WO2014083655A1 - ネットワークグラフ生成方法及び意思決定支援システム - Google Patents

ネットワークグラフ生成方法及び意思決定支援システム Download PDF

Info

Publication number
WO2014083655A1
WO2014083655A1 PCT/JP2012/080945 JP2012080945W WO2014083655A1 WO 2014083655 A1 WO2014083655 A1 WO 2014083655A1 JP 2012080945 W JP2012080945 W JP 2012080945W WO 2014083655 A1 WO2014083655 A1 WO 2014083655A1
Authority
WO
WIPO (PCT)
Prior art keywords
network graph
network
time
graph
generation
Prior art date
Application number
PCT/JP2012/080945
Other languages
English (en)
French (fr)
Inventor
加藤　猛
幸二 福田
真生 濱本
泰幸 工藤
水野　弘之
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US14/646,119 priority Critical patent/US20150324482A1/en
Priority to PCT/JP2012/080945 priority patent/WO2014083655A1/ja
Priority to JP2014549704A priority patent/JP5964450B2/ja
Publication of WO2014083655A1 publication Critical patent/WO2014083655A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Definitions

  • the present invention relates to a method for generating a network graph composed of vertices and edges or nodes and links, and a decision support system, and more particularly, to create a network graph or scenario map using big data suitable for a decision support system. Concerning the raw method.
  • an event sequence that presupposes a certain context is called a scenario
  • an important event or situation that triggers the transition of the scenario is regarded as a chance
  • decision making is a scenario selection in chance .
  • a scenario presentation method a scenario map such as a network graph or a potential map that visualizes the frequency and frequency of co-occurrence of events is used, and KeyGraph and KeyBird are known as such tools.
  • Non-Patent Document 1 “Polaris” as an integrated data mining tool for chance discovery presents scenario maps that have occurred from the past to the present.
  • Non-Patent Document 2 performs future prediction by scenario history analysis as a chance discovery method, and
  • Non-Patent Document 3 visualizes hidden events that cannot be observed by data crystallization.
  • Patent Document 1 in a computer-based collaboration, the communication data of participants is visualized on a network graph using a chance discovery method, thereby presenting the theme and composition of communication and supporting the collaboration.
  • Patent Document 2 in extracting knowledge from a text database, the association between associative data is not obtained by extracting associative networks having a predetermined co-occurrence relationship from the database and aggregating synonyms. The difference is clarified and useful knowledge is extracted.
  • Patent Document 3 in a language processing system such as machine translation, the ambiguity in parsing is eliminated by learning the hierarchical relationship between words and the co-occurrence of words and concepts as a network graph structure called a conceptual hierarchy tree. This makes language processing more efficient.
  • the social system is an autopoiesis system based on a communication chain consisting of information, transmission, and understanding.
  • chance discovery is the human and computer that make up society. It is a double spiral process consisting of awareness, understanding, idea, and action by interaction.
  • the decision support system can be thought of as a double-spiral autopoiesis system based on human-computer collaboration.
  • Computers are limited in their rationality for uncertain futures while adapting to changes in humans and the environment. It is necessary to provide services that satisfy the satisfaction principle.
  • Non-Patent Document 2 predicts an event occurring in the future by comparing the history of scenario maps from the past to the present, Patent Document 1 visualizes a network graph of communication, and Patent Document 2 discloses an associative co-occurrence network. In Patent Document 3, the concept hierarchy network is learned. However, none of them presents the future scenario itself.
  • An object of the present invention is to provide a network graph generation method for creating various scenarios that can occur in the future, and to provide decision support by presenting various network graphs that satisfy the satisfaction principle for an uncertain future. It is to provide a decision support system.
  • a network graph generation method using a decision support system includes a condition input reception function, a data collection function, a graph generation function, a simulation function, and a database, and a network graph generation condition Based on the input generation condition, data related to a specific context is collected and accumulated in the database, and based on the collected data related to the specific context, from past to present corresponding to the generation condition
  • a first network graph at a first time is generated, and a second time from a past to a current time corresponding to the generation condition is different from the first time based on the collected data regarding the specific context.
  • 2 network graphs, and the first network Based on the network graph and the second network graph, and generates a simulation corresponding to the third network graph in a third time in the virtual in the producing conditions.
  • a variety of network graphs at a new time that is, scenario maps, are created and presented to a user who is a decision-making body, so that the user can make a satisfactory decision for an uncertain future. There is an effect to support.
  • FIG. 1 is a configuration diagram of a decision support system to which a network graph generation method according to a first embodiment of the present invention is applied.
  • FIG. 3 is a flowchart illustrating a network graph generation method according to the first embodiment.
  • FIG. 3 is a diagram illustrating an example of network graph display according to the first embodiment. It is a flowchart explaining the network graph production
  • FIG. It is the figure which showed the production
  • the present invention satisfies the satisfaction principle for an uncertain future by using big data and presenting various scenarios that can occur in the future to human beings as decision makers as a bundle of possibilities. It provides decision support services and realizes an autopoiesis decision support system based on cooperation between humans and computers.
  • the decision support system generates first and second network graphs composed of vertices and edges or nodes and links at several times from the past to the present. Then, based on this, there is provided means for generating a third network graph at another virtual time and presenting it as a scenario map. More preferably, the future scenario map is presented by setting the virtual time to the future ahead of the present. In the means for presenting the first and second network graphs from the past to the present and the newly generated third network graph of the future, a variety of network graphs are displayed in accordance with the time designation of the time slider and the selection of the generation method. To display.
  • the first and second network graphs are developed to the future based on changes (differences) from the past to the present, or by growing, derivation, alternation, or disturbance.
  • data collection conditions and simulation conditions are input from a client, and the server generates first and second network graphs from the past to the present based on the data.
  • a third network graph of time is newly generated by simulation, and the first to third network graphs are displayed on the client.
  • FIG. 1 is a configuration diagram of a decision support system to which a network graph generation method according to a first embodiment of the present invention is applied.
  • the decision support system 1 is a client server system including a plurality of servers 10 0 to 10 n , a client 20, a network 30, and a database 40.
  • the plurality of servers 10 0 to 10 n are distributed processing systems in which the server 10 0 is a master and the servers 10 1 to 10 n are workers, and each includes a plurality of processors 11 0 to 11 n and a plurality of memories 12 0 to 12. n and a plurality of network interfaces 18 0 to 18 n .
  • Each of the memories 12 0 to 12 n carries a plurality of programs 13 0 to 13 n for causing the computer (processor) to realize various functions. That is, on the plurality of distributed processing platforms 17 0 to 17 n , the data collection programs 14 0 to 14 n for causing the computer to realize the data collection function, and the plurality of network graph generation programs 15 for realizing the graph generation function. 0 to 15 n and a plurality of simulation programs 16 0 to 16 n for realizing the simulation function.
  • the simulation program to allow the presentation of a variety of network graph in a third time of a plurality of types of simulates virtual based on different prediction methods, different types of simulation program, a plurality of servers 10 0 To 10 n each.
  • the client 20 includes a processor 21, a memory 22, a network interface 28, and a display 29.
  • the memory 22 carries a plurality of programs 23 for causing a computer (processor) to realize various functions. That is, the data collection condition input unit 24 and the simulation condition input unit 25 for realizing the generation condition input reception function as an interface of the user terminal 50 on the computer, and the network graph display condition input unit for realizing the display condition input reception function 26, a network graph display unit 27 is provided.
  • the user terminal 50 and the decision support system 1 are interactively coordinated by causing the user terminal 50 to input data collection conditions, input simulation conditions and methods, and input network graph display conditions. be able to.
  • the network graph display unit 27 outputs and displays the generation result of the network graph on the screen of the display 29.
  • the network 30 connects a plurality of servers 10 0 to 10 n and a plurality of network interfaces 18 0 to 18 n and 28 of the client 20 to constitute a client server system.
  • the database 40 stores data from the past to the present, and supplies data necessary for decision making to the plurality of servers 10 0 to 10 n via the network 30.
  • FIG. 2A is a flowchart illustrating the network graph generation method according to the first embodiment of the present invention.
  • the flowchart 200 starts from step 201.
  • the user first inputs a network graph generation condition from the terminal 50 to the client 20.
  • the conditions for generating the network graph include a data collection condition 24 such as “context” and a simulation condition 25 in which a plurality of types of simulations are selected or combined.
  • the user can input display conditions of the network graph to the client 20 from the terminal 50 as necessary.
  • the client 20 receives an input of production conditions and display conditions of the network graph, and transmits the server (master) to 10 0 via the network.
  • step 203 the server (master) 10 0, the data collection condition 24 from the client 20 receives the plurality of simulation conditions 25, to expand the distributed processing foundation 17 0 ⁇ 17 n of the plurality of servers 10 0 ⁇ 10 n.
  • a plurality of servers (workers) 10 1 to 10 n execute data collection 14 0 to 14 n that meets the data collection condition 24 from the database 40.
  • the data in the database 40 varies according to the decision-making target, such as text, images, moving images, and sensor data. These data are systematized in the form of “context” and “content” included therein.
  • Web search engines and social media can be used as data collection methods.
  • a plurality of servers (workers) access an external Web search engine via a network and collect data that meets the data collection conditions. In this manner, data from the past to the present is collected for a specific context based on the input collection condition 24.
  • a plurality of servers (workers) 10 1 to 10 n generate network graphs (first graph generation) at the past first time t 1 based on the collected data 14 0 to 14 n , and from past to present t. up to 2 (current or current near) the second generation network graph at time t 2 (second graph generation) executes 15 0 ⁇ 15 n.
  • Network graph in a first time t 1 of the past the actual history, i.e., past the first time t actually occurring was a scenario map facts 1, i.e., generates a network graph, from the past to the present .
  • the network graph in a second time t 2 also, for example, the fact that occurred in the past or at the second time t 2, can be realized by a method for generating a scenario map based on history.
  • Non-Patent Document 1 As a means for generating a network graph at the first time t 1 and the second time t 2, the methods described in Non-Patent Document 1 and Non-Patent Document 2 may be used.
  • the first time t 1 and the second time t 2 are respectively the first time zone (t 11 to t 1n ) and the second time zone (t 21 to t 2n ) each including one or more time points.
  • step 206 the servers (workers) 10 1 to 10 n execute simulations 16 0 to 16 n that meet the simulation condition 25 based on the collected data 14 0 to 14 n .
  • step 207 the servers (workers) 10 1 to 10 n third time (arbitrary time in the past or future) network graph generation in t 3 (third graph generation) 15 but the virtual not included from the simulation execution results 16 0 ⁇ 16 n to the collected data 14 0 ⁇ 14 n 0 to 15 n are executed.
  • step 208 the server (master) 10 0 aggregates network graph generation result 15 0 ⁇ 15 n in step 205 and step 207 from the server (worker) 10 1 ⁇ 10 n, the server (master) 10 0
  • step 209 Network graph generation results (first to third graph generation results) 15 0 to 15 n are transmitted to the client 20.
  • Step 210 the client 20 receives the network graph generation results 15 0 to 15 n and senses it.
  • Step 211 the user inputs the network graph display condition 26 from the client 50 from the terminal 50.
  • step 212 the client 20 executes the network graph display 27 on the display 29 in accordance with the display condition 26, and informs the user 50 of the past first time t 1 , second time t 2, and virtual first time not included therein.
  • Network graph generation results (first to third graph generation results) 15 0 to 15 n at time t 3 of 3 are presented as scenario maps.
  • step 213 if the user 50 needs to change the network graph display condition 26, the process returns to step 211 again. If not, the process moves to the next step 214.
  • step 214 if the user is satisfied with the network graph display result 27 as a decision-making option, that is, the scenario map presentation result, the process proceeds to the next step 215 and ends. If not satisfied, the process returns to step 202 again to return to the network graph. Redo generation (first to third graph generation).
  • the first network graph at the first time from the past to the present and the second network graph at the second time different from the first time are obtained.
  • a simulation corresponding to the generation condition is executed to generate a third network graph at a virtual third time.
  • FIG. 2B An example of the network graph display 27 in step 212 of FIG. 2A is shown in the display screen example 60 of FIG. 2B.
  • the display screen 60 includes three screens corresponding to a past first time t 1 , a current or current second time t 2, and a future (or any past) third time t 3.
  • Each screen 61 includes a time slider 62 and a network graph display unit 63.
  • step 211 when the user designates time (black portion) on the time slider 62 via the terminal 50, in step 212, the network graph generation result (first to third graph generation results) 15 corresponding to the time is displayed. 0 to 15 n are extracted and the network graph display 27 is executed.
  • the left screen displays the network graph 71 (first graph generation result) at the past first time t 1 designated by the time slider 62, and the center screen displays the given context.
  • second displays network chart 72 at time t 2 (second graph generation result), the network graph 73 of the third time t 3 when specified by the time slider 62 on the right side of the screen time slider 62 is designated (second 3 graph generation result).
  • the network graph display unit 27 outputs and displays the network graph generation result on the display screen 60 of the display 29.
  • the extracted texts are the vertices
  • the magnitude relation of the frequency of the text data is the size of each vertex
  • the network graphs 71 to 73 change with time transition from the past t 1 to the present t 2 and to the future t 3 .
  • the text data name corresponding to each vertex is also displayed on the display screen 60, this display is abbreviate
  • a new network graph 73 at a virtual time (third time t 3 ) as a scenario map to the user terminal 50 a decision-making option for an uncertain future constrained by a rational limit is provided.
  • the effect of supporting the user's awareness and understanding can be enhanced. That is, by creating various network graphs, that is, scenario maps in the virtual time (third time) and presenting them to the user, it is possible to support satisfactory decision making for an uncertain future.
  • the network graphs 71 to 73 that is, the scenario map, are drawn with the frequency of data appearing as vertices and the co-occurrence degree as sides, but they may be drawn as potential maps or mind maps.
  • the distributed processing infrastructures 17 0 to 17 n are configured to use big data.
  • the simulation programs 16 0 to 16 n that operate on the distributed processing infrastructures 17 0 to 17 n are network graphs composed of enormous vertices and edges. It is necessary to generate multi-agent simulation and asynchronous parallel computation using actor model.
  • the client server system is configured so that the client 20 is responsible for the user interface and the servers 10 0 to 10 n are responsible for network graph generation calculation. However, it is also possible to perform distributed processing including a large number of clients.
  • the system configuration is not limited to that shown in the first embodiment.
  • time slider 62 as a method of the network graph display condition input 26, it is possible to continuously grasp the transition of the network graphs 71 to 73 from the past to the present and the future and deepen insight into the future.
  • the time slider 62 not only the time but also the time width (time zone) is changed to present a scenario map in a bird's-eye view or locally, or the time map is automatically sent to display a scenario map as a new movie in decision making. Awareness is more likely to be induced.
  • scenario maps as alternative options using big data, increasing the degree of freedom of decision-making and expanding opportunities to find opportunities, and displaying scenario maps according to time sliders and options It has the effect of helping the awareness and understanding of human beings as decision makers.
  • FIG. 3 is a flowchart illustrating a network graph generation method according to the second embodiment.
  • 4A to 4H are diagrams showing examples of the display screen of the client 20.
  • the configuration of the hardware for realizing the second embodiment, that is, the decision support system may be the same as that of the decision support system 1 of the first embodiment shown in FIG. For simplicity, description of the system configuration is omitted.
  • FIG. 4A shows a new search screen 401 on the display 400, in which input boxes 402 to 406 and a search start button 407 are displayed.
  • text data collection conditions are entered in the input box 402
  • a start date 403, end date 404, number of steps 405, maximum number of sheets 406, etc. are entered and a start button 407 is pressed, data collection, simulation, and network are performed according to default settings.
  • Graph generation is performed.
  • the search term “big data” is entered in the input box 402 as a text data collection condition.
  • the number of steps 405 represents the unit period of search processing and simulation as in June
  • the maximum number 406 represents the maximum number of screens to be output.
  • step 302 in FIG. 3 text data is collected by the search engine based on the set search word, and in step 303, the frequency and co-occurrence of words constituting the text data are calculated by morphological analysis.
  • network graph generation data first and second graph generation data
  • step 303 branches to four simulations of growth, derivation, substitution, and disturbance according to the conditions of the future scenario set by the user.
  • step 304 growth of the future scenario
  • the simulation prediction method may be selected from regression analysis method, moving average method, exponential smoothing method, and the like, and the influence of periodicity and causal may be considered.
  • step 320 a re-search is performed with the word-word co-occurrence pair (step 324), and the two words constituting the co-occurrence pair are replaced with one other highly co-occurrence word (step 325).
  • the process returns to step 324 to repeat the search.
  • step 330 disurbance
  • the frequency of words is randomly or probabilistically increased (step 334), and when the frequency of words exceeds a threshold according to a predetermined rule, the word co-occurs.
  • the frequency of occurrence is distributed according to the degree of co-occurrence (step 335), and the process returns to step 334 according to the simulation conditions to repeat the stacking.
  • This method follows a complex sandstone avalanche model, but other earthquake models may be used.
  • FIG. Shows the situation.
  • the thickness of the line between characters represents the co-occurrence with the search term “BIC data”, and the thickness of the character itself represents the frequency of occurrence.
  • the display of lines is omitted for those with a low degree of co-occurrence.
  • the interval between the target periods of the first and second graphs only needs to be suitable for the next simulation.
  • FIGS. 4B and 4C will be described as first graph generation data
  • FIGS. 4D and 4E will be described as second graph generation data.
  • the network graph 450 in the step of FIG. 4F (October 2012 to March 2013)
  • the vendors 451 and platforms 452 for “big data” are beginning to spread.
  • social media 462 in the step of FIG. 4G (October 2013 to March 2014)
  • social media 462 appears in addition to sensors and Google (registered trademark) 461.
  • the use of social media 471 also progresses.
  • the second embodiment it is possible to make a satisfactory decision for an uncertain future by creating various network graphs, that is, scenario maps, at a new time.
  • various scenario maps as alternative options, the degree of freedom of decision-making is increased and opportunities for finding opportunities are expanded.
  • scenario maps according to time sliders and options, it is a decision-making entity. It has the effect of supporting human awareness and understanding.
  • steps 304 to 308 are historically developed along the trend and periodicity
  • steps 310 to 318 are systematically differentiated
  • steps 320 to 328 are genetically altered
  • steps 330 to 338 are caused by natural selection and can occur in the future.
  • Simple scenario maps can be presented as network graphs (growth, derivation, alternation, disturbance), and are useful for decision support services and context-aware services.
  • the network graph is generated based on the ecosystem analogy, but an approach such as pattern language or game theory may be introduced to the network graph generation.
  • text data was taken as an example of “context”, but time series data such as stock prices, distribution, traffic, and earthquakes, design pattern data such as cities, buildings, and software, social media, communities, and companies
  • the graph generation method by simulation similar to the second embodiment or the like can be extended to network data such as an organization.
  • Example 3 shows another example of the display screen of the network graph 500 that is generated by the processing of Example 1 or Example 2 and displayed on the display 29.
  • FIG. 5 is a time series transition diagram of the network graph of the third embodiment, and is a schematic diagram in which display screens of the network graph 500 are arranged in time series along the time axis 501 from the past to the present and the future.
  • the network graph 510 is a plurality of first graphs generated based on historical data from the past to the present
  • the network graph 511 is a plurality of second graphs generated based on historical data from the past to the present.
  • the network graphs 521 to 524 are graphs of a plurality of future scenarios (third graphs) generated based on the history data, that is, the network graphs 510 and 511, and variously according to the possibility of occurring in the future. Branched.
  • the plurality of network graphs 512 and 513 are possible past graphs (third graphs) generated based on a plurality of historical data 510 and 511 from the past to the present or retroactively from the current situation,
  • Network graphs 531 to 533 are graphs (third graphs) generated based on the third graphs 512 and 513 from the possible past to the future that can occur.
  • the time axis 501 of the third embodiment shows the flow of time from the past to the future, and the network graphs 510 and 511 are displayed along the time axis 501 of absolute time, but the network graphs 512, 513, and 521 to 524 are displayed. 531 to 533 are displayed along the time axis 501 of absolute time or relative time according to the graph generation method.
  • network graphs 510 to 513, 521 to 524, and 531 to 533 are generated according to data collection conditions and simulation conditions, and displayed on the screen of the display 29 according to the graph display conditions. Visualize various future scenarios and contribute to opportunity discovery and decision making.
  • the fourth embodiment according to the present invention shows another example of the display screen of the network graph displayed on the display 29 of the client of the first embodiment.
  • 6A and 6B are display screen diagrams illustrating the network graph generation method according to the fourth embodiment, and show screen examples displayed on the display 601 of the client terminal 600 using text data as an example.
  • a system name 610 is displayed.
  • Kairos of the name 610 is the name of the Greek god governing the chance, and the chance is a turning point of an important event sequence (scenario) in decision making, so it is suitable for a system that presents a future scenario.
  • a search word is input as a text data collection condition in the input box 611 and a start button 612 is pressed, data collection, simulation, and network graph generation are executed according to default settings.
  • the search condition pull-up menu 621 is used to input a start date (year / month / day), an end date (year / month / day), and an interval date (year / month / day).
  • a processing condition pull-up menu 622 is used to process the searched text data. Unification of character types, unification of synonyms, unnecessary word filters, and user-specified check boxes are selected. In the future scenario pull-up menu 623, growth, derivation, alternation, disturbance, and user-specified check boxes are selected as simulation conditions.
  • a network graph (third graph) 631 is displayed in accordance with the graph display conditions of the time slider 640, the operation setting button 641, and the future scenario selection unit 642 in the network graph display unit 630 of the display 601 in FIG.
  • the network graph 631 represents text (abbreviated as A to J for the sake of simplicity) as vertices, its frequency of appearance as the size of the vertices, the co-occurrence relationship between the texts as edges, and the co-occurrence as the thickness of the edges This is a scenario map.
  • the network graph 631 is used to specify the playback, step forward, fast forward, reverse playback, step return, rewind, stop, pause, and the operation setting button 641 according to the time slider 640 specifying the time from the past to the present and the future. Accordingly, the future scenario selection unit 642 is displayed according to the growth, derivation, substitution, disturbance, or user-specified check box selection.
  • the fourth embodiment also has the same effect as the first to third embodiments.
  • data collection conditions, simulation conditions, and graph display conditions are interactively input from the client terminal 600 shown in the fourth embodiment via the display 601, and the scenario map search and decision making are linked while the client, that is, the human and the computer cooperate. By doing so, it is possible to realize an autopoiesis system that will develop into the future.
  • the client terminal 600 shown in the fourth embodiment is assumed to be a graphic user interface such as a tablet terminal or a portable terminal.
  • a non-verbal interface by voice or gesture a multi-user interface for collaborative work, a virtual reality interface, etc. Human computer interaction may be used.

Abstract

　意思決定支援システムは、複数のサーバ、ディスプレイを有するクライアント、ネットワーク、及び、データベースから成るクライアントサーバシステムである。複数のサーバは、クライアントを介して与えられたデータ収集条件に基づき、複数の分散処理基盤の上で、過去から現在に至る第１のデータ群をデータベースから収集し、過去から現在までの時間における第１のネットワークグラフの生成を行う。複数のサーバは、さらに、与えられたシミュレーション条件に基づき、第１のデータ群に基く複数のシミュレーションを実行し、第１のデータ群に含まれない時間或いは未来における第２、第３のネットワークグラフの生成を行う。それらのネットワークグラフの生成結果を受けて、クライアントは、過去から現在そして未来に亘る第１～第３のネットワークグラフをディスプレイに表示し、ユーザへシナリオマップとして提示する。

Description

ネットワークグラフ生成方法及び意思決定支援システム
　本発明は、頂点と辺或いはノードとリンクにより構成されるネットワークグラフの生成方法及び意思決定支援システムに係り、特に、意思決定支援システムに好適な、ビッグデータを活用したネットワークグラフ即ちシナリオマップの創生方法に関する。
　インターネット、ソーシャルメディア、センサネット、携帯端末など情報通信の急激な発展に伴い、そこから生まれるビッグデータを統計解析やデータマイニングにより意思決定に活用する動きが盛んになっている。
　例えば、チャンス発見手法では、或るコンテキストを前提とする事象系列をシナリオと呼び、シナリオを遷移させる切っ掛けとなる重要な事象や状況をチャンスと捉え、意思決定をチャンスにおけるシナリオの選択であるとする。シナリオの提示方法として、事象の頻出度と共起度を可視化したネットワークグラフやポテンシャルマップなどのシナリオマップを用いており、そのツールとしてＫｅｙＧｒａｐｈやＫｅｙＢｉｒｄが知られている。
　非特許文献１では、チャンス発見のための統合型データマイニングツールとしての”Polaris”により、過去から現在までに生起したシナリオマップを提示している。また、非特許文献２では、チャンス発見手法としてシナリオの履歴分析による未来予測を行ない、非特許文献３では、データ結晶化により観測できない隠れ事象の可視化を行なっている。
　特許文献１では、コンピュータベースのコラボレーションにおいて、チャンス発見手法を用いて参加者のコミュニケーションデータをネットワークグラフで可視化することにより、コミュニケーションの主題や構成を提示してコラボレーションを援けている。
　特許文献２では、テキストデータベースからの知識抽出において、単なる連想データの提示でなく、データベースから所定の共起関係にある連想ネットワークを抽出して同義語を集約することにより、連想データ間の関係や相違を明確化して有用な知識を抽出している。
　特許文献３では、機械翻訳などの言語処理システムにおいて、単語間の概念の階層関係と単語及び概念の共起度を概念階層木というネットワークグラフ構造として学習することにより、構文解析における曖昧性を解消して言語処理を効率化している。
米国特許２００５／０２７６４７９号公報 特開平０６－１６８１２９号公報 特開平０９－３０５６０８号公報
Okazaki, N. and Ohsawa, Y., "Polaris: An Integrated Data Miner for Chance Discovery", in Workshop of Chance Discovery and Its Management (in conjunction with International Human Computer Interaction Conference (HCI2003)), pp. 27-30, Crete, Greece (2003) Ohsawa, Y., "KeyGraph as Risk Explorer from Earthquake Sequence", Journal of Contingencies and Crisis Management (Blackwell) Vol. 10, No. 3, pp. 119-128 (2002) Ohsawa, Y., "Data Crystallization: A Project Beyond Chance Discovery for Discovering Unobservable Events", IEEE International Conference on Granular Computing, Beijin (2005), Vol. 1, pp. 51-56
　サイモンの意思決定論によれば、社会システムや経済システムなどの複雑系に関わる非定型的意思決定は情報収集能力と情報処理能力の合理性限界に制約され、未来を正確に予測することができない。このため、一定の目標水準を満たす代替案の中から満足化原理に基く意思決定を行なう必要がある。
　ルーマンの社会システム理論によれば、社会システムは情報、伝達、理解から成るコミュニケーションの連鎖によるオートポイエーシスシステムであり、大澤（Ohsawa）の意思決定手法によればチャンス発見は社会を構成する人間とコンピュータのインタラクションによる気付き、理解、発案、行動から成る二重螺旋プロセスである。
　両者を合わせれば、意思決定支援システムとは、人間とコンピュータの協調による二重螺旋のオートポイエーシスシステムと考えられ、コンピュータは人間や環境の変化に適応しつつ不確実な未来に対して合理性限界の中で満足化原理を満たすサービスを提供する必要がある。
　これからの意思決定支援システムでは、合理性限界の下で不確実な未来に対して限られた情報と能力と時間で、人間が気付かない多様なシナリオを分かりやすく提示することが重要になる。
　しかしながら、上記先行技術文献に記載された従来のシナリオマップは、過去から現在までの事象の提示とそこからのシナリオの分析や変成に留まっている。
　例えば、非特許文献２では過去から現在までのシナリオマップの履歴を比較することにより未来に生起する事象を予測し、特許文献１ではコミュニケーションのネットワークグラフを可視化し、特許文献２では連想共起ネットワークを抽出し、特許文献３では概念階層ネットワークを学習している。しかし、いずれも、未来のシナリオそのものを提示している訳ではない。
　本発明の課題は、未来に生起し得る多様なシナリオを創生するネットワークグラフ生成方法、及び、不確実な未来に対して満足化原理を満たす多様なネットワークグラフを提示し意思決定の支援を行う意思決定支援システムを提供することにある。
　本発明の代表的なものの一例を示すと、次の通りである。意思決定支援システムを用いたネットワークグラフ生成方法であって、前記意思決定支援システムは、条件入力受け付け機能、データ収集機能、グラフ生成機能、シミュレーション機能、及び、データベースを備えており、ネットワークグラフ生成条件の入力を受け付け、入力された前記生成条件に基づき、特定のコンテキストに関するデータを収集して前記データベースに蓄積し、前記特定のコンテキストに関する収集データに基づき、前記生成条件に対応する過去から現在までの第１の時間における第１のネットワークグラフを生成し、前記特定のコンテキストに関する収集データに基づき、前記生成条件に対応する、前記第１の時間とは異なる過去から現在までの第２の時間における第２のネットワークグラフを生成し、前記第１のネットワークグラフと前記第２のネットワークグラフとに基き、仮想の第３の時間における第３のネットワークグラフを前記生成条件に対応するシミュレーションにより生成することを特徴とする。
　本発明によれば、新たな時間における多様なネットワークグラフすなわちシナリオマップを創生し、意思決定主体であるユーザに提示することにより、不確実な未来に対してユーザが満足な意思決定を行うのを支援する効果がある。
本発明による実施例１のネットワークグラフ生成方法を適用した、意思決定支援システムの構成図である。 実施例１のネットワークグラフ生成方法を説明する、フローチャートである。 実施例１のネットワークグラフ表示の例を示した図である。 本発明による実施例２のネットワークグラフ生成方法を説明する、フローチャートである。 実施例２におけるディスプレイの新規検索の画面を示す図である。 第１のネットワークグラフの生成過程を示した図である。 第１のネットワークグラフの生成過程を示した図である。 第２のネットワークグラフの生成過程を示した図である。 第２のネットワークグラフの生成過程を示した図である。 第３のネットワークグラフ（成長）の生成過程を示した図である。 第３のネットワークグラフ（成長）の生成過程を示した図である。 第３のネットワークグラフ（成長）の生成過程を示した図である。 本発明による実施例３のネットワークグラフの時系列推移図である。 本発明による実施例４のネットワークグラフ生成方法を説明する、ディスプレイ画面図である。 実施例４のネットワークグラフ生成方法を説明する、ディスプレイ画面図である。
　本発明は、ビッグデータを活用し、未来に生起し得る多様なシナリオを可能性の束として意思決定主体である人間に対して提示することにより、不確実な未来に対して満足化原理を満たす意思決定支援サービスを提供し、人間とコンピュータの協調によるオートポイエーシスな意思決定支援システムを実現するものである。
　本発明の代表的な実施形態によれば、意思決定支援システムは、過去から現在までの幾つかの時間における、頂点と辺或いはノードとリンクにより構成される第１、第２のネットワークグラフを生成し、これに基いて他の仮想の時間における第３のネットワークグラフを生成してシナリオマップとして提示する手段を備える。さらに望ましくは、仮想の時間を現在より先の未来に設定して未来のシナリオマップを提示する。  
　過去から現在までの第１、第２のネットワークグラフと新たに生成した未来の第３のネットワークグラフを提示する手段では、タイムスライダの時間指定や生成方法の選択に応じて多様なネットワークグラフをグラフィックに表示する。  
　未来のネットワークグラフを生成する手段では、例えば、過去から現在までの変化（差分）に基いて第１、第２のネットワークグラフを未来へ発展させ、或いは成長、派生、交代、または撹乱させることにより、多様な未来の第３のネットワークグラフを生成する。  
　ネットワークグラフを生成するためのクライアントサーバシステムでは、クライアントからデータ収集条件やシミュレーション条件を入力し、サーバがデータに基いて過去から現在までの第１、第２のネットワークグラフを生成すると共に、仮想の時間の第３のネットワークグラフをシミュレーションにより新たに生成し、それら第１乃至第３のネットワークグラフをクライアントに表示する。
　以下、本発明によるネットワークグラフ生成方法の実施形態の詳細を、図面と共に説明する。
　図１は、本発明の実施例１によるネットワークグラフ生成方法を適用した意思決定支援システムの構成図である。意思決定支援システム１は、複数のサーバ１００～１０ｎ、クライアント２０、ネットワーク３０、データベース４０から成るクライアントサーバシステムである。
　複数のサーバ１００～１０ｎは、サーバ１００をマスタ、サーバ１０１～１０ｎをワーカとする分散処理システムであり、それぞれ、複数のプロセッサ１１０～１１ｎ、複数のメモリ１２０～１２ｎ、複数のネットワークインタフェース１８０～１８ｎを備えている。各メモリ１２０～１２ｎはそれぞれ、コンピュータ（プロセッサ）に各種の機能を実現させるための複数のプログラム１３０～１３ｎを載せている。すなわち、複数の分散処理基盤１７０～１７ｎ上において、コンピュータに、データ収集機能を実現させるためのデータ収集プログラム１４０～１４ｎ、グラフ生成機能を実現させるための複数のネットワークグラフ生成プログラム１５０～１５ｎ、シミュレーション機能を実現させるための複数のシミュレーションプログラム１６０～１６ｎを備えている。
　なお、シミュレーションプログラムは、異なる予測法に基づく複数種のシミュレーションを行い仮想の第３の時間における多様なネットワークグラフの提示を可能にするために、異なる複数種類のシミュレーションプログラムが、複数のサーバ１００～１０ｎの各々に搭載されている。
　クライアント２０は、プロセッサ２１、メモリ２２、ネットワークインタフェース２８、ディスプレイ２９を備えている。メモリ２２はコンピュータ（プロセッサ）に各種の機能を実現させるための複数のプログラム２３を載せている。すなわち、コンピュータに、ユーザ端末５０のインタフェースとして生成条件入力受け付け機能を実現させるためのデータ収集条件入力部２４やシミュレーション条件入力部２５、表示条件入力受け付け機能を実現させるためのネットワークグラフ表示条件入力部２６、ネットワークグラフ表示部２７を備えている。
　クライアント２０では、ユーザ端末５０にデータ収集条件の入力、シミュレーションの条件の入力や方法の選択、ネットワークグラフ表示条件の入力を行なわせることにより、ユーザ端末５０と意思決定支援システム１をインタラクティブに協調させることができる。ネットワークグラフ表示部２７は、ディスプレイ２９の画面にネットワークグラフの生成結果を出力表示する。
　ネットワーク３０は、複数のサーバ１００～１０ｎとクライアント２０の複数のネットワークインタフェース１８０～１８ｎ、２８を接続してクライアントサーバシステムを構成する。データベース４０は、過去から現在までのデータを格納し、ネットワーク３０を介して複数のサーバ１００～１０ｎへ意思決定に必要なデータを供給する。
　図２Ａは、本発明による実施例１のネットワークグラフ生成方法を説明するフローチャートである。フローチャート２００はステップ２０１から始まり、ステップ２０２では先ずユーザが端末５０からクライアント２０にネットワークグラフ生成の条件を入力する。ネットワークグラフの生成の条件には、「コンテキスト」等のデータ収集条件２４、及び、複数種のシミュレーションを択一的あるいは組み合わせて行うシミュレーション条件２５等がある。また、ユーザは端末５０から、必要に応じて、クライアント２０にネットワークグラフの表示条件も入力できる。クライアント２０はこのネットワークグラフの生成条件や表示条件の入力を受け付け、ネットワーク経由でサーバ（マスタ）１００に送信する。
　ステップ２０３では、サーバ（マスタ）１００が、クライアント２０からデータ収集条件２４、複数のシミュレーション条件２５を受信し、複数のサーバ１００～１０ｎの分散処理基盤１７０～１７ｎに展開する。
　ステップ２０４では、複数のサーバ（ワーカ）１０１～１０ｎがデータベース４０からデータ収集条件２４に合うデータ収集１４０～１４ｎを実行する。データベース４０のデータは意思決定の対象に応じてテキスト、画像、動画、センサデータなど多様であり、これらのデータは「コンテキスト」やそれに含まれる「コンテンツ」等の形で体系化されている。データ収集方法としてＷｅｂ検索エンジンやソーシャルメディアなども活用できる。例えば、複数のサーバ（ワーカ）は、ネットワークを介して外部のＷｅｂ検索エンジンにアクセスし、データ収集条件に合致したデータを収集する。このようにして、入力された収集条件２４に基づき、特定のコンテキストに関して、過去から現在までのデータが収集される。
　ステップ２０５では、複数のサーバ（ワーカ）１０１～１０ｎが収集データ１４０～１４ｎに基づき過去の第１の時間ｔ１におけるネットワークグラフ生成（第１のグラフ生成）、及び過去から現在ｔ２までの（現在若しくは現在寄りの）第２の時間ｔ２におけるネットワークグラフ生成（第２のグラフ生成）１５０～１５ｎを実行する。
　過去の第１の時間ｔ１におけるネットワークグラフは、現実の履歴、すなわち、過去の第１の時間ｔ１に実際に生起した事実をシナリオマップ、すなわち、過去から現在までのネットワークグラフ、として生成する。また、第２の時間ｔ２におけるネットワークグラフも、例えば、過去から第２の時間ｔ２までに生起した事実、履歴を基にシナリオマップを生成する手法により実現することができる。
　第１の時間ｔ１、第２の時間ｔ２におけるネットワークグラフの生成手段として、非特許文献１や非特許文献２に記載された手法を用いても良い。
　なお、後の実施例で詳細に述べるように、第１の時間ｔ１、第２の時間ｔ２は、各々、第１の時間帯（ｔ１１～ｔ１ｎ）、第２の時間帯（ｔ２１～ｔ２ｎ）のように、各々、１つ若しくは複数の時点を含んでいる。第１の時間ｔ１、第２の時間ｔ２のこれらの多数のデータを活用することで、シミュレーションの精度を高め、仮想の第３の時間若しくは第３の時間帯（ｔ３１～ｔ３ｎ）における、満足化原理を満たす多様なネットワークグラフを生成することができる。
　ステップ２０６では、サーバ（ワーカ）１０１～１０ｎが収集データ１４０～１４ｎに基きシミュレーション条件２５に合うシミュレーション１６０～１６ｎを実行し、ステップ２０７ではサーバ（ワーカ）１０１～１０ｎがシミュレーション実行結果１６０～１６ｎから収集データ１４０～１４ｎに含まれない仮想の第３の時間（任意の過去或いは未来の時間）ｔ３におけるネットワークグラフ生成（第３のグラフ生成）１５０～１５ｎを実行する。
　この未来（若しくは任意の過去）の時間ｔ３のネットワークグラフを生成するための異なる予測法に基づく複数種類のシミュレーション方法としては、例えば過去から現在までのデータの頻出度と共起度の時系列変化に基いて、自己回帰モデルや移動平均モデルなどにより統計予測を行なう方法（歴史的ドリフト、成長）、初期のデータ収集条件に対して類推データや連想データを追加してゆく方法（系統発生、派生）、データ共起対を共起度の高いデータに置換してゆく方法（遺伝変異、世代交代）、自然界や社会に対する複雑系のアプローチに倣って砂山モデルや地震モデルなどよりデータの臨界状態を引き起こす方法（淘汰、撹乱）などが有用である。これら異なる予測法に基づく複数種のシミュレーションを組み合わせて用いることにより、未来の多様な可能性を提示することができる。
　ステップ２０８では、サーバ（マスタ）１００がサーバ（ワーカ）１０１～１０ｎからステップ２０５及びステップ２０７のネットワークグラフ生成結果１５０～１５ｎを集約し、ステップ２０９ではサーバ（マスタ）１００がクライアント２０へネットワークグラフ生成結果（第１乃至第３のグラフ生成結果）１５０～１５ｎを送信する。
　ステップ２１０では、クライアント２０がネットワークグラフ生成結果１５０～１５ｎを受信し、それを感知してステップ２１１ではユーザが端末５０からクライアント２０からネットワークグラフ表示条件２６を入力する。
　ステップ２１２では、クライアント２０が表示条件２６に合わせてディスプレイ２９に対するネットワークグラフ表示２７を実行し、ユーザ５０へ過去の第１の時間ｔ１、第２の時間ｔ２とそれに含まれない仮想の第３の時間ｔ３におけるネットワークグラフ生成結果（第１乃至第３のグラフ生成結果）１５０～１５ｎをシナリオマップとして提示する。
　ステップ２１３では、ユーザ５０がネットワークグラフ表示条件２６を変更する必要があれば再びステップ２１１へ戻り、必要なければ次のステップ２１４へ移行する。
　ステップ２１４では、ユーザが意思決定における選択肢としてネットワークグラフ表示結果２７すなわちシナリオマップの提示結果に満足であれば次のステップ２１５へ移行して終了し、満足でなければ再びステップ２０２に戻ってネットワークグラフ生成（第１乃至第３のグラフ生成）をやり直す。
　このようにして、収集データ及び生成条件に基き、過去から現在までの第１の時間における第１のネットワークグラフと、この第１の時間とは異なる第２の時間における第２のネットワークグラフとが生成され、さらに、これら第１のネットワークグラフと第２のネットワークグラフに基き、生成条件に対応するシミュレーションを実行して、仮想の第３の時間における第３のネットワークグラフが生成される。
　図２Ｂのディスプレイ画面例６０に、図２Ａのステップ２１２におけるネットワークグラフ表示２７の例を、示す。この例では、ディスプレイ画面６０は、過去の第１の時間ｔ１、現在若しくは現在寄りの第２の時間ｔ２、未来（若しくは任意の過去）の第３の時間ｔ３に対応する３つの画面６１があり、各々の画面６１は、タイムスライダ６２とネットワークグラフ表示部６３から成っている。
　ステップ２１１において、ユーザが端末５０を介してタイムスライダ６２の上で時間（黒い部分）を指定すると、ステップ２１２ではその時間に応じたネットワークグラフ生成結果（第１乃至第３のグラフ生成結果）１５０～１５ｎを抽出して、ネットワークグラフ表示２７を実行する。
　ディスプレイ画面例６０において、与えられたコンテキストに関して、左側の画面ではタイムスライダ６２が指定する過去の第１の時間ｔ１におけるネットワークグラフ７１（第１のグラフ生成結果）を表示し、中央の画面ではタイムスライダ６２が指定する第２の時間ｔ２におけるネットワークグラフ７２（第２のグラフ生成結果）を表示し、右側の画面ではタイムスライダ６２が指定する第３の時間ｔ３におけるネットワークグラフ７３（第３のグラフ生成結果）を表示している。
　ネットワークグラフ表示部２７は、ディスプレイ２９のディスプレイ画面６０にネットワークグラフ生成結果を出力表示する。図２Ｂのディスプレイ画面例６０のネットワークグラフ７１～７３すなわちシナリオマップでは、抽出されたテキストを各々頂点としそれらのテキストデータの頻出度の大小関係を各頂点の大きさ、テキストデータ間の共起度の大小関係を辺の太さで示しており、過去ｔ１から現在ｔ２、そして未来ｔ３へ時間が遷移するに伴ってネットワークグラフ７１～７３が変化している。なお、ディスプレイ画面６０には、各頂点に対応するテキストデータ名も併せ表示されるが、図２Ｂではこの表示を省略している。
　実施例１に示すネットワークグラフ生成方法によれば、意思決定支援システム１において、与えられたコンテキストに関して、過去から現在までの第１の時間ｔ１と第２の時間ｔ２におけるネットワークグラフ７１、７２と共に、仮想の時間（第３の時間ｔ３）における新たなネットワークグラフ７３をユーザの端末５０にシナリオマップとして提示することにより、合理性限界に制約される不確実な未来に対する意思決定の選択肢を広げ、ユーザの気付きや理解を支援する効果を高めることができる。すなわち、仮想の時間（第３の時間）における多様なネットワークグラフすなわちシナリオマップを創生してユーザに提示することにより、不確実な未来に対して満足な意思決定を支援できる効果がある。
　なお、実施例１では、ネットワークグラフ７１～７３、すなわちシナリオマップを、データの頻出度を頂点、共起度を辺として描いているが、ポテンシャルマップやマインドマップとして描いても良い。
　意思決定支援システム１では、ビッグデータを活用するために分散処理基盤１７０～１７ｎを構成しているが、この上で動くシミュレーションプログラム１６０～１６ｎは膨大な頂点や辺から成るネットワークグラフを生成する必要があり、マルチエージェントシミュレーションやアクターモデルによる非同期並行計算が適している。また、クライアントサーバシステムを構成して、クライアント２０にユーザインタフェースを、サーバ１００～１０ｎにネットワークグラフ生成計算を担わせているが、多数のクライアントを含めて分散処理を行なうことも可能であり、実施例１に示すシステム構成に限る訳ではない。
　実施例１では、クライアントサーバシステムの導入により、ビッグデータを活用しながら人間とコンピュータがインタラクティブに協調する意思決定支援システムを実現できる。
　また、ネットワークグラフ表示条件入力２６の方法としてタイムスライダ６２を導入することにより、過去から現在そして未来に亘るネットワークグラフ７１～７３の推移を連続的に把握し、未来への洞察を深めることができる。タイムスライダ６２において時間だけでなく時間幅（時間帯）を変えて俯瞰的または局所的にシナリオマップを提示し、または自動的に時間を送ってシナリオマップを動画表示することにより、意思決定における新しい気付きがさらに誘発され易くなる。すなわち、ビッグデータを活用して多様なシナリオマップを代替選択肢として提示することにより、意思決定の自由度を高めてチャンス発見の機会を広げ、シナリオマップをタイムスライダや選択肢に応じて表示することにより、意思決定主体である人間の気付きや理解を助ける効果がある。
　実施例２として、実施例１をより具体化し、「コンテキスト」の対象をテキストデータとしたものを一例に挙げ、ネットワークグラフを未来へ発展させる方法を示す。図３は、実施例２のネットワークグラフ生成方法を説明するフローチャートである。また、図４Ａ～図４Ｈは、クライアント２０のディスプレイ画面の例を示す図である。実施例２を実現するためのハードウエアすなわち意思決定支援システムの構成は、図１に示した実施例１の意思決定支援システム１と同じもので良い。簡便のため、システム構成の説明は省略する。
　フローチャート３００は、条件設定を入力するステップ３０１から始まる。図４Ａはディスプレイ４００の新規検索の画面４０１を示しており、入力ボックス４０２～４０６、検索始ボタン４０７が表示されている。入力ボックス４０２にテキストデータ収集条件を入力し、さらに、開始日４０３、終了日４０４、ステップ数４０５、最大枚数４０６などを入力し、開始ボタン４０７を押すと、デフォルト設定に従ってデータ収集、シミュレーション、ネットワークグラフ生成が実行される。この例では、入力ボックス４０２にテキストデータ収集条件として検索語「ビックデータ」を入力している。なお、ステップ数４０５は、６月毎のように、検索処理やシミュレーションの単位期間を表し、最大枚数４０６は、出力される画面の最大枚数を表している。
　図３のステップ３０２では、設定された検索語に基いて検索エンジンによりテキストデータを収集し、ステップ３０３で形態素解析によりテキストデータを構成する語の頻出度と共起度を計算する。これにより、過去から現在までのネットワークグラフ生成データ（第１及び第２のグラフ生成データ）を得る。
　ステップ３０３の次のステップは、ユーザにより設定された未来シナリオの条件に応じて、成長、派生、交代、撹乱の四つのシミュレーションに分岐する。
　未来シナリオのステップ３０４（成長）では、過去から現在までの頻出度と共起度の時系列解析に基いて、シミュレーションにより未来の頻出度と共起度を予測し（ステップ３０５）、終了条件を満たすまでシミュレーションを繰り返し、終了条件を満たしたら（ステップ３０６でＹＥＳ）、過去から未来の文脈シナリオマップのネットワークグラフ（第３のグラフ＝成長）を生成し（ステップ３０７）、表示条件に従ってネットワークグラフを表示し（ステップ３０８）、ステップ３０９へ移行して終了する。シミュレーションによる予測手法には、回帰分析法、移動平均法、指数平滑法などから選択し、周期性やコーザルの影響を考慮する場合がある。
　ステップ３１０（派生）では、高頻出度または高共起度の語を検索語に追加して再検索を行ない（ステップ３１４）、形態素解析により再検索結果の頻出度と共起度を計算し（ステップ３１５）、シミュレーション条件に応じてステップ３１４へ戻って再検索を繰り返し、シミュレーションが終了したら（ステップ３１６でＹＥＳ）、再検索の繰返しを未来への時間発展とするネットワークグラフ（第３のグラフ＝派生）を生成し（ステップ３１７）、グラフを表示し（ステップ３１８）、ステップ３０９で終了する。
　ステップ３２０（交代）では、語と語の共起対で再検索を行ない（ステップ３２４）、共起対を構成する二つの語をそれら以外の一つの高共起語に置換し（ステップ３２５）、シミュレーション条件に応じてステップ３２４へ戻って再検索を繰り返す。シミュレーションが終了したら（ステップ３２６でＹＥＳ）、ステップ３２７で置換の繰返しを未来への時間発展とするネットワークグラフ（第３のグラフ＝交代）を生成し（ステップ３２７）、グラフを表示し（ステップ３２８）、ステップ３０９で終了する。
　ステップ３３０（撹乱）では、語の頻出度を乱択的または確率的に上積みしてゆき（ステップ３３４）、所定の規則に従って語の頻出度が閾値を超えた場合にその語の共起語へ共起度に応じて頻出度を分配し（ステップ３３５）、シミュレーション条件に応じてステップ３３４へ戻って上積みを繰り返す。この方法は複雑系の砂山雪崩モデルに倣うが、他に地震モデルなどを用いてもよい。シミュレーションが終了したら（ステップ３３６でＹＥＳ）、上積みの繰返しを未来への時間発展とするネットワークグラフを生成し（ステップ３３７）、グラフ（第３のグラフ＝撹乱）を表示し（ステップ３３８）、ステップ３０９で終了する。
　図４Ｂ～図４Ｈは、ディスプレイ４００に表示される、過去から現在までのネットワークグラフ（第１、第２のグラフ）生成データ、及びそれに基づく未来のネットワークグラフ（第３のグラフ＝成長）生成データの状況を示している。各図中、文字間の線の太さが検索語「ビックデータ」との共起度、文字自体の太さが頻出度を表している。また、共起度の少ないものは線の表示を省略している。第１、第２のグラフの対象期間の区切りは、次のシミュレーションに適したもので有れば良い。ここでは便宜上、図４Ｂ、図４Ｃを第１のグラフ生成データ、図４Ｄ、図４Ｅを第２のグラフ生成データとして説明する。
　図４Ｂのステップ（２００９年４月～同年９月）におけるネットワークグラフ４２０では、「ビックデータ」に関するデータ分析４１１が主体となっている。
　図４Ｃのステップ（２０１０年４月～同年９月）のネットワークグラフ４２０では、文字の太さや線の太さから、企業４２１での「ビックデータ」の活用が始まっていることが分かる。図４Ｄのステップ（２０１１年４月～２０１１年９月）のネットワークグラフ４３０では、文字の太さや線の太さから、「ビックデータ」が広まり始め（４３１）、クラウド、Hadoop (登録商標)が顕在化している。図４Ｅのステップ（２０１１年１０月～２０１２年３月）のネットワークグラフ４４０になると、「ビックデータ」一気に広まり、事業戦略４４１への活用も始まっている。
　次に、図４Ｆ～図４Ｈは、未来シナリオの「成長」に基づき、シミュレーションにより、現在から未来の時間におけるシナリオマップのネットワークグラフ（第３のグラフ＝成長）が生成される過程を示している。図４Ｆのステップ（２０１２年１０月～２０１３年３月）のネットワークグラフ４５０では、「ビックデータ」向けのベンダー４５１、プラットフォーム４５２が広がり始めていることが分かる。図４Ｇのステップ（２０１３年１０月～２０１４年３月）のネットワークグラフ４６０では、センサーやグーグル（登録商標）４６１に加えて、ソーシャルメディア４６２が現れる。図４Ｈのステップ（２０１４年１０月～２０１５年３月）のネットワークグラフ４７０になると、ソーシャルメディア４７１の活用も進展する。
　実施例２によれば、新たな時間における多様なネットワークグラフすなわちシナリオマップを創生することにより、不確実な未来に対して満足な意思決定を行なえる効果がある。また、多様なシナリオマップを代替選択肢として提示することにより、意思決定の自由度を高めてチャンス発見の機会を広げ、シナリオマップをタイムスライダや選択肢に応じて表示することにより、意思決定主体である人間の気付きや理解を援ける効果がある。さらに、ビッグデータを活用しながら人間とコンピュータがインタラクティブに協調する意思決定支援システムを実現できる。
　特に、実施例２に示す未来シナリオのネットワークグラフ生成方法によれば、過去から現在までのシナリオマップに基いて、ステップ３０４～３０８（成長）ではトレンドや周期性に沿って歴史的に発展させ、ステップ３１０～３１８（派生）では系統的に分化させ、ステップ３２０～３２８（交代）では遺伝的に世代交代させ、ステップ３３０～３３８（撹乱）では自然淘汰を引き起こすことにより、未来に生起し得る多様なシナリオマップをネットワークグラフ（成長、派生、交代、撹乱）として提示することができ、意思決定支援サービスやコンテキストアウェアサービスに有用である。
　なお、実施例２では生態系のアナロジに基いてネットワークグラフを生成しているが、パターンランゲージやゲーム理論などのアプローチをネットワークグラフ生成に導入してもよい。また、「コンテキスト」の対象としてテキストデータを例に取って説明したが、株価、流通、交通、地震などの時系列データ、都市、建築物、ソフトウェアなどのデザインパターンデータ、ソーシャルメディア、コミュニティ、企業組織などのネットワークデータなどにも、実施例２若しくはこれに類するシミュレーションによるグラフ生成方法を拡張できる。
　本発明による実施例３は、実施例１や実施例２の処理により生成され、ディスプレイ２９に表示される、ネットワークグラフ５００の表示画面の他の例を示すものである。図５は、実施例３のネットワークグラフの時系列推移図であり、過去から現在そして未来への時間軸５０１に沿ってネットワークグラフ５００の表示画面を時系列に並べた模式図である。
　ネットワークグラフ５１０は過去から現在までの履歴データに基いて生成された複数の第１のグラフであり、ネットワークグラフ５１１は過去から現在までの履歴データに基いて生成された複数の第２のグラフであり、ネットワークグラフ５２１～５２４は、履歴データすなわちネットワークグラフ５１０、５１１に基いて生成された複数の未来シナリオのグラフ（第３のグラフ）であり、未来に生起し得る可能性に応じて多様に分岐している。
　複数のネットワークグラフ５１２、５１３は、過去から現在までの複数の履歴データ５１０、５１１に基いてまたは現在の状況から遡って生成された、起こり得た過去のグラフ（第３のグラフ）であり、ネットワークグラフ５３１～５３３は第３のグラフ５１２、５１３に基いて生成された、起こり得た過去から起こり得る未来へのグラフ（第３のグラフ）である。
　なお、実施例３の時間軸５０１は過去から未来への時間の流れを示し、ネットワークグラフ５１０、５１１は絶対時間の時間軸５０１に沿って表示されるが、ネットワークグラフ５１２、５１３、５２１～５２４、５３１～５３３はグラフ生成方法に応じて絶対時間または相対時間の時間軸５０１に沿って表示される。
　実施例３においても、実施例１や実施例２と同様な効果がある。  
　特に、実施例３によれば、ネットワークグラフ５１０～５１３、５２１～５２４、５３１～５３３をデータ収集条件やシミュレーション条件に応じて生成し、グラフ表示条件に応じてディスプレイ２９の画面に表示することにより、多様な未来シナリオを可視化し、チャンス発見や意思決定に資することができる。
　本発明による実施例４は、実施例１のクライアントのディスプレイ２９に表示される、ネットワークグラフの表示画面の他の例を示すものである。図６Ａ及び図６Ｂは、実施例４のネットワークグラフ生成方法を説明するディスプレイ画面図であり、テキストデータを例としてクライアント端末６００のディスプレイ６０１に表示する画面例を示す。
　図６Ａのディスプレイ６０１では、システム呼称６１０、入力ボックス６１１、開始ボタン６１２、メニューバー６２０が表示されている。呼称６１０のＫａｉｒｏｓはチャンスを司るギリシャ神の名前であり、チャンスは意思決定における重要な事象系列（シナリオ）の転換点であるから、未来シナリオを提示するシステムに相応しい。入力ボックス６１１にテキストデータ収集条件として検索語を入力し、開始ボタン６１２を押すとデフォルト設定に従ってデータ収集、シミュレーション、ネットワークグラフ生成が実行される。
　デフォルト設定を変更したい場合は、メニューバー６２０のオプションを選択すればよい。検索条件のプルアップメニュー６２１では開始日（年月日）、終了日（年月日）、間隔日（年月日）を入力し、処理条件のプルアップメニュー６２２では検索したテキストデータに対する処理として文字種の統一、類義語の統一、不要語フィルタ、ユーザ指定のチェックボックスを選択し、未来シナリオのプルアップメニュー６２３ではシミュレーション条件として成長、派生、交代、撹乱、ユーザ指定のチェックボックスを選択する。
　図６Ｂのディスプレイ６０１のネットワークグラフ表示部６３０では、タイムスライダ６４０、動作設定ボタン６４１、未来シナリオ選択部６４２のグラフ表示条件に応じてネットワークグラフ（第３のグラフ）６３１が表示されている。ネットワークグラフ６３１は、テキスト（簡便のためＡ～Ｊなどで略示）を頂点、その頻出度を頂点の大きさ、テキスト間の共起関係を辺、その共起度を辺の太さで表したシナリオマップである。
　ネットワークグラフ６３１は、タイムスライダ６４０の過去から現在そして未来に対する時間の指定に応じて、動作設定ボタン６４１の再生、ステップ送り、早送り、逆再生、ステップ戻り、巻戻し、停止、一時停止の指定に応じて、未来シナリオ選択部６４２の成長、派生、交代、撹乱、ユーザ指定のチェックボックスの選択に応じて表示される。
　実施例４においても、実施例１乃至実施例３と同様な効果がある。  
　特に、実施例４に示すクライアント端末６００からディスプレイ６０１を介してデータ収集条件、シミュレーション条件、グラフ表示条件をインタラクティブに入力し、クライアントすなわち人間とコンピュータが協調しながらシナリオマップの探索と意思決定を連鎖させてゆくことにより、未来へ発展するオートポイエーシスシステムを実現することができる。
　なお、実施例４に示すクライアント端末６００は、タブレット端末や携帯端末などのグラフィックユーザインタフェースを想定しているが、音声や身振りなどによるノンバーバルインタフェース、共同作業のためのマルチユーザインタフェース、仮想現実インタフェースなどのヒューマンコンピュータインタラクションを活用しても良い。
　１　　　　　　  意思決定支援システム
　１００～１０ｎ　　　サーバ
　１１０～１１ｎ　　　プロセッサ
　１２０～１２ｎ　　　メモリ
　１３０～１３ｎ　　　プログラム
　１４０～１４ｎ　　　データ収集プログラム
　１５０～１５ｎ　　　ネットワークグラフ生成プログラム
　１６０～１６ｎ　　　シミュレーションプログラム
　１７０～１７ｎ　　　分散処理基盤
　１８０～１８ｎ　　　ネットワークインタフェース
　２０　　　　　　クライアント
　２１　　　　　　プロセッサ
　２２　　　　　　メモリ
　２３　　　　　　プログラム
　２４　　　　　　データ収集条件入力
　２５　　　　　　シミュレーション条件入力
　２６　　　　　　ネットワークグラフ表示条件入力
　２７　　　　　　ネットワークグラフ表示
　２８　　　　　　ネットワークインタフェース
　２９　　　　　　ディスプレイ
　３０　　　　　　ネットワーク
　４０　　　　　　データベース
　５０　　　　　　ユーザ端末
　６０　　　　　　ディスプレイ画面例
　６１　　　　　　画面
　６２　　　　　　タイムスライダ
　６３　　　　　　ネットワークグラフ表示部
　７１～７３      ネットワークグラフ
　２００　　　　　フローチャート
　Ｓ２０１～Ｓ２１５　ステップ
　３００　　　　　フローチャート
　Ｓ３０１～Ｓ３３８　ステップ
　５００　　　　　ネットワークグラフ
　５０１　　　　　時間軸
　５１０　　　　　過去から現在までのネットワークグラフ（第１のグラフ）
　５１１　　　　　過去から現在までのネットワークグラフ（第２のグラフ）
　５１２、５１３　起こり得た過去のネットワークグラフ
　５２１～５２４　過去から現在の履歴に基く未来のネットワークグラフ（第３のグラフ）
　５３１～５３３　起こり得た過去に基く未来のネットワークグラフ（第３のグラフ）
　６００　　　　　クライアント端末
　６０１　　　　　ディスプレイ
　６１０　　　　　システム呼称
　６１１　　　　　入力ボックス
　６２０　　　　　メニューバー
　６２１～６２３　プルアップメニュー
　６３０　　　　　ネットワークグラフ表示部
　６３１　　　　　ネットワークグラフ
　６４０　　　　　タイムスライダ
　６４１　　　　　動作設定ボタン
　６４２　　　　　未来シナリオ選択部。

Claims (15)

  1. 　意思決定支援システムを用いたネットワークグラフ生成方法であって、
    　前記意思決定支援システムは、条件入力受け付け機能、データ収集機能、グラフ生成機能、シミュレーション機能、及び、データベースを備えており、
    　ネットワークグラフ生成条件の入力を受け付け、
    　入力された前記生成条件に基づき、特定のコンテキストに関するデータを収集して前記データベースに蓄積し、
    　前記特定のコンテキストに関する収集データに基づき、前記生成条件に対応する過去から現在までの第１の時間における第１のネットワークグラフを生成し、
    　前記特定のコンテキストに関する収集データに基づき、前記生成条件に対応する、前記第１の時間とは異なる過去から現在までの第２の時間における第２のネットワークグラフを生成し、
    　前記第１のネットワークグラフと前記第２のネットワークグラフとに基き、仮想の第３の時間における第３のネットワークグラフを前記生成条件に対応するシミュレーションにより生成する
    ことを特徴とするネットワークグラフ生成方法。
  2. 　前記第１のネットワークグラフ及び前記第２のネットワークグラフを、前記シミュレーションにより、成長、派生、交代、または撹乱させることにより、前記第３のネットワークグラフを生成する
    ことを特徴とする請求項１記載のネットワークグラフ生成方法。
  3. 　前記意思決定支援システムは、異なる予測法に基づく複数種類のシミュレーション機能を備えており、
    　前記第３の時間が未来であり、
    　前記シミュレーションにより生成される前記第３のネットワークグラフの１つが、前記第１のネットワークグラフ及び前記第２のネットワークグラフを未来へ発展させたネットワークグラフである
    ことを特徴とする請求項１記載のネットワークグラフ生成方法。
  4. 　前記意思決定支援システムは、異なる予測法に基づく複数種類のシミュレーション機能を備えており、
    　前記シミュレーションにより生成される前記第３のネットワークグラフの１つが、前記第１のネットワークグラフと前記第２のネットワークグラフの差分に基づき生成されたネットワークグラフである
    ことを特徴とする請求項１記載のネットワークグラフ生成方法。
  5. 　前記第１のネットワークグラフ、前記第２のネットワークグラフ及び前記第３のネットワークグラフが、各々、頻出度を頂点、共起度を辺とするシナリオマップである
    ことを特徴とする請求項１記載のネットワークグラフ生成方法。
  6. 　前記意思決定支援システムはディスプレイ画面を備えており、
    　前記各ネットワークグラフの表示条件の入力を受け付け、
    　該表示条件に基づき、前記第１、前記第２、または前記第３のネットワークグラフを前記ディスプレイ画面に表示する
    ことを特徴とする請求項１記載のネットワークグラフ生成方法。
  7. 　意思決定支援システムを用いたネットワークグラフ生成方法であって、
    　前記意思決定支援システムは、条件入力受け付け機能、データ収集機能、グラフ生成機能、異なる予測法に基づく複数種類のシミュレーション機能、及び、データベースを備えており、
    　ネットワークグラフ生成の条件の入力を受け付ける第１のステップと、、
    　入力された前記生成条件に基づき、特定のコンテキストに関して、過去から現在までのデータを収集する第２のステップと、
    　前記収集データ及び前記生成条件に基き、過去から現在までの第１の時間における第１のネットワークグラフと、該第１の時間とは異なる第２の時間における第２のネットワークグラフとを生成する第３のステップと、
    　前記第１のネットワークグラフと前記第２のネットワークグラフに基き、前記生成条件に対応する何れかの前記シミュレーション機能によりシミュレーションを行い、前記第１の時間及び前記第２の時間とは異なる仮想の第３の時間における第３のネットワークグラフを生成する第４のステップとを実行する
    ことを特徴するネットワークグラフ生成方法。
  8. 　前記第４のステップにおいて、
    　前記第１のネットワークグラフ及び前記第２のネットワークグラフを、前記シミュレーションにより、成長、派生、交代、または撹乱させることにより、前記第３のネットワークグラフを生成する
    ことを特徴とする請求項７記載のネットワークグラフ生成方法。
  9. 　前記意思決定支援システムはディスプレイ画面を備えており、
    　前記第３の時間が未来であり、
    　前記第１のステップにおいて、前記各ネットワークグラフの表示条件の入力を受け付け、
    　前記第４のステップにおいて、
    　前記第１のネットワークグラフ及び前記第２のネットワークグラフを前記シミュレーションにより未来へ発展させて前記第３のネットワークグラフを生成し、
    　前記表示条件に基づき、前記第１、前記第２、または前記第３のネットワークグラフを、タイムスライダの指定時間に応じて前記ディスプレイ画面に表示する第５のステップを実行する
    ことを特徴とする請求項７記載のネットワークグラフ生成方法。
  10. 　前記第３のネットワークグラフを、前記シミュレーション機能の選択に応じて表示する
    ことを特徴とする請求項７記載のネットワークグラフ生成方法。
  11. 　前記意思決定支援システムが、サーバ、クライアント、及び、ネットワークを備えたクライアントサーバシステムであり、
    　前記サーバは、データ収集機能、グラフ生成機能、及びシミュレーション機能を備えており、
    　前記クライアントからデータ収集条件及びシミュレーション条件を含むネットワークグラフ生成の条件を入力する第１のステップと、
    　前記サーバが、過去から現在までのデータを収集する第２のステップと、
    　前記サーバが、前記収集データに基いて過去から現在までの第１の時間における第１のネットワークグラフと第２の時間における第２のネットワークグラフを生成する第３のステップと、
    　前記サーバが、前記収集データに基きシミュレーションにより仮想の第３の時間における第３のネットワークグラフを生成する第４のステップと、
    　前記クライアントに、前記第１乃至第３のネットワークグラフを表示する第５のステップとを含む
    ことを特徴する請求項７記載のネットワークグラフ生成方法。
  12. 　前記クライアントからインタラクティブに前記ネットワークグラフ生成の条件及びネットワークグラフ表示条件を入力する
    ことを特徴する請求項１１記載のネットワークグラフ生成方法。
  13. 　サーバ、クライアント、ネットワーク及び、データベースを備えたクライアントサーバシステムにより構成される意思決定支援システムであって、
    　前記クライアントが、
    　ネットワークグラフの生成条件を受け付ける条件入力受け付け機能と、
    　ディスプレイ画面とを備え、
    　前記サーバが、
    　入力された前記生成条件に基づき、特定のコンテキストに関するデータを収集して前記データベースに蓄積するデータ収集機能と、
    　ネットワークグラフを生成するグラフ生成機能と、
    　異なる予測法に基づく複数種類のシミュレーション機能とを備え、
    　前記特定のコンテキストに関する収集データに基づき、前記生成条件に対応する過去から現在までの第１の時間における第１のネットワークグラフを生成し、
    　前記特定のコンテキストに関する収集データに基づき、前記生成条件に対応する、与えられた前記第１の時間とは異なる過去から現在までの第２の時間における第２のネットワークグラフを生成し、
    　前記第１のネットワークグラフと前記第２のネットワークグラフとに基き、前記生成条件に対応するシミュレーション機能を実行して仮想の第３の時間における第３のネットワークグラフを生成し、
    　前記ディスプレイ画面に、前記第１、前記第２、または前記第３のネットワークグラフを表示する
    ことを特徴とする意思決定支援システム。
  14. 　前記サーバが、
    　前記生成条件に対応する複数種類のシミュレーションにより、前記第１のネットワークグラフ及び前記第２のネットワークグラフを、成長、派生、交代、または撹乱させることにより、前記第３のネットワークグラフを複数枚生成する
    ことを特徴とする請求項１３記載の意思決定支援システム。
  15. 　前記クライアントからインタラクティブに前記ネットワークグラフ生成の条件及びネットワークグラフ表示条件を入力する
    ことを特徴とする請求項１３記載の意思決定支援システム。
PCT/JP2012/080945 2012-11-29 2012-11-29 ネットワークグラフ生成方法及び意思決定支援システム WO2014083655A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US14/646,119 US20150324482A1 (en) 2012-11-29 2012-11-29 Network graph generation method and decision-making assistance system
PCT/JP2012/080945 WO2014083655A1 (ja) 2012-11-29 2012-11-29 ネットワークグラフ生成方法及び意思決定支援システム
JP2014549704A JP5964450B2 (ja) 2012-11-29 2012-11-29 ネットワークグラフ生成方法及び意思決定支援システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2012/080945 WO2014083655A1 (ja) 2012-11-29 2012-11-29 ネットワークグラフ生成方法及び意思決定支援システム

Publications (1)

Publication Number Publication Date
WO2014083655A1 true WO2014083655A1 (ja) 2014-06-05

Family

ID=50827328

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/080945 WO2014083655A1 (ja) 2012-11-29 2012-11-29 ネットワークグラフ生成方法及び意思決定支援システム

Country Status (3)

Country Link
US (1) US20150324482A1 (ja)
JP (1) JP5964450B2 (ja)
WO (1) WO2014083655A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016206914A (ja) * 2015-04-22 2016-12-08 株式会社日立製作所 意思決定支援システム、及び意志決定支援方法
JP2019200737A (ja) * 2018-05-18 2019-11-21 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP2020060981A (ja) * 2018-10-10 2020-04-16 富士通株式会社 ノード探索方法及びノード探索プログラム
JP2020077390A (ja) * 2019-10-03 2020-05-21 株式会社ナビタイムジャパン 情報処理システム、情報処理プログラム、情報処理装置、情報処理方法、相関関係情報データ、記憶媒体、相関関係情報の生成方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2975562A1 (en) * 2014-07-17 2016-01-20 Fujitsu Limited System, method, and program for supporting intervention action decisions in hazard scenarios
US11244013B2 (en) * 2018-06-01 2022-02-08 International Business Machines Corporation Tracking the evolution of topic rankings from contextual data
US11374824B2 (en) * 2020-11-27 2022-06-28 At&T Intellectual Property I, L.P. Time-based visualization for network virtualization platform

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009128949A (ja) * 2007-11-19 2009-06-11 Fuji Xerox Co Ltd グラフ表示装置およびプログラム
JP2009199325A (ja) * 2008-02-21 2009-09-03 Toshiba Corp 表示データ生成装置及び方法
JP2009205269A (ja) * 2008-02-26 2009-09-10 Osaka Univ 頻出変化パターン抽出装置
JP2011154576A (ja) * 2010-01-28 2011-08-11 Nippon Telegr & Teleph Corp <Ntt> 評判分析装置、評判分析方法及び評判分析プログラム

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5347452A (en) * 1991-07-12 1994-09-13 Bay Jr William P Method for providing a visual display of current trading volume and cumulative average trading volume for preselected time intervals
EP0770967A3 (en) * 1995-10-26 1998-12-30 Koninklijke Philips Electronics N.V. Decision support system for the management of an agile supply chain
US8768800B2 (en) * 2001-04-26 2014-07-01 Charles Schwab & Co., Inc. System and method for income planner
WO2007002829A2 (en) * 2005-06-29 2007-01-04 Itg Software Solutions, Inc. System and method for generating real-time indicators in a trading list or portfolio
US20100153107A1 (en) * 2005-09-30 2010-06-17 Nec Corporation Trend evaluation device, its method, and program
US8396884B2 (en) * 2006-02-27 2013-03-12 The Regents Of The University Of California Graph querying, graph motif mining and the discovery of clusters
US8775230B2 (en) * 2008-11-03 2014-07-08 Oracle International Corporation Hybrid prediction model for a sales prospector
US20100306249A1 (en) * 2009-05-27 2010-12-02 James Hill Social network systems and methods
US9323234B2 (en) * 2009-06-10 2016-04-26 Fisher-Rosemount Systems, Inc. Predicted fault analysis
US8412796B2 (en) * 2009-07-31 2013-04-02 University College Dublin—National University of Ireland, Dublin Real time information feed processing
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US8607153B2 (en) * 2009-12-30 2013-12-10 Cerner Innovation, Inc. Graphic for displaying multiple assessments of critical care performance
CN102208989A (zh) * 2010-03-30 2011-10-05 国际商业机器公司 网络可视化处理方法及设备
US8370283B2 (en) * 2010-12-15 2013-02-05 Scienergy, Inc. Predicting energy consumption
US20130031130A1 (en) * 2010-12-30 2013-01-31 Charles Wilbur Hahm System and method for interactive querying and analysis of data
CN102681771B (zh) * 2011-03-03 2016-09-14 株式会社堀场制作所 测量装置
US9600825B2 (en) * 2013-01-04 2017-03-21 International Business Machines Corporation Estimating probability of spreading information by users on micro-weblogs
US9256670B2 (en) * 2013-10-10 2016-02-09 International Business Machines Corporation Visualizing conflicts in online messages

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009128949A (ja) * 2007-11-19 2009-06-11 Fuji Xerox Co Ltd グラフ表示装置およびプログラム
JP2009199325A (ja) * 2008-02-21 2009-09-03 Toshiba Corp 表示データ生成装置及び方法
JP2009205269A (ja) * 2008-02-26 2009-09-10 Osaka Univ 頻出変化パターン抽出装置
JP2011154576A (ja) * 2010-01-28 2011-08-11 Nippon Telegr & Teleph Corp <Ntt> 評判分析装置、評判分析方法及び評判分析プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SAKIKO MORIYASU: "Link Prediction for Question Answering Bulletin Boards", INFORMATION PROCESSING SOCIETY OF JAPAN . TRANSACTIONS ON MATHEMATICAL MODELING AND ITS APPLICATIONS, vol. 2, no. 1, 15 April 2009 (2009-04-15), pages 10 - 21 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016206914A (ja) * 2015-04-22 2016-12-08 株式会社日立製作所 意思決定支援システム、及び意志決定支援方法
JP2019200737A (ja) * 2018-05-18 2019-11-21 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP7032233B2 (ja) 2018-05-18 2022-03-08 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP2020060981A (ja) * 2018-10-10 2020-04-16 富士通株式会社 ノード探索方法及びノード探索プログラム
JP7087904B2 (ja) 2018-10-10 2022-06-21 富士通株式会社 ノード探索方法及びノード探索プログラム
JP2020077390A (ja) * 2019-10-03 2020-05-21 株式会社ナビタイムジャパン 情報処理システム、情報処理プログラム、情報処理装置、情報処理方法、相関関係情報データ、記憶媒体、相関関係情報の生成方法

Also Published As

Publication number Publication date
JPWO2014083655A1 (ja) 2017-01-05
US20150324482A1 (en) 2015-11-12
JP5964450B2 (ja) 2016-08-03

Similar Documents

Publication Publication Date Title
JP5964450B2 (ja) ネットワークグラフ生成方法及び意思決定支援システム
Beck et al. The State of the Art in Visualizing Dynamic Graphs.
Akhtar Social network analysis tools
CN110489459A (zh) 一种基于大数据平台的企业级业数融合数据分析系统
Kobayashi et al. SArF map: Visualizing software architecture from feature and layer viewpoints
Shi et al. Dynamic network visualization in 1.5 D
Ribičić et al. Visual analysis and steering of flooding simulations
Xu et al. Modeling and representation for earthquake emergency response knowledge: perspective for working with geo-ontology
Fei et al. makeTwin: A reference architecture for digital twin software platform
Anikin et al. Ontology visualization: Approaches and software tools for visual representation of large ontologies in learning
Pigné et al. Graphstream: A tool for bridging the gap between complex systems and dynamic graphs
Belghache et al. Towards an adaptive multi-agent system for dynamic big data analytics
Rafiq et al. Building information modeling steered by evolutionary computing
You et al. Tracing the evolution of physics with a keyword co-occurrence network
Wang et al. Developing a holistic modeling approach for search-based system architecting
CN105787072B (zh) 一种面向流程的领域知识抽取与推送方法
Lytchev et al. Integration and Development of Professionally-Oriented Social Network in the Context of the Evolution of the Information Landscape
Djouad et al. A new approach based on modelled traces to compute collaborative and individual indicators human interaction
Yan et al. Development of Zaozhuang tourism information system based on WebGIS
Hu et al. Two-stage framework for big spatial data analytics to support disaster response
Michalos et al. Visualization Techniques for Large Datasets.
Mahesh et al. Visualizing technology mining results on life cycle axes: A study of server virtualization
Qiu et al. A task-driven disaster data link approach
Linyao et al. A task-oriented disaster information correlation method
Bychkov et al. Infrastructural approach and geospatial data processing services in the tasks of territorial development management

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12889225

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2014549704

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14646119

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12889225

Country of ref document: EP

Kind code of ref document: A1