広く適用できる。例えば、本発明は、教育サービスにおいて、学習者個人の状況や状態に応じて適切な教授行動や学習行動を提示する用途に適用できる。また、本発明は、医療サービスや介護サービスにおいても、患者や被介護者個人の状況や状態に応じて、適切なストレス低減措置を提示する用途に適用できる。
１ 推論システム
１００ 知識取得装置
１０１ ＣＰＵ
１０２ 記憶デバイス
１０３ 入出力デバイス
１０４ 通信デバイス
１１０ データ入力部
１２０ 取得部
１３０ 更新部
１４０ 知識表現語彙記憶部
１５０ 範囲語彙記憶部
２００ データベース記憶装置
２０１ データベース
３００ 知識ベース記憶装置
３０１ 知識ベース
４００ 推論装置
４０１ 観測論理式
４０２ 推論結果
４１１ 観測論理式
４１２ 推論対象属性情報
４１３ 擬似観測論理式
５００ 観測補完装置
５１０ 類似度算出部
５２０ 観測生成部

Claims (8)

  1. 人物に関する事象間の関係を表す知識を取得する取得手段と、
    複数の人物の各々が有する属性値に基づき、当該複数の人物の内の前記知識が成立する人物が有する属性値を特定し、当該特定された属性値を有する人物に対して当該知識が成立するように当該知識を更新し、出力する、更新手段と、
    を備えた、知識取得装置。
  2. 前記知識は前提の事象と帰結の事象とを含み、
    前記更新手段は、前記知識における前記前提の事象に、前記特定された属性値を有することを示す事象を連言として加えることにより、前記知識を更新する、
    請求項１に記載の知識取得装置。
  3. 前記更新手段は、前記複数の人物の内の前記知識が成立する人物が有する属性値の内、前記事象間の関係に影響する属性値を特定し、当該特定された属性値を有する人物に対して当該知識が成立するように当該知識を更新する、
    請求項１または２に記載の知識取得装置。
  4. 請求項１乃至３のいずれかに記載の知識取得装置と、
    人物について観測された事象に対して、前記知識取得装置により更新された知識に基づき推論を行う、推論装置と、
    を備えた、
    推論システム。
  5. 前記推論装置は、前記複数の人物の内のいずれかの人物について、当該人物の属性値を有することを示す事象、及び、当該人物の状況や状態に関する事象を、当該人物について観測された事象として、推論を行う、
    請求項４に記載の推論システム。
  6. 前記推論装置は、新たな人物について、前記複数の人物から特定された、当該新たな人物と類似した属性値を有する人物の属性値を有することを示す事象、及び、当該新たな人物の状況や状態に関する事象を、当該新たな人物について観測された事象として、推論を行う、
    請求項４に記載の推論システム。
  7. 人物に関する事象間の関係を表す知識を取得し、
    複数の人物の各々が有する属性値に基づき、当該複数の人物の内の前記知識が成立する人物が有する属性値を特定し、当該特定された属性値を有する人物に対して当該知識が成立するように当該知識を更新し、出力する、
    知識取得方法。
  8. コンピュータに、
    人物に関する事象間の関係を表す知識を取得し、
    複数の人物の各々が有する属性値に基づき、当該複数の人物の内の前記知識が成立する人物が有する属性値を特定し、当該特定された属性値を有する人物に対して当該知識が成立するように当該知識を更新し、出力する、
    処理を実行させるプログラムを格納する、コンピュータが読み取り可能な記録媒体。
JP2019542888A 2017-09-21 2017-09-21 知識取得装置、知識取得方法、及び、プログラム Active JP6888683B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/034077 WO2019058479A1 (ja) 2017-09-21 2017-09-21 知識取得装置、知識取得方法、及び、記録媒体

Publications (2)

Publication Number Publication Date
JPWO2019058479A1 true JPWO2019058479A1 (ja) 2020-08-13
JP6888683B2 JP6888683B2 (ja) 2021-06-16

Family

ID=65810671

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019542888A Active JP6888683B2 (ja) 2017-09-21 2017-09-21 知識取得装置、知識取得方法、及び、プログラム

Country Status (3)

Country Link
US (1) US20200250551A1 (ja)
JP (1) JP6888683B2 (ja)
WO (1) WO2019058479A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019064600A1 (ja) * 2017-09-29 2019-04-04 日本電気株式会社 仮説検証装置、仮説検証方法、及びコンピュータ読み取り可能な記録媒体
JP7019875B1 (ja) * 2021-01-15 2022-02-15 三菱電機株式会社 情報処理装置、及び情報処理方法
US20240144053A1 (en) * 2021-03-11 2024-05-02 Nec Corporation Inference analysis apparatus, inference apparatus, inference analysis method, and computer-readable recording medium

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4432547B2 (ja) * 2004-03-09 2010-03-17 株式会社デンソー 推論システム
US11127020B2 (en) * 2009-11-20 2021-09-21 Palo Alto Research Center Incorporated Generating an activity inference model from contextual data

Also Published As

Publication number Publication date
JP6888683B2 (ja) 2021-06-16
US20200250551A1 (en) 2020-08-06
WO2019058479A1 (ja) 2019-03-28

Similar Documents

Publication Publication Date Title
Cantabella et al. Analysis of student behavior in learning management systems through a Big Data framework
US9753986B2 (en) Multi-dimensional feature merging for supporting evidence in a question and answering system
US10832012B2 (en) Method executed in translation system and including generation of translated text and generation of parallel translation data
CN110517785A (zh) 相似病例的查找方法、装置及设备
CN112216359B (zh) 医疗数据校验方法、装置及电子设备
Cassi et al. How to evaluate the degree of interdisciplinarity of an institution?
US20150356456A1 (en) Real-Time or Frequent Ingestion by Running Pipeline in Order of Effectiveness
JP2018194804A (ja) 機械学習フレームワークを運用する方法、装置、及びコンピュータプログラム
JP6888683B2 (ja) 知識取得装置、知識取得方法、及び、プログラム
KR20140067697A (ko) 협업 파트너 검색 서비스를 제공하는 시스템 및 방법
US20160371346A1 (en) Method and apparatus for analyzing online social networks
JP2015166975A (ja) 注釈情報付与プログラム及び情報処理装置
Weng et al. Construction and application of teaching system based on crowdsourcing knowledge graph
Xie et al. The Chinese version of the Digital Stress Scale: Evaluation of psychometric properties
Le et al. Knowledge representation for designing an Intelligent Tutoring System in learning of courses about Algorithms
CN108550019A (zh) 一种简历筛选方法及装置
Islam et al. Robustness stress testing in medical image classification
US20200342051A1 (en) Artificial intelligence (ai) based generation of data presentations
Al-Abri et al. Aggregation and mapping of social media attribute names extracted from chat conversation for personalized e-learning
JP6129393B1 (ja) コンピテンシー目標設定支援装置，支援方法，及び支援プログラム
Huang et al. Enhancing uml class diagram abstraction with knowledge graph
JP2016134079A (ja) 分析プログラム、分析方法及び分析装置
US20190188318A1 (en) Generating and using multiple representations of data objects in computing systems and environments
Adhikari et al. Gender mobility in the labor market with skills-based matching models
JP7236711B1 (ja) プログラム、方法、情報処理装置、システム

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200207

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200207

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: 20210420

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210503

R150 Certificate of patent or registration of utility model

Ref document number: 6888683

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150