WO2018169001A1 - 対話システム、対話装置及びそのためのコンピュータプログラム - Google Patents

対話システム、対話装置及びそのためのコンピュータプログラム Download PDF

Info

Publication number
WO2018169001A1
WO2018169001A1 PCT/JP2018/010231 JP2018010231W WO2018169001A1 WO 2018169001 A1 WO2018169001 A1 WO 2018169001A1 JP 2018010231 W JP2018010231 W JP 2018010231W WO 2018169001 A1 WO2018169001 A1 WO 2018169001A1
Authority
WO
WIPO (PCT)
Prior art keywords
evaluation
utterance
response
response utterance
items
Prior art date
Application number
PCT/JP2018/010231
Other languages
English (en)
French (fr)
Inventor
阿部　憲幸
可奈子 大西
健太郎 鳥澤
カナサイ クルンカライ
豊 木俵
Original Assignee
国立研究開発法人情報通信研究機構
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 国立研究開発法人情報通信研究機構 filed Critical 国立研究開発法人情報通信研究機構
Publication of WO2018169001A1 publication Critical patent/WO2018169001A1/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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue

Definitions

  • the present invention relates to a dialogue system using a computer, and in particular, to perform a response having a “likeness” according to a feature specific to a certain feature (including, but not limited to, for elderly people or learners).
  • the present invention relates to an interactive device capable of This application claims priority based on application number 2017-051503 filed in Japan on March 16, 2017, the entirety of which is incorporated herein by reference.
  • a dialogue system using a computer has been put into practical use.
  • a dialogue system meeting a specific purpose will be required in the future.
  • a dialogue system that conducts general public talk or picks up topics preferred by elderly people is desirable.
  • learners who are studying for university entrance examinations it is desirable to have a dialogue system that can make a response useful for learning.
  • such a dialogue system is constructed by a method of collecting a pair of input sentences and response sentences that match a purpose and creating a database, and selecting an appropriate response from the database as a response sentence to the input utterance.
  • Japanese Patent Application Laid-Open No. H10-228707 discloses such a response using voice.
  • Patent Document 1 is a system that interacts with people about topics in a specific domain.
  • This system has an intention understanding unit.
  • the intention understanding unit analyzes the input utterance and understands what information the speaker wants to know in the domain, that is, the intention of the speaker.
  • the intent understanding unit has an intent understanding model and a storage device for problem solving knowledge.
  • the intention understanding model is a collection of sentence examples composed of various expressions for each intention, and is a database of words included in utterance sentences and intentions indicated by their expression patterns.
  • Problem solving knowledge is a collection of correspondences between utterance expressions and their solutions.
  • the intention of the utterance is understood by the intention understanding model, the problem to be answered is specified by the intention, the problem solving knowledge is searched, and a response including the answer to the problem is generated and output.
  • Patent Document 1 has a problem that in order to construct an intention understanding model, various utterances must be collected and the intention of each utterance must be given manually. Therefore, after all, it is necessary to construct a dedicated intent understanding model for each domain. Further, in the system disclosed in Patent Document 1, it is only necessary to give a simple fact as a response, but in order to enable an appropriate dialogue, a response candidate for each intention is prepared and a response candidate database is prepared. Must be prepared as. Moreover, it is necessary to prepare this response candidate database for each domain. Therefore, it is not possible to easily construct an interactive system capable of making an appropriate response in various fields by the technique disclosed in Patent Document 1. That is, with the technique disclosed in Patent Document 1, it is not easy to construct a dialogue system that can respond appropriately by specializing in a certain feature.
  • an object of the present invention is to provide a dialogue system capable of appropriately responding to an utterance and capable of carrying out a dialogue corresponding to various features.
  • the dialogue apparatus generates a plurality of response utterance candidates in response to an input utterance and reference value setting means for setting a reference value for a predetermined set of evaluation items.
  • Response utterance candidate generation means an evaluation means for calculating an evaluation value for each of a set of evaluation items for each of the plurality of response utterance candidates, and an evaluation value by the evaluation means among the plurality of response utterance candidates.
  • Response utterance selection means for selecting a response utterance candidate having a predetermined relationship with respect to the reference value as a response utterance for the input utterance.
  • the set of evaluation items includes a plurality of items, and when the utterance is given, the evaluation unit outputs, for each of the plurality of items, a score indicating a degree that the utterance matches the plurality of items.
  • Discriminating means for using a model learned by machine learning is included.
  • the set of evaluation items defines an evaluation space in which one point is determined corresponding to the value of the set of evaluation items
  • the response utterance selection means includes the response utterance candidates in the evaluation space. , Including means for selecting a corresponding utterance as a response utterance to an input utterance that is closest to a point defined by a reference value.
  • the set of evaluation items includes a first evaluation item including a plurality of items and a second evaluation item independent of the first evaluation item, and the evaluation unit includes a plurality of response utterance candidates.
  • the first evaluation means for calculating the evaluation value for each of the plurality of items of the first evaluation item, and for each of the plurality of response utterance candidates, the evaluation value for the second evaluation item is calculated.
  • a second evaluation means for calculating the evaluation value for each of the plurality of items of the first evaluation item, and for each of the plurality of response utterance candidates.
  • the plurality of items define an evaluation space in which one point is determined corresponding to the values of the plurality of items, and the response utterance selection means uses the corresponding point among the response utterance candidates as a reference in the evaluation space.
  • Candidate extraction means for extracting a thing within a certain range from the point determined by the value, and the evaluation value by the second evaluation item among the response utterance candidates extracted by the candidate extraction means is the reference value Means for selecting a response utterance that satisfies an independent criterion.
  • a dialogue system includes any one of the dialogue devices described above and a text storage device that stores each of the plurality of learning texts in association with an evaluation value according to a set of evaluation items. Then, when an input utterance is given using a plurality of learning texts stored in a text storage device as learning data, learning of the evaluation means is performed by machine learning so as to estimate and output an evaluation value related to a set of evaluation items. Learning means.
  • the computer program according to the third aspect of the present invention causes a computer to function as each unit of any of the above-described apparatuses.
  • FIG. 1 It is a block diagram which shows schematic structure of the dialogue system which concerns on the 1st Embodiment of this invention. It is a figure which shows the example of a text memorize
  • FIG. 16 It is a figure which shows the example of a score of each sentence calculated by the specific site uniqueness / news likeness score calculation part shown in FIG. It is a flowchart which shows the control structure of the computer program which implement
  • FIG. 16 It is a block diagram which shows schematic structure of the dialogue system which concerns on the 3rd Embodiment of this invention. It is a figure which shows the example of a score calculated with respect to each sentence by the response speech emotion analysis part shown in FIG. 16, a specific site likelihood score calculation part, and a news likelihood score calculation part. It is a figure which shows the external appearance of the computer which implement
  • FIG. 1 shows a block diagram of an interactive system 40 according to the first embodiment of the present invention.
  • this dialogue system 40 includes a large-scale text database 52 that stores a large amount of text collected from the web together with its URL, and a set of evaluation items previously extracted from this large-scale text database.
  • the emotion word dictionary 54 Stored in the emotion word dictionary 54, the connection word dictionary 56 that stores words that frequently appear later (referred to as “connection words”), and the emotion word dictionary 54.
  • connection words that stores words that frequently appear later
  • connection words the emotion word dictionary 54.
  • a machine-learned emotion determination model 60, a large-scale text database 52, an emotion word dictionary 54, and a connection word dictionary 56 are calculated so as to calculate a score that matches the input sentence.
  • a model learning unit 58 for performing machine learning of the emotion determination model 60 using.
  • the large-scale text database 52 stores many texts.
  • words 150, 152, 154, 156, and 158 are words representing some emotion.
  • Words 130, 132, 134, 136, and 138 existing before each word are connected words that are characteristically used to derive these emotional words.
  • connected words often accompanied by emotion words are collected and stored in the connected word dictionary 56.
  • words following each connected word are collected from the large-scale text database 52. If such a word represents emotion, it is stored in the emotion word dictionary 54, otherwise it is discarded.
  • different emotional words having different word forms are used even if they are rooted emotional words. Therefore, the number of emotion words is considerably large.
  • the model learning unit 58 refers to the emotion word dictionary 54 and the connection word dictionary 56, and selects one of the connection words stored in the connection word dictionary 56 from the large-scale text database 52 and the emotion word.
  • a text extraction / classification unit 80 that extracts text in which any one of emotion words stored in the dictionary 54 continuously appears, attaches the emotion word included in the text to each text as a label, and outputs the text, and text extraction / classification
  • the learning text storage unit 82 that stores the labeled text output from the unit 80 for learning of the emotion determination model 60 and the learning text stored in the learning text storage unit 82
  • a learning processing unit 84 that performs learning.
  • the text extraction / classification unit 80 is realized by a computer program. Referring to FIG. 3, this program reads step 200 for reading all emotion words from emotion word dictionary 54, step 202 for reading all connection words from connection word dictionary 56, and the preceding read in step 202. Generating a search expression for searching the large-scale text database 52 for text including any one of the combinations of all the word strings consisting of the connected word to be read and the subsequent emotion word read in step 200; Step 206 for extracting all text satisfying the conditions from the large-scale text database 52 using the search formula generated in step 204, and processing 210 described below are executed for each of the text extracted in step 206. Step 208 is included.
  • FIG. 4 schematically shows a set of texts stored in the learning text storage unit 82 shown in FIG.
  • emotional words happy, sad, fun, hard
  • This label separates the text into groups.
  • Learning of the emotion determination model 60 in the learning processing unit 84 is performed by using a label for each of the labels (emotion words) attached to the text stored in the learning text storage unit 82 when the text is input. This is done to output the probability that the text matches the expressed emotion.
  • the probability here can be considered as a score indicating the “likeness” in which the text represents the emotion represented by the label, that is, the degree of matching with the emotion.
  • There are a plurality of labels and the probability is calculated by treating each label as an exclusive evaluation item.
  • FIG. 5 conceptually shows the configuration of the emotion determination model 60.
  • the emotion determination model 60 is composed of a convolutional neural network (CNN).
  • the emotion determination model 60 has a plurality of inputs 240 to which word strings constituting the input text are input, and outputs 242 corresponding to the number of emotion words stored in the emotion word dictionary 54.
  • any input word is converted into a word identifier by a word conversion unit (not shown) and given as an input 240.
  • Each of the outputs 242 corresponds to one of the emotion words stored in the emotion word dictionary 54.
  • FIG. 6 shows an example of a conversation sentence stored in the conversation sentence database 64.
  • a large amount of conversation sentences as shown in FIG. 6 are collected and stored in the conversation sentence database 64 in advance.
  • Such conversational sentences may be collected in any way, but in this embodiment, sentences existing on the web and social networking services are collected. These conversation sentences can be searched based on the text.
  • dialog device 66 in response to input utterance 62, dialog device 66 generates a response utterance candidate sentence from the response utterance stored in conversation sentence database 64 (selected in this embodiment).
  • a candidate selection unit 90 a response utterance candidate storage unit 92 that stores response utterance candidates selected by the response utterance candidate selection unit 90, and an emotion determination model 60 for each response utterance candidate stored in the response utterance candidate storage unit 92.
  • a response utterance emotion analysis unit 94 that calculates an emotion score that is an evaluation value of each emotion, an input / output device 98 used when the user sets a criterion for selecting a response utterance, and an input / output device
  • the response utterance selection criterion storage unit 100 that stores the response utterance selection criteria set by 98, and the response utterance selection criteria stored in the response utterance selection criterion storage unit 100 Based on the score calculated by the information analysis unit 94, and a response utterance selection and generation unit 96 which outputs one of the response utterance candidates stored in the response utterance candidate storage unit 92 as a response utterance 68 select.
  • the program retrieves and extracts from the conversation sentence database 64 a conversation sentence that includes any of the content words extracted in step 280 and the step 280 that extracts the content words included in the input utterance 62.
  • Step 282 Step 284 for selecting a predetermined number in order from the largest number of content words that match the content words of the input utterance 62 for the conversation sentence extracted in Step 282, and the conversation selected in Step 284 Storing a sentence as a response utterance candidate.
  • the response utterance emotion analysis unit 94 shown in FIG. 1 is also realized by a computer program.
  • the program includes a step 300 of executing a score calculation process 310 described below for each response utterance candidate stored in response utterance candidate storage unit 92.
  • the score calculation process 310 is a process for calculating the emotion score of the response utterance candidate to be processed.
  • the score calculation process 310 reads the response utterance candidate to be processed from the response utterance candidate storage unit 92, and converts each of the words constituting the response utterance candidate read in step 320 into an identifier and connects them.
  • step 322 for creating an input parameter to the emotion determination model 60 step 324 for giving the input parameter created in step 322 to the input 240 of the emotion determination model 60 shown in FIG. 5, and the input given by step 324 Storing each element (probability value) of the vector of scores obtained at the output 242 of the emotion determination model 60 in response to the parameter in a score array corresponding to the response utterance candidate being processed.
  • FIG. 9 shows an example of the score array.
  • the example shown in FIG. 9 shows the emotion score calculated for each of the four response utterance candidates.
  • the emotional scores of “happy”, “sad”, “fun”, and “shiny” calculated for the response utterance candidate “eating chocolate” are 0.5, 0.1, 0.3, and 0, respectively. .1. Since these scores are probabilities, the value obtained by adding the score of each row shown in FIG.
  • FIG. 10 shows an example of a dialog for setting a response utterance selection criterion displayed on the input / output device 98 shown in FIG.
  • this dialog 340 is used to set a score reference value in the range of 0 to 1 for each of the four emotions of “happy”, “sad”, “fun”, and “shiny”.
  • four seek bars 360, 362, 364 and 366 are used to set a score reference value in the range of 0 to 1 for each of the four emotions of “happy”, “sad”, “fun”, and “shiny”.
  • Each seek bar 360, 362, 364 and 366 has thumbs 370, 372, 374 and 376, respectively, and by moving these thumbs to the left and right, a reference value of a score for each emotion can be set.
  • there is a restriction that the total of each score is 1.
  • FIG. 11 shows a response utterance selection method by the response utterance selection / generation unit 96 shown in FIG.
  • a space for evaluation (evaluation space) surrounded by a three-dimensional cube as shown in FIG. ) Can be considered.
  • evaluation space one point corresponding to each response utterance score can be defined.
  • a reference point 390 can be determined in this evaluation space according to the reference value stored in the response utterance selection reference storage unit 100.
  • the response utterance selection / generation unit 96 assigns each response utterance candidate to one point in this evaluation space by using the score calculated for each response utterance candidate by the response utterance emotion analysis unit 94 as a coordinate, A Euclidean distance (hereinafter simply referred to as “distance”) between the point and the reference point 390 is calculated. Then, the response utterance candidate having the shortest distance from the reference point 390 is selected as the response utterance 68. In this embodiment, in order to shorten the calculation time, only response utterance candidates within a predetermined search range 392 centering on the reference point 390 are extracted and set as distance calculation targets.
  • the Euclidean distance is used as the distance. However, any measure may be used as long as it generally satisfies a mathematical condition that the distance should satisfy.
  • the response utterance selection / generation unit 96 is also realized by a computer program.
  • the program includes a step 400 for reading a reference value from response utterance selection reference storage unit 100 and a step 402 for defining search range 392.
  • the search range 392 can be determined within the range of the reference value ⁇ ⁇ for each coordinate value, for example.
  • ⁇ is a constant value common to all coordinates.
  • the present invention is not limited to such an embodiment.
  • ⁇ can be determined for each coordinate (for each emotion) as 1/20 of each coordinate value of the reference value.
  • specific coordinates can be fixed values, and other coordinates can be changed according to a reference value.
  • the program further extracts only the response utterance candidates whose values constituting the emotion score are within the search range 392 determined in step 402 from the candidates stored in the response utterance candidate storage unit 92, and the distance Step 406 for substituting the maximum number allowed by the type of the variable into a variable for storing the minimum value of, Step 408 for substituting a predetermined default sentence for the variable representing the response utterance, and Step 404
  • step 410 for selecting the response utterance candidate that minimizes the distance from the reference point 390, and responding to the response utterance candidate selected in step 410 And output 414 as the utterance 68.
  • the process 412 calculates the distance between the response utterance candidate to be processed and the reference point 390, and determines whether the distance calculated in the step 420 is smaller than the minimum value calculated so far. If the determination is negative, step 422 that ends the processing 412 for the current response utterance candidate and if the determination in step 422 is affirmative, the distance calculated in step 420 is substituted for the minimum value, and the variable represents the response utterance. And step 424 which ends the processing 412 by substituting the response utterance candidate being processed.
  • the dialogue system 40 whose configuration has been described above operates as follows. There are two phases of operation. The first is a learning phase of the emotion determination model 60 by the model learning unit 58, and the second is a dialogue operation phase by the dialogue device 66.
  • a large-scale text database 52 stores a large amount of text and creates a database.
  • the connection word dictionary 56 stores connection words in advance
  • the emotion word dictionary 54 stores emotion words extracted from the large-scale text database 52 using the connection word dictionary 56.
  • the text extraction / classification unit 80 continuously displays either one of the connected words stored in the connected word dictionary 56 and one of the emotion words stored in the emotion word dictionary 54 from the large-scale text database 52.
  • the text is extracted, and the emotion word included in the text is attached to each text as a label and output.
  • the learning text storage unit 82 stores these labeled texts.
  • the learning processing unit 84 learns the emotion determination model 60 using the learning text stored in the learning text storage unit 82.
  • the emotion determination model 60 is composed of CNN as described above. Therefore, learning of the emotion determination model 60 can be performed by an error back-propagation method as in a normal neural network. Thus, when learning of the emotion determination model 60 is completed for all the texts stored in the large-scale text database 52, the response utterance process by the dialogue device 66 becomes possible.
  • the response utterance candidate selection unit 90 selects the conversation sentence of the response utterance candidate from the conversation sentence database 64. Specifically, the response utterance candidate selection unit 90 extracts a content word from the input utterance 62 (FIG. 7, step 280), and extracts a conversation sentence including the content word from the conversation sentence database 64 (step 282). Further, the response utterance candidate selection unit 90 extracts an important word from the input utterance 62 and extracts those conversation sentences including the important word as a response utterance candidate (step 284). The data is stored in the candidate storage unit 92 (step 286).
  • the response utterance emotion analysis unit 94 calculates an emotion score for each response utterance candidate stored in the response utterance candidate storage unit 92 with reference to the emotion determination model 60. More specifically, the response utterance emotion analysis unit 94 reads the response utterance candidates stored in the response utterance candidate storage unit 92 (step 320 in FIG. 8), and inputs the input parameters to the emotion determination model 60 as the response utterance candidates. (Step 322). This input parameter is input to the input 240 (see FIG. 5) of the emotion determination model 60 and waits for the output of the emotion determination model 60 (step 324), and the score obtained at the output 242 (see FIG. 5) of the emotion determination model 60 is obtained. Each element (probability value) of the vector is stored in the score array corresponding to the response utterance candidate being processed (step 326). By this processing, a two-dimensional array as shown in FIG. 9 is obtained.
  • the response utterance selection / generation unit 96 reads the reference value from the response utterance selection reference storage unit 100 (step 400 in FIG. 12). The response utterance selection / generation unit 96 further determines the range of the reference value ⁇ ⁇ as the search range 392 shown in FIG. 11 based on the reference value (step 402). The response utterance selection / generation unit 96 selects only the response utterances stored in the response utterance candidate storage unit 92 shown in FIG. 1 whose emotion score calculated by the response utterance emotion analysis unit 94 is within the search range 392. Extract (step 404). Further, the response utterance selection / generation unit 96 substitutes the maximum value that the variable can take into the variable representing the minimum distance (step 406), and substitutes the default sentence into the variable representing the response utterance (step 408).
  • the response utterance selection / generation unit 96 further calculates the distance between the response utterance candidate and the reference point 390 for each response utterance candidate extracted in step 404 (step 420). If this distance is smaller than the minimum value calculated so far (YES in step 422), this distance is substituted for the minimum value, and this response utterance candidate is substituted for a variable representing the response utterance (step 424). The process moves to the response utterance candidate. If the determination in step 422 is negative (NO in step 422), nothing is done with respect to this response utterance candidate, and the process proceeds to the next response utterance candidate.
  • the response utterance candidate having the smallest distance from the reference point 390 shown in FIG. 11 is stored in the variable representing the response utterance.
  • the response utterance selection / generation unit 96 outputs the response utterance candidate as the response utterance 68 (FIG. 1) (FIG. 12, step 414).
  • the response utterance candidate closest to the emotion score array set by the user is selected as the response utterance. Therefore, when the user desires something fun as a dialogue, if the reference value is set using the dialog 340 shown in FIG. 10 so that the emotion score of “fun” is increased, the user can have a pleasant conversation according to the user's desire. Can do. Further, in the above embodiment, by preparing the emotion word dictionary 54 and the connection word dictionary 56 sufficiently, any combination can be selected within the range of emotion words stored in the emotion word dictionary 54 and selected by the dialogue device 66. . Therefore, a dialog system with extremely high versatility can be obtained.
  • the first embodiment focuses on emotions in dialogue.
  • the present invention is not limited to such an embodiment.
  • a speech style unique to the site is formed, or only a speech focused on a specific topic is made.
  • 2ch registered trademark
  • a user prefers to read comments on these sites, they may want to adopt a similar speaking style in the conversation or focus on topics related to a particular topic.
  • a dialogue based on such an utterance style is possible.
  • this embodiment provides an interactive system that makes a remark that is close to the remark style of a specific site, and handles topics related to recent news as the content of the remark independently of the specific site. .
  • a dialogue system 430 includes a large-scale text database 52, a specific site / news URL list 452 storing URLs of specific sites and news sites, and the first implementation.
  • the specific site discriminating model 448 that is composed of CNN and outputs the probability that the utterance was obtained from any one of the specific sites and the probability obtained from other sites is independent of the specific site discriminating model 448.
  • a news discrimination model 450 that outputs the probability that the input utterance is a news article and the probability obtained from other sites, a large text database 52, and a specific site / news URL list 452, a specific site discrimination is performed.
  • a model learning unit 440 that learns the model 448 and the news discrimination model 450.
  • the specific site discrimination model 448 uses an evaluation item as to whether or not an utterance is obtained from a specific site
  • the news discrimination model 450 uses the specific site discrimination model 448 as to whether or not the utterance is a news article.
  • the evaluation items are independent of the evaluation items.
  • the dialogue system 430 further collects a large number of pairs of dialogue input sentences and their response sentences from the web and creates a database, and a specific site discrimination model in response to the input utterance 442. 448 and the news discriminating model 450, the response utterance paired with the input utterance close to the input utterance 442 among the input / response stored in the input / response database 444, which is set by the user. And an interactive device 446 that selects a response utterance having an utterance style close to “specific site-like” and having the highest score as news-likeness and outputs it as a response utterance 454.
  • the model learning unit 440 refers to the specific site / news URL list 452 and first classifies the text stored in the large-scale text database 52 into text collected from the URL of the specific site and text from other than that. And a second text set classified into text that is a news article and other text, and a label (specific site / other, news article / other) indicating the origin, A text classifying unit 460 for outputting, a first learning text storage unit 462 for storing the first text set, a second learning text storage unit 463 for storing the second text set, and a first A first site for learning the specific site discrimination model 448 using the learning text stored in the learning text storage unit 462. Including the learning processing unit 464, and a second learning section 465 performs learning of the news discriminant model 450 using the text stored in the second training text storage unit 463.
  • Both the specific site discrimination model 448 and the news discrimination model 450 have basically the same configuration as the emotion discrimination model 60 shown in FIG. However, in the case of the specific site discrimination model 448, there are two outputs each indicating the probability that the text is obtained from the URL of the specific site and other URLs. In the case of the news discrimination model 450, the text is the news. Both are different from the emotion determination model 60 in that they have two outputs respectively indicating the probability of being an article and the other.
  • the dialogue apparatus 446 searches the input / response database 444 for a pair having an input utterance similar to the input utterance 442, and selects a response utterance of the searched pair as a response utterance candidate.
  • the dialogue device 446 further includes an input / output device 478 used by the user to set a criterion for selecting a response utterance, and a response utterance selection criterion storage unit 480 that stores the criterion set by the input / output device 478. .
  • a response utterance selection criterion storage unit 480 that stores the criterion set by the input / output device 478.
  • only the likelihood of utterance from a specific site can be set as the selection criterion for response utterance.
  • the criteria for selecting the likelihood of news is not set by the user, but is satisfied in this embodiment.
  • the dialogue apparatus 446 further searches only response utterance candidates whose specific site likelihood score is within a predetermined range centered on the reference value, among the response utterance candidates calculated by the specific site likelihood score calculation unit 475. And a response utterance selection / generation unit 476 that selects a response utterance candidate having the highest news-likeness score and outputs it as a response utterance 454.
  • FIG. 14 shows an example of a specific site likelihood score calculated by the specific site likelihood score calculation unit 475 and a news likelihood score calculated by the news likelihood score calculation unit 474 for a certain response utterance candidate sentence.
  • each score is calculated by a different model.
  • the scores calculated for each sentence are distributed in the range of 0 to 1, respectively. Therefore, it should be noted that the sum of these values does not necessarily become 1, but becomes a value within the range of 0 to 2.
  • FIG. 15 shows a control structure of a computer program for realizing the response utterance selection / generation unit 476 in a flowchart format.
  • this program reads step 490 for reading a reference value (specific site-like score) stored in response utterance selection reference storage unit 480, and a predetermined range (reference value) centered on the read score.
  • the step includes a step 492 of defining ⁇ ⁇ ) as a search range of response utterance candidates, and a step 494 of extracting only response utterance candidates whose specific site likelihood score is within the search range determined in step 492.
  • the program further sorts the response utterance candidates extracted in step 494 in descending order of the likelihood of news, and among the response utterance candidates sorted in step 496, the first response utterance candidate is response utterance.
  • the dialogue system 430 operates as follows. Preparation of the large-scale text database 52 and the input / response database 444 in advance is the same as in the first embodiment. This dialogue system 430 also has two operation phases: learning and dialogue.
  • the text classification unit 460 of the model learning unit 440 refers to the specific site / news URL list 452 and converts the text stored in the large-scale text database 52 into text from the specific site and other text.
  • the first text set is created by classification and stored in the first learning text storage unit 462.
  • the text classifying unit 460 further classifies the text stored in the large-scale text database 52 into the text of news articles and other texts to create a second text set, and the second text storage unit 463 for learning. To store. At this time, a label (specific site / other, news article / other) indicating the origin is attached to each text.
  • the first learning processing unit 464 learns the specific site discrimination model 448 using the text set stored in the first learning text storage unit 462.
  • the second learning processing unit 465 learns the news discrimination model 450 using the text set stored in the second learning text storage unit 463.
  • the specific site discrimination model 448 outputs two probabilities indicating whether the utterance is from the specific site, and the news discrimination model 450 determines whether the utterance is a news article. Two probabilities indicating whether or not are output.
  • the probability of being a text from a specific site is a score of the likelihood of a specific site
  • the probability of being a text of a news article is a score of the likelihood of being a news.
  • response utterance candidate selection unit 470 of dialogue apparatus 446 has input to input utterance 442 out of the input / response pairs stored in input / response database 444. A predetermined number of similar ones are searched, a corresponding response is selected as a response utterance candidate, and stored in the response utterance candidate storage unit 472.
  • the news likelihood score calculation unit 474 calculates the likelihood of news for each response utterance candidate stored in the response utterance candidate storage unit 472 using the news discrimination model 450.
  • the specific site likelihood score calculation unit 475 calculates the specific site likelihood for each response utterance candidate using the specific site discrimination model 448. These are stored as a two-dimensional array as shown in FIG. 14 as a score regarding each response utterance candidate, and are given to the response utterance selection / generation unit 476.
  • the response utterance selection / generation unit 476 reads out the reference value of the specific site stored in the response utterance selection reference storage unit 480 (FIG. 15, step 490), and calculates a range of reference values ⁇ ⁇ centered on the reference value.
  • the search range of response utterance candidates is set (step 492).
  • the response utterance selection / generation unit 476 further selects a response utterance candidate having a specific site score within the search range (step 494) having the highest news-likeness score (steps 496 and 498), and a response utterance 454. Output as.
  • two different evaluation items are used as the evaluation axis, and among the response utterance candidates close to the reference value set on one evaluation axis, the response utterance having the highest score measured on the other evaluation axis is used.
  • only two evaluation axes are provided for ease of explanation. However, the present invention is not limited to such an embodiment. There may be three or more evaluation axes, two or more axes for setting a reference value, or two or more axes for selecting a high score without setting a reference value.
  • the criterion is not necessarily high, and a criterion can be selected so as to satisfy an arbitrary criterion. For example, a score that is low, a value close to a preset value, a median score of response utterance candidates within the search range, or a value close to the average value may be selected. Further, when there are a plurality of evaluation axes for which scores are calculated independently of each other, each axis is not evaluated independently, for example, the sum (or difference) of the score of the first axis and the score of the second axis. Application of selecting the maximum (or minimum) value of a product, a specific function value, etc. is also possible.
  • the response utterance selection / generation unit 476 described above first determines a search range, and then selects a response utterance candidate having the highest news-likeness score within the search range.
  • the present invention is not limited to such an embodiment. First, after selecting a high news-likeness score, the response utterance closest to the reference value of the specific site-likeness among the selected response utterance candidates is selected. A candidate may be selected.
  • the third embodiment is a combination of the first embodiment and the second embodiment.
  • an interaction system 510 receives the emotion determination model 60 used in the first embodiment, as well as the second embodiment.
  • the response utterance candidate stored in the input / response database 444 is selected and responded with the best match with the reference value set by the user.
  • An interactive device 526 that outputs the utterance 528 is included.
  • the dialogue device 526 includes a response utterance candidate selection unit 470, a response utterance candidate storage unit 472, an input / output device 550 used when a user sets a reference value, and a reference value set using the input / output device 550. And a response utterance selection criterion storage unit 552 for storing.
  • the emotion score used in the first embodiment, and the specific site-like score and news-like score used in the second embodiment are used. Among these, what can be set by the user is something other than the news-like score.
  • the input / output device 550 is for inputting a reference value in a dialog similar to that shown in FIG. 10 in relation to the first embodiment.
  • the emotion score is input so that the total score for each emotion is 1, but the score for the specific site is 0 to It is necessary to be able to set in the range of 1.
  • the dialogue device 526 further includes a response utterance emotion analysis unit 94 similar to that of the first embodiment, a news-likeness score calculation unit 474 and a specific site-likeness score calculation unit 475, both of which are the same as those of the second embodiment,
  • a response utterance candidate search range is set based on the reference value stored in the response utterance selection reference storage unit 552, and is within the search range among the response utterance candidates stored in the response utterance candidate storage unit 472, and
  • a response utterance selection / generation unit 554 that selects and outputs a response utterance 528 that has the highest news-likeness score.
  • FIG. 17 shows an example of scores calculated for each response utterance candidate by the response utterance emotion analysis unit 94, the news likelihood score calculation unit 474, and the specific site likelihood score calculation unit 475.
  • the emotional score of each sentence is 1 when summed horizontally, but the specific site-likeness score and the news-likeness score are within the range of 0 to 1 independently of each other.
  • a response utterance that best matches the criteria can be output as a response to the dialogue.
  • the dialog system in which the utterance contents change according to the user's needs or desires can be obtained using the same dialog system.
  • the emotion score, the likelihood of a specific site, and the likelihood of news are adopted as reference axes for selecting a response utterance.
  • the present invention is not limited to such an embodiment.
  • whether the utterance content is forward (positive) or backward (negative), whether it is an utterance in an article reprinted on another site, whether it is a thesis or other, whether it is an utterance by the teacher or not, or a certain age It is also possible to adopt the evaluation axis based on whether or not the sentence is written in the above, the age of the speaker, etc. Also, these evaluation axes can be freely combined with each other.
  • the response utterance candidate is selected based on the score (probability value) output using the model learned by the CNN.
  • the present invention is not limited to such an embodiment.
  • response utterance candidates including words that appear frequently in textbooks may be selected.
  • response utterance candidates is not limited to those used in the first embodiment or the second and third embodiments described above. As long as it is possible to extract response utterance candidates that are highly likely to have a certain relationship with the input utterance, any existing ones, including those that can be used in the future, may be used.
  • a word identifier string is used as an input to the CNN.
  • the present invention is not limited to such an embodiment, and may be input in the form of a word vector, for example.
  • FIG. 18 shows the external appearance of the computer system 630
  • FIG. 19 shows the internal configuration of the computer system 630.
  • a computer system 630 includes a computer 640 having a memory port 652 and a DVD (Digital Versatile Disk) drive 650, a keyboard 646, a mouse 648, and a monitor 642, all connected to the computer 640. Including.
  • DVD Digital Versatile Disk
  • the computer 640 includes a CPU (Central Processing Unit) 656, a bus 666 connected to the CPU 656, the memory port 652, and the DVD drive 650, and a startup program.
  • ROM Read-only memory
  • RAM random access memory
  • Computer system 630 further includes a network interface (I / F) 644 that provides a connection to network 668 that allows communication with other terminals.
  • the computer programs for causing the computer system 630 to function as the interactive systems 40, 430 and 510 according to the above-described embodiments and the respective functional units thereof are stored in the DVD 662 or the removable memory 664 installed in the DVD drive 650 or the memory port 652. And further transferred to the hard disk 654. Alternatively, the program may be transmitted to the computer 640 through the network 668 and stored in the hard disk 654. The program is loaded into the RAM 660 when executed. The program may be loaded directly from the DVD 662 into the RAM 660 from the removable memory 664 or via the network 668.
  • This program includes an instruction sequence including a plurality of instructions for causing the computer 640 to function as each functional unit of the dialogue systems 40, 430, and 510 according to the above-described embodiment.
  • Some of the basic functions necessary to cause computer 640 to perform this operation are an operating system or third party program running on computer 640 or various dynamically linked programming toolkits or programs installed on computer 640. Provided by the library. Therefore, this program itself does not necessarily include all the functions necessary for realizing the system, apparatus, and method of this embodiment.
  • the program is a system as described above, by dynamically calling the appropriate program in the appropriate function or programming toolkit or program library at run time in a controlled manner to obtain the desired result. It is only necessary to include an instruction for realizing a function as an apparatus or a method. Of course, all necessary functions may be provided only by an independent program.
  • This invention can be applied to all industries where it is useful to give answers to questions, such as science, engineering, education, manufacturing, and service industries.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

【課題】ある特徴に特化した対話を行える対話システムを提供する。 【解決手段】対話装置６６は、複数の評価項目（例えば発話が表す感情）に関する基準値を設定する入出力装置９８及び応答発話選択基準記憶部１００と、入力発話に対して複数の応答発話候補を生成する応答発話候補選択部９０と、複数の応答発話候補の各々について、評価項目の各々に関する評価値を算出する応答発話感情分析部９４と、複数の応答発話候補のうち、評価値が基準値に最も近い応答発話候補を入力発話６２に対する応答発話６８として選択する応答発話選択・生成部９６とを含む。

Description

対話システム、対話装置及びそのためのコンピュータプログラム
　この発明はコンピュータを用いた対話システムに関し、特に、ある特徴（高齢者向け又は学習者向けを含むが、それに限定されない）に特化した、その特徴に応じた「らしさ」を持つ応答を行うことができる対話装置に関する。本出願は、２０１７年３月１６日に日本国に出願した出願番号２０１７－０５１５０３を基礎とする優先権を主張しており、その全体をここに参照により援用する。
　コンピュータを用いた対話システムが実用化されている。そうしたシステムの応用例として、特定の目的に合致した対話システムが今後必要になってくる。例えば、一人暮らしの高齢者に対しては、一般的な世間話を行ったり高齢者が好む話題を取り上げたりする対話システムが望ましい。また、大学受験にむけて勉強を行っている学習者に対しては、学習に役立つような応答を行うことができる対話システムが望ましい。
　従来、そうした対話システムは、目的に合致した入力文と応答文との対を収集してデータベース化し、入力された発話に対する応答文として適切な応答をデータベースから選択するという手法により構築されている。音声を用いてそうした応答を行うものが特許文献１に開示されている。
　特許文献１に開示されたシステムは、特定のドメインにおける話題について人と対話するシステムである。このシステムは、意図理解部を持つ。意図理解部は、入力発話を解析し、発話者がドメインにおけるどのような情報を知りたがっているか、すなわち発話者の意図を理解する。そのために意図理解部は、意図理解モデルと問題解決知識の記憶装置を持つ。意図理解モデルは、意図ごとに様々な言い方からなる文例を集めたものであり、発話文が含む単語及びその表現パターンが示す意図をデータベース化したものである。問題解決知識は、発話表現とその解決策との対応関係を集めたものである。
　このシステムでは、発話の意図を意図理解モデルにより理解し、その意図により、応答すべき問題を特定して、問題解決知識を検索してその問題に対する回答からなる応答を生成し、出力する。
特開２０１６－０９９３８１号公報
　しかし、特許文献１に開示されたシステム構成では、意図理解モデルを構築するためには様々な発話を収集し、各発話の意図を人手で付与しなければならないという問題がある。そのため、結局、各ドメインについて専用の意図理解モデルを構築する必要がある。また、特許文献１に開示されたシステムでは、応答としては単純な事実を与えればよいだけであるが、適切な対話を可能とするためには、各意図に対する応答候補を準備し、応答候補データベースとして準備しなければならない。しかもこの応答候補データベースもドメインごとに準備する必要がある。したがって、適切な応答を行うことができる対話システムを様々な分野において容易に構築するのは、特許文献１に開示された技術では行うことができない。すなわち、特許文献１に開示された技術では、ある特徴に特化して適切な応答を行える対話システムを構築するのは容易ではない。
　それゆえに本発明は、発話に対して適切な応答を行うことができる対話システムであって、さまざまな特徴に対応した対話を行えるものを提供することを目的とする。
　本発明の第１の局面に係る対話装置は、予め定められた一組の評価項目に関する基準値を設定するための基準値設定手段と、入力発話に対して複数の応答発話候補を生成するための応答発話候補生成手段と、複数の応答発話候補の各々について、一組の評価項目の各々に関する評価値を算出するための評価手段と、複数の応答発話候補の内、評価手段による評価値が基準値に対して予め定める関係にある応答発話候補を入力発話に対する応答発話として選択するための応答発話選択手段とを含む。
　好ましくは、一組の評価項目は、複数の項目を含み、評価手段は、発話が与えられると、当該発話が複数の項目に合致する度合いを示すスコアを複数の項目の各々について出力するように機械学習により学習済のモデルを用いるための判別手段を含む。
　より好ましくは、一組の評価項目は、当該一組の評価項目の値に対応して１点が定められる評価空間を定義し、応答発話選択手段は、評価空間内において、応答発話候補の内、対応する点が基準値により定められる点に最も近いものを入力発話に対する応答発話として選択するための手段を含む。
　さらに好ましくは、一組の評価項目は、複数の項目を含む第１の評価項目と、第１の評価項目とは独立な第２の評価項目とを含み、評価手段は、複数の応答発話候補の各々について、第１の評価項目の複数の項目の各々について評価値を算出するための第１の評価手段と、複数の応答発話候補の各々について、第２の評価項目について評価値を算出するための第２の評価手段とを含む。
　好ましくは、複数の項目は、複数の項目の値に対応して１点が定められる評価空間を定義し、応答発話選択手段は、評価空間内において、応答発話候補の内、対応する点が基準値により定められる点から一定の範囲内にあるものを抽出するための候補抽出手段と、候補抽出手段により抽出された応答発話候補の内、第２の評価項目による評価値が、基準値とは独立な基準を充足するものを応答発話として選択するための手段とを含む。
　本発明の第２の局面に係る対話システムは、上記したいずれかの対話装置と、複数の学習用テキストの各々を、一組の評価項目にしたがった評価値と関係づけて記憶するテキスト記憶装置と、テキスト記憶装置に記憶された複数の学習用テキストを学習データとして、入力発話が与えられると、一組の評価項目に関する評価値を推定し出力するよう、機械学習により評価手段の学習を行うための学習手段とを含む。
　本発明の第３の局面に係るコンピュータプログラムは、コンピュータを、上記したいずれかの装置の各手段として機能させる。
本発明の第１の実施の形態に係る対話システムの概略構成を示すブロック図である。 図１に示す大規模テキストデータベースに記憶されたテキスト例を示す図である。 図１に示すテキスト抽出・分類部を実現するコンピュータプログラムの制御構造を示すフローチャートである。 図３に示すテキスト抽出・分類部により分類された学習用テキストの構成を示す図である。 図１に示す感情判定モデルの概略構成を示す図である。 図１に示す会話文データベースに記憶された会話文の例を示す図である。 図１に示す応答発話候補選択部を実現するコンピュータプログラムの制御構造を示すフローチャートである。 図１に示す応答発話感情分析部を実現するコンピュータプログラムの制御構造を示すフローチャートである。 応答発話候補の感情スコアの例を示す図である。 ユーザが望む応答発話の傾向を設定するために入出力装置に表示されるダイアログボックスの例を示す図である。 図１に示す応答発話選択・生成部による応答発話選択の方法を説明するための、探索空間を示す模式図である。 応答発話選択・生成部を実現するコンピュータプログラムの制御構造を示すフローチャートである。 本発明の第２の実施の形態に係る対話システムの概略構成を示すブロック図である。 図１３に示す特定サイトらしさ／ニュースらしさスコア算出部により算出される各文のスコア例を示す図である。 図１３に示す応答発話選択・生成部を実現するコンピュータプログラムの制御構造を示すフローチャートである。 本発明の第３の実施の形態に係る対話システムの概略構成を示すブロック図である。 図１６に示す応答発話感情分析部、特定サイトらしさスコア算出部及びニュースらしさスコア算出部により各文に対して算出されるスコア例を示す図である。 本発明の各実施の形態に係る対話システム実現するコンピュータの外観を示す図である。 図１８に示すコンピュータのハードウェア構成を示すブロック図である。
　以下の説明及び図面では、同一の部品には同一の参照番号を付してある。したがって、それらについての詳細な説明は繰返さない。
　［第１の実施の形態］
　＜構成＞
　図１に、本発明の第１の実施の形態に係る対話システム４０のブロック図を示す。図１を参照して、この対話システム４０は、ウェブから収集した大量のテキストをそのＵＲＬとともに記憶した大規模テキストデータベース５２と、予めこの大規模テキストデータベースから抽出された、評価項目としての一組の感情語を記憶した感情語辞書５４と、後に感情語のいずれかが現れることが多い語（ここでは「接続語」と呼ぶ。）を記憶した接続語辞書５６と、感情語辞書５４に記憶された感情語の各々について、入力された文がそれらに合致するスコアを算出するよう、事前に機械学習済の感情判定モデル６０と、大規模テキストデータベース５２、感情語辞書５４及び接続語辞書５６を用いて感情判定モデル６０の機械学習を行うためのモデル学習部５８とを含む。
　図２を参照して、大規模テキストデータベース５２には、多くのテキストが格納されている。図２に示す例文において、単語１５０、１５２、１５４、１５６及び１５８は何らかの感情を表す単語である。各単語の前に存在する単語１３０、１３２、１３４、１３６及び１３８は、これら感情語を導くために特徴的に使用される接続語である。最初に、後ろに感情語を伴うことが多い接続語を収集し、接続語辞書５６に格納する。そして大規模テキストデータベース５２から各接続語に後続する単語を集める。そうした単語が感情を表すものであれば感情語辞書５４に格納し、そうでなければ捨てる。本実施の形態では、同根の感情語であっても語形が異なるものは別々の感情語とする。したがって感情語の数はかなり多くなる。
　再び図１を参照して、モデル学習部５８は、感情語辞書５４及び接続語辞書５６を参照して、大規模テキストデータベース５２から接続語辞書５６に記憶された接続語のいずれかと、感情語辞書５４に記憶された感情語のいずれかが連続して現れるテキストを抽出し、各テキストにそのテキストが含む感情語をラベルとして付して出力するテキスト抽出・分類部８０と、テキスト抽出・分類部８０から出力されるラベル付きのテキストを感情判定モデル６０の学習用として記憶する学習用テキスト記憶部８２と、学習用テキスト記憶部８２に記憶された学習用テキストを用いて感情判定モデル６０の学習を行う学習処理部８４とを含む。
　本実施の形態では、テキスト抽出・分類部８０は、コンピュータプログラムにより実現される。図３を参照して、このプログラムは、感情語辞書５４から全ての感情語を読出すステップ２００と、接続語辞書５６から全ての接続語を読出すステップ２０２と、ステップ２０２で読出された先行する接続語と、ステップ２００で読出された後続する感情語とからなる全ての単語列の組合せのいずれかを含むテキストを大規模テキストデータベース５２から検索するための検索式を生成するステップ２０４と、ステップ２０４で生成された検索式を用いて大規模テキストデータベース５２から条件を満たすテキストを全て抽出するステップ２０６と、ステップ２０６で抽出されたテキストの各々に対し、以下に説明する処理２１０を実行するステップ２０８とを含む。
　処理２１０は、処理対象となっているテキストの内、接続語の前までを抽出するステップ２２０と、ステップ２２０で抽出されたテキストに、検索された感情語をラベルとして付すステップ２２２と、ステップ２２０で抽出され、ステップ２２２で感情語のラベルが付されたテキストを学習データとして学習用テキスト記憶部８２に格納するステップ２２４とを含む。
　図４に、図１に示す学習用テキスト記憶部８２に格納されたテキストの集合を模式的に示す。図４を参照して、各テキストには感情語（嬉しい、悲しい、楽しい、しんどい）が付されている。これら感情語が後述するように応答発話を選択する際の評価項目となる。このラベルによりテキストはグループに分けられる。学習処理部８４における感情判定モデル６０の学習は、テキストが入力されると、そのテキストが学習用テキスト記憶部８２に記憶されたテキストに付されたラベル（感情語）の各々について、そのラベルにより表される感情に合致するテキストである確率を出力するように行われる。ここでの確率は、そのテキストがそのラベルにより表される感情を表すものである「らしさ」を示す、すなわちその感情に合致する度合いを示すスコアと考えることができる。ラベルは複数個あり、確率はこれら各ラベルを排他的な評価項目として取り扱うことにより算出される。
　図５に感情判定モデル６０の構成を概念的に示す。本実施の形態では、感情判定モデル６０はコンボリューショナル・ニューラル・ネットワーク（ＣＮＮ）からなる。感情判定モデル６０は、入力されるテキストを構成する単語列が入力される複数個の入力２４０と、感情語辞書５４に記憶された感情語の数だけの出力２４２とを持つ。本実施の形態では、入力される単語はいずれも、図示しない単語変換部により単語の識別子に変換され、入力２４０として与えられる。出力２４２の各々は感情語辞書５４に記憶された感情語のいずれかに対応する。入力２４０に処理対象のテキストの単語列が与えられると、そのテキストが各感情語により表される感情に合致する確率が、各感情語に対応する出力に得られる。
　再び図１を参照して、対話システム４０はさらに、大量の会話文を記憶した会話文データベース６４と、入力発話６２を受け、感情判定モデル６０を用いて、会話文データベース６４から入力発話６２に対する適切な応答発話６８を選択し出力する対話装置６６とを含む。
　図６に、会話文データベース６４に記憶された会話文の例を示す。会話文データベース６４には、図６に示すような会話文が予め大量に収集され記憶されている。こうした会話文はどのようにして収集しても良いが、本実施の形態ではウェブ及びソーシャル・ネットワーキング・サービス上に存在する文を収集した。これら会話文は、そのテキストに基づいて検索可能となっている。
　再び図１を参照して、対話装置６６は、入力発話６２に応答して、会話文データベース６４に記憶された応答発話から応答発話候補の文を生成（本実施の形態では選択）する応答発話候補選択部９０と、応答発話候補選択部９０により選択された応答発話候補を記憶する応答発話候補記憶部９２と、応答発話候補記憶部９２に記憶された各応答発話候補について、感情判定モデル６０を参照して各感情の評価値である感情スコアを算出する応答発話感情分析部９４と、応答発話を選択するための基準をユーザが設定する際に使用する入出力装置９８と、入出力装置９８により設定された応答発話選択の基準を記憶する応答発話選択基準記憶部１００と、応答発話選択基準記憶部１００に記憶された応答発話選択基準にしたがって、応答発話感情分析部９４により算出されたスコアに基づいて、応答発話候補記憶部９２に記憶された応答発話候補の１つを選択して応答発話６８として出力する応答発話選択・生成部９６とを含む。
　図１に示す応答発話候補選択部９０は、本実施の形態では入力発話６２に含まれる単語の内、最も重要な単語を抽出し、その単語を含む会話文を会話文データベース６４から抽出する。重要な単語としては、例えばtf/idf値が最大のものを採用できる。応答発話候補選択部９０は、本実施の形態ではコンピュータプログラムにより実現される。図７にそのコンピュータプログラムの制御構造をフローチャート形式で示す。
　図７を参照して、このプログラムは、入力発話６２に含まれる内容語を抽出するステップ２８０と、ステップ２８０で抽出された内容語のいずれかを含む会話文を会話文データベース６４から検索し抽出するステップ２８２と、ステップ２８２で抽出された会話文について、入力発話６２の内容語と一致する内容語の数の多いものから順番に所定個数を選択するステップ２８４と、ステップ２８４で選択された会話文を応答発話候補として格納するステップ２８６とを含む。
　図１に示す応答発話感情分析部９４も本実施の形態ではコンピュータプログラムにより実現される。図８を参照して、このプログラムは、応答発話候補記憶部９２に記憶された応答発話候補の各々に対して以下に述べるスコア算出処理３１０を実行するステップ３００を含む。
　スコア算出処理３１０は、処理対象の応答発話候補の感情スコアを算出する処理である。スコア算出処理３１０は、処理対象の応答発話候補を応答発話候補記憶部９２から読出すステップ３２０と、ステップ３２０で読出された応答発話候補を構成する単語の各々を識別子に変換して連結することにより、感情判定モデル６０への入力パラメータを作成するステップ３２２と、ステップ３２２により作成された入力パラメータを図５に示す感情判定モデル６０の入力２４０に与えるステップ３２４と、ステップ３２４により与えられた入力パラメータに応答して感情判定モデル６０の出力２４２に得られるスコアのベクトルの各要素（確率値）を、処理中の応答発話候補に対応するスコア配列に格納するステップ３２６とを含む。
　スコア配列は各応答発話候補に対応して準備される。したがって得られるこのスコア配列は２次元である。図９にスコア配列の例を示す。図９に示す例は、４つの応答発話候補の各々に対して算出された感情スコアを示している。例えば、応答発話候補「チョコレートを食べた」について算出された、「嬉しい」、「悲しい」、「楽しい」、及び「しんどい」という感情スコアはそれぞれ０．５、０．１、０．３及び０．１である。これらスコアは確率であるから、図９に示す各行のスコアを横に加えた値は１となる。
　図１０は、図１に示す入出力装置９８に表示される、応答発話選択の基準を設定するダイアログの例である。図１０を参照して、このダイアログ３４０は、「嬉しい」、「悲しい」、「楽しい」、及び「しんどい」という４つの感情の各々について、０から１の範囲でスコアの基準値を設定するために、４つのシークバー３６０、３６２、３６４及び３６６を持つ。各シークバー３６０、３６２，３６４及び３６６はそれぞれサム３７０、３７２、３７４及び３７６を持ち、これらサムを左右に移動させることにより各感情に対するスコアの基準値を設定できる。なお、本実施の形態では、各スコアの合計は１という制約がある。したがって、例えばあるシークバーのサムを左右に移動させたときにはその値を１から引き、それを残りの３つの感情のそれまで設定されていた基準値に応じて各感情に配分する必要がある。したがって、あるサムを移動させると、そのたびに他のサムも左右に移動することになる。
　図１１に、図１に示す応答発話選択・生成部９６による応答発話の選択方法を示す。例えば３つの感情スコアを各評価項目の評価値と考えた場合、これら感情スコアを各軸に対応付けることにより、図１１に示すような３次元の立方体により囲まれた評価のための空間（評価空間）を考えることができる。この評価空間では、応答発話のスコアごとに対応する１点が定義できる。さらに、応答発話選択基準記憶部１００に記憶された基準値に応じ、この評価空間内に基準点３９０を定めることができる。応答発話選択・生成部９６は、応答発話感情分析部９４により各応答発話候補に対して計算されたスコアを座標として用いることにより、各応答発話候補をこの評価空間内の１点に割り当て、その点と基準点３９０との間のユークリッド距離（以下、単に「距離」という。）を計算する。そして、基準点３９０との間の距離が最も小さな応答発話候補を応答発話６８として選択する。なお、本実施の形態では、計算時間を短縮するために、基準点３９０を中心とした所定の探索範囲３９２内にある応答発話候補のみを抽出して距離の計算対象とする。ここでは距離としてユークリッド距離を用いているが、一般的に距離が満たすべき数学的条件を満たす測度であればどのようなものを用いても良い。
　本実施の形態では、この応答発話選択・生成部９６もコンピュータプログラムにより実現される。図１２を参照して、このプログラムは、応答発話選択基準記憶部１００から基準値を読出すステップ４００と、探索範囲３９２を定めるステップ４０２とを含む。探索範囲３９２は、例えば各座標の値について基準値±αの範囲に定めることができる。αは本実施の形態では全ての座標について共通の定数値とする。しかし本発明はそのような実施の形態には限定されない。αを基準値の各座標値の例えば１／２０等として座標別（感情別）に定めることもできる。又は、特定の座標については固定値とし、他の座標については基準値により変化させることもできる。
　このプログラムはさらに、感情スコアを構成する各値が、ステップ４０２で定めた探索範囲３９２内に存在する応答発話候補のみを応答発話候補記憶部９２に記憶された候補から抽出するステップ４０４と、距離の最小値を記憶する変数にその変数の型で許容される最大数を代入するステップ４０６と、応答発話を表す変数に、予め定めたデフォルトの文を代入するステップ４０８と、ステップ４０４で抽出された応答発話候補の各々について以下に説明する処理４１２を実行することにより、基準点３９０からの距離が最小となる応答発話候補を選択するステップ４１０と、ステップ４１０で選択された応答発話候補を応答発話６８として出力するステップ４１４とを含む。
　処理４１２は、処理対象の応答発話候補と、基準点３９０との距離を計算するステップ４２０と、ステップ４２０で計算された距離が、これまでに計算された最小値より小さいか否かを判定し、判定が否定なら現在の応答発話候補に対する処理４１２を終了するステップ４２２と、ステップ４２２の判定が肯定であれば、最小値にステップ４２０で計算された距離を代入し、応答発話を表す変数に処理中の応答発話候補を代入して処理４１２を終了するステップ４２４とを含む。
　［動作］
　以上に構成を説明した対話システム４０は以下のように動作する。動作には２つのフェーズがある。第１はモデル学習部５８による感情判定モデル６０の学習フェーズであり、第２は対話装置６６による対話動作フェーズである。
　〈学習フェーズ〉
　大規模テキストデータベース５２には大量のテキストを格納し、データベース化する。また、接続語辞書５６には予め接続語を格納しておき、感情語辞書５４には接続語辞書５６を用いて大規模テキストデータベース５２から抽出した感情語を格納しておく。
　学習時、テキスト抽出・分類部８０は、大規模テキストデータベース５２から、接続語辞書５６に記憶された接続語のいずれかと、感情語辞書５４に記憶された感情語のいずれかが連続して現れるテキストを抽出し、各テキストにそのテキストが含む感情語をラベルとして付して出力する。学習用テキスト記憶部８２は、これらラベル付きのテキストを記憶する。学習処理部８４は、学習用テキスト記憶部８２に記憶された学習用テキストを用いて感情判定モデル６０の学習を行う。感情判定モデル６０は前述したとおりＣＮＮからなる。したがってこの感情判定モデル６０の学習は、通常のニューラルネットワークと同様、誤差逆伝播方式により行える。こうして大規模テキストデータベース５２に記憶された全てのテキストについて感情判定モデル６０の学習が終わると、対話装置６６による応答発話処理が可能になる。
　［対話動作フェーズ］
　会話文データベース６４には予め大量の会話文を格納し、テキストに含まれる任意の文字列に基づいて検索できるようデータベース化しておく。また、実際に対話動作を行う前に、ユーザは入出力装置９８を用いて、図１０に示すようなダイアログ３４０を表示させ、応答の基準値を設定する。設定された基準値は応答発話選択基準記憶部１００に記憶される。
　入力発話６２が対話装置６６の応答発話候補選択部９０に与えられると、応答発話候補選択部９０は、会話文データベース６４から応答発話候補の会話文を選択する。具体的には、応答発話候補選択部９０は、入力発話６２から内容語を抽出し（図７、ステップ２８０）、その内容語を含む会話文を会話文データベース６４から抽出する（ステップ２８２）。さらに応答発話候補選択部９０は、入力発話６２のうちで重要な単語を抽出し、それら会話文の内で、この重要な単語を含むものを応答発話候補として抽出し（ステップ２８４）、応答発話候補記憶部９２に格納する（ステップ２８６）。
　応答発話感情分析部９４は、応答発話候補記憶部９２に記憶された各応答発話候補について、感情判定モデル６０を参照して感情スコアを算出する。より具体的には、応答発話感情分析部９４は、応答発話候補記憶部９２に記憶された応答発話候補を読み（図８のステップ３２０）、感情判定モデル６０への入力パラメータをその応答発話候補を構成する単語列から作成する（ステップ３２２）。この入力パラメータを感情判定モデル６０の入力２４０（図５参照）に入力して感情判定モデル６０の出力を待ち（ステップ３２４）、感情判定モデル６０の出力２４２（図５参照）に得られるスコアのベクトルの各要素（確率値）を処理中の応答発話候補に対応するスコア配列に格納する（ステップ３２６）。この処理により、図９に示すような２次元配列が得られる。
　応答発話選択・生成部９６は、応答発話選択基準記憶部１００から基準値を読出す（図１２、ステップ４００）。応答発話選択・生成部９６はさらに、この基準値に基づいてその基準値±αの範囲を図１１に示す探索範囲３９２に決定する（ステップ４０２）。応答発話選択・生成部９６は、図１に示す応答発話候補記憶部９２に記憶された応答発話の内、応答発話感情分析部９４に算出された感情スコアが探索範囲内３９２にあるもののみを抽出する（ステップ４０４）。さらに応答発話選択・生成部９６は、距離の最小値を表す変数に、その変数のとり得る最大値を代入し（ステップ４０６）、応答発話を表す変数にデフォルト文を代入する（ステップ４０８）。
　応答発話選択・生成部９６はさらに、ステップ４０４で抽出された各応答発話候補に対し、その応答発話候補と基準点３９０との間の距離を計算する（ステップ４２０）。この距離がこれまでに算出された最小値より小さければ（ステップ４２２でＹＥＳ）、この距離を最小値に代入し、応答発話を表す変数にこの応答発話候補を代入して（ステップ４２４）、次の応答発話候補に処理を移す。ステップ４２２の判定が否定（ステップ４２２でＮＯ）ならこの応答発話候補については何もせず、次の応答発話候補に処理を移す。
　こうして、全ての応答発話候補に対する処理４１２が終了すると、応答発話を表す変数には、図１１に示す基準点３９０との距離が最も小さな応答発話候補が格納されている。応答発話選択・生成部９６は、この応答発話候補を応答発話６８（図１）として出力する（図１２、ステップ４１４）。
　以上のようにこの実施の形態によれば、ユーザが設定した感情スコアの配列に最も近い応答発話候補が応答発話として選択される。そのため、ユーザが対話として楽しいものを望むときには「楽しい」という感情のスコアが大きくなるように図１０に示すダイアログ３４０を用いて基準値を設定すれば、ユーザの望みに応じた楽しい会話を行うことができる。さらに、上記実施の形態では、感情語辞書５４及び接続語辞書５６を十分に準備することにより、感情語辞書５４に記憶された感情語の範囲で任意の組合せを選び、対話装置６６で選択できる。そのため、汎用性が極めて高い対話システムを得ることができる。
　［第２の実施の形態］
　上記第１の実施の形態では、対話における感情に焦点を当てている。しかし本発明はそのような実施の形態には限定されない。例えば、多数のユーザが多くの発言を行うようなサイトでは、そのサイト特有の発言スタイルが形成されていたり、特有の話題に焦点があった発言のみが行われていたりする。例えば２ｃｈ（登録商標）等が有名である。ユーザがこうしたサイトでの発言を読むことを好んでいる場合、対話でも同じような発言スタイルを採用したり、特定の話題に関する話題に焦点が当てられていたりすることを望む場合があり得る。この第２の実施の形態は、第１の実施の形態で採用されていた「感情」に代えて、こうした発話スタイルを基準にした対話を可能にする。特にこの実施の形態は、特定サイトでの発言スタイルに近い発言をし、かつ、そのような特定サイトらしさとは独立に、発言の内容として最近のニュースに関する話題を扱うような対話システムを提供する。
　図１３を参照して、第２の実施の形態に係る対話システム４３０は、大規模テキストデータベース５２と、特定サイト及びニュースサイトのＵＲＬを格納した特定サイト／ニュースＵＲＬリスト４５２と、第１の実施の形態と同様にＣＮＮからなり、発話が特定サイトのいずれかから得られた確率とそれ以外のサイトから得られた確率とを出力する特定サイト判別モデル４４８と、特定サイト判別モデル４４８とは独立に、入力発話がニュース記事である確率とそれ以外のサイトから得られた確率とを出力するニュース判別モデル４５０と、大規模テキストデータベース５２及び特定サイト／ニュースＵＲＬリスト４５２を用いて、特定サイト判別モデル４４８及びニュース判別モデル４５０の学習を行うモデル学習部４４０とを含む。すなわち、特定サイト判別モデル４４８は発話が特定サイトから得られたか否かを評価項目とするのに対し、ニュース判別モデル４５０は、発話がニュース記事であるか否かという、特定サイト判別モデル４４８の評価項目とは独立なことがらを評価項目としている。
　対話システム４３０はさらに、ウェブ上から、対話の入力文とその応答文とのペアを大量に収集しデータベース化して得た入力・応答データベース４４４と、入力発話４４２に応答して、特定サイト判別モデル４４８及びニュース判別モデル４５０を参照して、入力・応答データベース４４４に格納された入力・応答の内で、入力発話４４２に近い入力発話とペアになった応答発話であって、ユーザが設定した「特定サイトらしさ」に近い発話スタイルを持ち、かつニュースらしさとしては最も高いスコアを持つ応答発話を選択して応答発話４５４として出力する対話装置４４６とを含む。
　モデル学習部４４０は、特定サイト／ニュースＵＲＬリスト４５２を参照して、大規模テキストデータベース５２に格納されたテキストを、特定サイトのＵＲＬから収集したテキストとそれ以外からのテキストとに分類した第１のテキスト集合、及びニュース記事であるテキストとそれ以外のテキストとに分類した第２のテキスト集合を作成し、出所を示すラベル（特定サイト／それ以外、ニュース記事／それ以外）を付して、それぞれ出力するテキスト分類部４６０と、第１のテキスト集合を記憶する第１の学習用テキスト記憶部４６２と、第２のテキスト集合を記憶する第２の学習用テキスト記憶部４６３と、第１の学習用テキスト記憶部４６２に記憶された学習用テキストを用いて特定サイト判別モデル４４８の学習を行うための第１の学習処理部４６４と、第２の学習用テキスト記憶部４６３に記憶されたテキストを用いてニュース判別モデル４５０の学習を行う第２の学習処理部４６５とを含む。
　特定サイト判別モデル４４８及びニュース判別モデル４５０はいずれも、図５に示す感情判定モデル６０と基本的には同じ構成である。しかし、特定サイト判別モデル４４８の場合にはテキストが特定サイトのＵＲＬ及びそれ以外のＵＲＬ得られたものである確率をそれぞれ示す２つの出力を持つ点、ニュース判別モデル４５０の場合にはテキストがニュース記事である及びそれ以外である確率をそれぞれ示す２つの出力を持つ点でいずれも感情判定モデル６０とは異なる。
　対話装置４４６は、入力発話４４２に応答して、入力・応答データベース４４４において、入力発話４４２に類似した入力発話を持つペアを検索し、検索されたペアの応答発話を応答発話候補として選択する応答発話候補選択部４７０と、応答発話候補選択部４７０により選択された応答発話候補を記憶する応答発話候補記憶部４７２と、応答発話候補記憶部４７２に記憶された応答発話候補の各々について、ニュース判別モデル４５０を参照してニュース記事である確率を算出し、ニュースらしさを示すスコアとして出力するニュースらしさスコア算出部４７４と、応答発話候補記憶部４７２に記憶された応答発話候補の各々について、特定サイト判別モデル４４８を参照して特定サイトのサイトから得られたものである確率を算出し、特定サイトらしさを示すスコアとして出力する特定サイトらしさスコア算出部４７５とを含む。応答発話候補選択部４７０による、類似した発話の検索には、例えば発話に含まれる単語からなる単語ベクトル間の類似度を用いたり、２つの発話の間の編集距離を用いたりすることが可能である。
　対話装置４４６はさらに、応答発話を選択するための基準を設定するためにユーザが用いる入出力装置４７８と、入出力装置４７８により設定された基準を記憶する応答発話選択基準記憶部４８０とを含む。本実施の形態では、応答発話の選択基準として設定できるのは特定サイトからの発話らしさのみである。ニュースらしさの選択基準はユーザにより設定されたものではなく、本実施の形態では最も高いもの、という基準を充足すること、というものである。
　対話装置４４６はさらに、特定サイトらしさスコア算出部４７５により計算された各応答発話候補の内で、特定サイトらしさのスコアがその基準値を中心とする所定範囲内にある応答発話候補のみを探索対象とし、その中でニュースらしさスコアが最高の応答発話候補を選択して応答発話４５４として出力する応答発話選択・生成部４７６を含む。
　図１４に、ある応答発話候補の文について特定サイトらしさスコア算出部４７５により算出される特定サイトらしさのスコアとニュースらしさスコア算出部４７４により算出されるニュースらしさのスコアの例を示す。この例では、各スコアはそれぞれ別のモデルにより算出される。第１の実施の形態の場合と異なり、各文に対して算出されたスコアはそれぞれ０～１の範囲に分布する。したがってそれらの値を合計しても必ずしも１にはならず、０から２の範囲内の値となる点に注意が必要である。
　図１５に、応答発話選択・生成部４７６を実現するコンピュータプログラムの制御構造をフローチャート形式で示す。図１５を参照して、このプログラムは、応答発話選択基準記憶部４８０に記憶された基準値（特定サイトらしさのスコア）を読出すステップ４９０と、読出したスコアを中心とする所定範囲（基準値±α）を応答発話候補の探索範囲として定めるステップ４９２と、特定サイトらしさのスコアがステップ４９２で定められた探索範囲内にある応答発話候補のみを抽出するステップ４９４とを含む。
　このプログラムはさらに、ステップ４９４で抽出された応答発話候補を、ニュースらしさのスコアの降順でソートするステップ４９６と、ステップ４９６でソートされた応答発話候補の内で、先頭の応答発話候補を応答発話として選択し出力するステップ４９８とを含む。
　〈動作〉
　この第２の実施の形態に係る対話システム４３０は以下のように動作する。予め大規模テキストデータベース５２及び入力・応答データベース４４４を準備しておくことは第１の実施の形態と同様である。この対話システム４３０にも動作フェーズは学習と対話との２つがある。
　学習フェーズでは、モデル学習部４４０のテキスト分類部４６０は、特定サイト／ニュースＵＲＬリスト４５２を参照しながら、大規模テキストデータベース５２に記憶されたテキストを、特定サイトからのテキストとそれ以外のテキストに分類して第１のテキスト集合を作成し、第１の学習用テキスト記憶部４６２に格納する。テキスト分類部４６０はさらに、大規模テキストデータベース５２に記憶されたテキストを、ニュース記事のテキスト及びそれ以外のテキストに分類して第２のテキスト集合を作成し、第２の学習用テキスト記憶部４６３に格納する。この際、各テキストにはその出所を示すラベル（特定サイト／それ以外、ニュース記事／それ以外）が付される。
　第１の学習処理部４６４は第１の学習用テキスト記憶部４６２に記憶されたテキストの集合を用いて特定サイト判別モデル４４８の学習を行う。第２の学習処理部４６５は、第２の学習用テキスト記憶部４６３に記憶されたテキストの集合を用いてニュース判別モデル４５０の学習を行う。この学習の結果、発話のテキストが与えられると、特定サイト判別モデル４４８はその発話が特定サイトからか否かを示す２つの確率を出力し、ニュース判別モデル４５０はその発話がニュース記事であるか否かを示す２つの確率を出力する。特定サイトからのテキストである確率が特定サイトらしさのスコアであり、ニュース記事のテキストである確率がニュースらしさのスコアである。
　特定サイト判別モデル４４８及びニュース判別モデル４５０の学習が終了すると、対話装置４４６による対話処理が可能になる。
　〈対話〉
　図１３を参照して、入力発話４４２が与えられると、対話装置４４６の応答発話候補選択部４７０は、入力・応答データベース４４４に記憶されている入力・応答ペアの内、入力が入力発話４４２に類似しているものを所定個数検索し、対応する応答を応答発話候補として選択し応答発話候補記憶部４７２に格納する。
　ニュースらしさスコア算出部４７４は、応答発話候補記憶部４７２に記憶された各応答発話候補について、ニュース判別モデル４５０を用いてニュースらしさを算出する。特定サイトらしさスコア算出部４７５も同様に、各応答発話候補について、特定サイト判別モデル４４８を用いて特定サイトらしさを算出する。これらは各応答発話候補に関するスコアとして、図１４に示すような２次元配列として記憶され応答発話選択・生成部４７６に与えられる。
　応答発話選択・生成部４７６は、応答発話選択基準記憶部４８０に記憶された特定サイトらしさの基準値を読出し（図１５，ステップ４９０）、その基準値を中心とした基準値±αの範囲を応答発話候補の探索範囲に設定する（ステップ４９２）。応答発話選択・生成部４７６はさらに、探索範囲内の特定サイトスコアを持つ応答発話候補の中で（ステップ４９４）最もニュースらしさのスコアが高いものを選択し（ステップ４９６及び４９８）、応答発話４５４として出力する。
　本実施の形態では、異なる２つの評価項目を評価軸とし、一方の評価軸において設定された基準値に近い応答発話候補の内で、他方の評価軸で測定したスコアが最も高いものを応答発話として選択する。２つの評価軸の内、一方の評価軸に関する基準値を設定することだけが必要であって、基準値の設定が容易になるという効果がある。なお、本実施の形態では、説明を容易にするために、評価の軸を２つのみとした。しかし本発明はそうした実施の形態には限定されない。評価の軸を３つ以上とし、基準値を設定する軸を２つ以上、又は基準値を設定せずにスコアの高いものを選択する軸を２つ以上としてもよい。また、必ずしもスコアの高いものに限らず、任意の基準を充足するように基準を選択できる。例えばスコアが低いもの、予め設定した値に近いもの、探索範囲内にある応答発話候補のスコアの中央値を持つもの、又は平均値に近いもの等を選択するようにしてもよい。さらに、互いに独立にスコアが算出される複数の評価軸が存在する場合、各軸について独立に評価するのではなく、例えば第１の軸のスコアと第２の軸のスコアとの和（又は差、積、特定の関数の値等）が最大（又は最小）のものを選択する応用も可能である。なお、上記した応答発話選択・生成部４７６は、最初に探索範囲を決定した後、その探索範囲内でニュースらしさのスコアが最も高い応答発話候補を選択している。しかし本発明はそのような実施の形態には限定されず、最初にニュースらしさのスコアが高いものを選択した後、選択された応答発話候補の中で特定サイトらしさの基準値に最も近い応答発話候補を選択するようにしてもよい。
　［第３の実施の形態］
　第３の実施の形態は、上記第１の実施の形態と第２の実施の形態とを組合せたものである。図１６を参照して、第３の実施の形態に係る対話システム５１０は、入力発話４４２が与えられると、第１の実施の形態で用いられた感情判定モデル６０、並びに第２の実施の形態で用いられた特定サイト判別モデル４４８及びニュース判別モデル４５０を用いて、入力・応答データベース４４４に記憶された応答発話候補から、ユーザにより設定された基準値に最もよく合致するものを選択して応答発話５２８として出力する対話装置５２６を含む。
　対話装置５２６は、応答発話候補選択部４７０及び応答発話候補記憶部４７２と、ユーザが基準値を設定する際に使用する入出力装置５５０と、入出力装置５５０を用いて設定された基準値を記憶する応答発話選択基準記憶部５５２とを含む。本実施の形態では、第１の実施の形態で用いられた感情スコアと、第２の実施の形態で用いられた特定サイトらしさのスコア及びニュースらしさのスコアとを用いる。これらの内で、ユーザが設定可能なものはニュースらしさのスコア以外のものである。入出力装置５５０は、第１の実施の形態に関連して図１０に示したものと同様のダイアログで基準値を入力するためのものである。本実施の形態では、感情スコアについては第１の実施の形態と同様、感情ごとのスコアの合計が１となるような入力が行われるが、特定サイトらしさのスコアはそれらとは独立に０～１の範囲で設定できるようにしておく必要がある。
　対話装置５２６はさらに、第１の実施の形態と同様の応答発話感情分析部９４と、いずれも第２の実施の形態と同様のニュースらしさスコア算出部４７４及び特定サイトらしさスコア算出部４７５と、応答発話選択基準記憶部５５２に記憶された基準値に基づいて応答発話候補の探索範囲を設定し、応答発話候補記憶部４７２に記憶された応答発話候補の中で、探索範囲内にあり、かつニュースらしさのスコアが最も高いものを選択して応答発話５２８として出力する応答発話選択・生成部５５４とを含む。
　図１７に、応答発話感情分析部９４、ニュースらしさスコア算出部４７４、及び特定サイトらしさスコア算出部４７５により各応答発話候補に対して算出されたスコアの例を示す。この例でも、各文の感情スコアについては横に合計すると１になるが、特定サイトらしさスコア及びニュースらしさスコアはそれとは無関係にそれぞれ０～１の範囲内となる。
　この第３の実施の形態に係る対話装置５２６の対話時の動作については、第１及び第２の実施の形態から明らかであるので、ここでは繰返さない。
　上記実施の形態によれば、様々な基準を設定することで、その基準に最も合致した応答発話を対話の応答として出力できる。ユーザがそのニーズ又は望みに合わせて基準値を設定することにより、同じ対話システムを利用してユーザのニーズ又は望みに合わせて発話内容が変化する対話システムを得ることができる。
　なお、上記実施の形態では、感情スコア、特定サイトらしさ、及びニュースらしさを応答発話選択の基準軸に採用している。しかし本発明はそのような実施の形態には限定されない。これ以外に、例えば発話内容が前向き（ポジティブ）か後ろ向き（ネガティブ）か、他サイトに転載された記事中の発話か否か、論文かそれ以外か、教師による発話かそれ以外か、ある年代以前に書かれた文か否か、発話者の年代がどの程度か、等を評価軸に採用することも可能である。また、これらの評価の軸を互いに自由に組合せることもできる。
　上記実施の形態では、ＣＮＮによって学習したモデルを用いて出力したスコア（確率値）に基づいて応答発話候補を選択している。しかし本発明はそのような実施の形態には限定されない。例えば学習者用の対話装置のような場合には、教科書に出現している頻度が高い単語を含む応答発話候補を選択してもよい。
　また、応答発話候補を決めるにあたっては、上記した第１の実施の形態、又は第２及び第３の実施の形態で使用したものに限定されるわけではない。入力発話との間にある関係が存在することが高い応答発話候補を抽出できるものであれば既存のものも、将来利用可能になるものも含めてどのようなものを用いてもよい。
　なお、本実施の形態では、ＣＮＮへの入力として単語の識別子列を用いているが、本発明はそうした実施の形態には限定されず、例えば単語ベクトルの形で入力するようにしてもよい。
　［コンピュータによる実現］
　本発明の実施の形態に係る対話システム４０、４３０及び５１０及びその構成要素は、いずれもコンピュータハードウェアと、そのコンピュータハードウェア上で実行されるコンピュータプログラムとによっても実現できる。図１８はこのコンピュータシステム６３０の外観を示し、図１９はコンピュータシステム６３０の内部構成を示す。
　図１８を参照して、コンピュータシステム６３０は、メモリポート６５２及びＤＶＤ（Digital　Versatile　Disk）ドライブ６５０を有するコンピュータ６４０と、いずれもコンピュータ６４０に接続されたキーボード６４６と、マウス６４８と、モニタ６４２とを含む。
　図１９を参照して、コンピュータ６４０は、メモリポート６５２及びＤＶＤドライブ６５０に加えて、ＣＰＵ（中央処理装置）６５６と、ＣＰＵ６５６、メモリポート６５２及びＤＶＤドライブ６５０に接続されたバス６６６と、起動プログラム等を記憶する読出専用メモリ（ＲＯＭ）６５８と、バス６６６に接続され、上記対話システム４０、４３０及び５１０の各部の機能を実現するプログラム命令、システムプログラム及び作業データ等を記憶するランダムアクセスメモリ（ＲＡＭ）６６０と、ハードディスク６５４を含む。コンピュータシステム６３０はさらに、他端末との通信を可能とするネットワーク６６８への接続を提供するネットワークインターフェイス（I/F）６４４を含む。
　コンピュータシステム６３０を上記した実施の形態に係る対話システム４０、４３０及び５１０並びにその各機能部として機能させるためのコンピュータプログラムは、ＤＶＤドライブ６５０又はメモリポート６５２に装着されるＤＶＤ６６２又はリムーバブルメモリ６６４に記憶され、さらにハードディスク６５４に転送される。又は、プログラムはネットワーク６６８を通じてコンピュータ６４０に送信されハードディスク６５４に記憶されてもよい。プログラムは実行の際にＲＡＭ６６０にロードされる。ＤＶＤ６６２から、リムーバブルメモリ６６４から又はネットワーク６６８を介して、直接にＲＡＭ６６０にプログラムをロードしてもよい。
　このプログラムは、コンピュータ６４０を、上記実施の形態に係る対話システム４０、４３０及び５１０の各機能部として機能させるための複数の命令からなる命令列を含む。コンピュータ６４０にこの動作を行わせるのに必要な基本的機能のいくつかはコンピュータ６４０上で動作するオペレーティングシステム若しくはサードパーティのプログラム又はコンピュータ６４０にインストールされる、ダイナミックリンク可能な各種プログラミングツールキット又はプログラムライブラリにより提供される。したがって、このプログラム自体はこの実施の形態のシステム、装置及び方法を実現するのに必要な機能全てを必ずしも含まなくてよい。このプログラムは、命令の内、所望の結果が得られるように制御されたやり方で適切な機能又はプログラミングツールキット又はプログラムライブラリ内の適切なプログラムを実行時に動的に呼出すことにより、上記したシステム、装置又は方法としての機能を実現する命令のみを含んでいればよい。もちろん、独立したプログラムのみで必要な機能を全て提供してもよい。
　今回開示された実施の形態は単に例示であって、本発明が上記した実施の形態のみに制限されるわけではない。本発明の範囲は、発明の詳細な説明の記載を参酌した上で、請求の範囲の各請求項によって示され、そこに記載された文言と均等の意味及び範囲内での全ての変更を含む。
　この発明は、科学、工学、教育、製造業、サービス業など、質問に対して回答を与えることが有益な全ての産業に適用できる。
４０、４３０、５１０　対話システム
５２　大規模テキストデータベース
５４　感情語辞書
５６　接続語辞書
５８、４４０　モデル学習部
６０　感情判定モデル
６２、４４２　入力発話
６４　会話文データベース
６６、４４６、５２６　対話装置
６８、４５４、５２８　応答発話
８０　テキスト抽出・分類部
８２　学習用テキスト記憶部
８４　学習処理部
９０、４７０　応答発話候補選択部
９２、４７２　応答発話候補記憶部
９４　応答発話感情分析部
９６、４７６、５５４　応答発話選択・生成部
９８、４７８、５５０　入出力装置
１００、４８０、５５２　応答発話選択基準記憶部
２４０　入力
２４２　出力
３４０　ダイアログ
３９０　基準点
３９２　探索範囲
４４４　入力・応答データベース
４４８　特定サイト判別モデル
４５０　ニュース判別モデル
４５２　特定サイト／ニュースＵＲＬリスト
４６０　テキスト分類部
４６２　第１の学習用テキスト記憶部
４６３　第２の学習用テキスト記憶部
４６４　第１の学習処理部
４６５　第２の学習処理部
４７４　ニュースらしさスコア算出部
４７５　特定サイトらしさスコア算出部

Claims (6)

  1. 予め定められた一組の評価項目に関する基準値を設定するための基準値設定手段と、
    　入力発話に対して複数の応答発話候補を生成するための応答発話候補生成手段と、
    　前記複数の応答発話候補の各々について、前記一組の評価項目の各々に関する評価値を算出するための評価手段と、
    　前記複数の応答発話候補の内、前記評価手段による評価値が前記基準値に対して予め定める関係にある応答発話候補を前記入力発話に対する応答発話として選択するための応答発話選択手段とを含む、対話装置。
  2. 前記一組の評価項目は複数の項目を含み、
    　前記評価手段は、発話が与えられると、当該発話が前記複数の項目に合致する度合いを示すスコアを前記複数の項目の各々について出力するように機械学習により学習済のモデルを用いるための判別手段を含む、請求項１に記載の対話装置。
  3. 前記一組の評価項目は、当該一組の評価項目の値に対応して１点が定められる評価空間を定義し、
    　前記応答発話選択手段は、前記評価空間内において、前記応答発話候補の内、対応する点が前記基準値により定められる点に最も近いものを前記入力発話に対する応答発話として選択するための手段を含む、請求項１又は請求項２に記載の対話装置。
  4. 前記一組の評価項目は、複数の項目を含む第１の評価項目と、前記第１の評価項目とは独立な第２の評価項目とを含み、
    　前記評価手段は、
    　前記複数の応答発話候補の各々について、前記第１の評価項目の前記複数の項目の各々について評価値を算出するための第１の評価手段と、
    　前記複数の応答発話候補の各々について、前記第２の評価項目について評価値を算出するための第２の評価手段とを含む、請求項１に記載の対話装置。
  5. 請求項１～請求項４のいずれかに記載の対話装置と、
    　複数の学習用テキストの各々を、前記一組の評価項目にしたがった評価値と関係づけて記憶するテキスト記憶装置と、
    　前記テキスト記憶装置に記憶された前記複数の学習用テキストを学習データとして、入力発話が与えられると、前記一組の評価項目に関する評価値を推定し出力するよう、機械学習により前記評価手段の学習を行うための学習手段とを含む、対話システム。
  6. コンピュータを、請求項１～請求項５の何れかに記載の各手段として機能させる、コンピュータプログラム。
PCT/JP2018/010231 2017-03-16 2018-03-15 対話システム、対話装置及びそのためのコンピュータプログラム WO2018169001A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017051503A JP6804763B2 (ja) 2017-03-16 2017-03-16 対話システム、対話装置及びそのためのコンピュータプログラム
JP2017-051503 2017-03-16

Publications (1)

Publication Number Publication Date
WO2018169001A1 true WO2018169001A1 (ja) 2018-09-20

Family

ID=63523498

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/010231 WO2018169001A1 (ja) 2017-03-16 2018-03-15 対話システム、対話装置及びそのためのコンピュータプログラム

Country Status (2)

Country Link
JP (1) JP6804763B2 (ja)
WO (1) WO2018169001A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11361754B2 (en) * 2020-01-22 2022-06-14 Conduent Business Services, Llc Method and system for speech effectiveness evaluation and enhancement

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018167339A (ja) * 2017-03-29 2018-11-01 富士通株式会社 発話制御プログラム、情報処理装置及び発話制御方法
JP7126682B2 (ja) * 2018-05-11 2022-08-29 国立研究開発法人情報通信研究機構 対話システム及びそのコンピュータプログラム
JP7161361B2 (ja) * 2018-09-28 2022-10-26 大和ハウス工業株式会社 情報管理システム
WO2020111835A1 (ko) * 2018-11-28 2020-06-04 김훈 대화형 교육 시스템에 포함되는 사용자 장치와 교육 서버
KR102341634B1 (ko) * 2018-11-28 2021-12-22 김훈 대화형 교육 시스템에 포함되는 사용자 장치와 교육 서버
JP6599534B1 (ja) * 2018-11-30 2019-10-30 株式会社三菱総合研究所 情報処理装置、情報処理方法及びプログラム
KR102536372B1 (ko) * 2019-11-28 2023-05-26 김훈 대화형 교육 시스템에 포함되는 사용자 장치와 교육 서버

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06348761A (ja) * 1993-06-07 1994-12-22 Nippon Telegr & Teleph Corp <Ntt> 質問項目生成装置
JP2003006207A (ja) * 2001-06-18 2003-01-10 Nippon Telegr & Teleph Corp <Ntt> 質問回答方法、質問回答装置及び質問回答プログラム。
JP2005525642A (ja) * 2002-05-10 2005-08-25 エイジェントアーツ インコーポレイテッド リンクに重み付けされたアソシエーションルールに戻って転送されるエキスパートデータベース

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6220762B2 (ja) * 2014-10-28 2017-10-25 日本電信電話株式会社 次発話候補スコアリング装置、方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06348761A (ja) * 1993-06-07 1994-12-22 Nippon Telegr & Teleph Corp <Ntt> 質問項目生成装置
JP2003006207A (ja) * 2001-06-18 2003-01-10 Nippon Telegr & Teleph Corp <Ntt> 質問回答方法、質問回答装置及び質問回答プログラム。
JP2005525642A (ja) * 2002-05-10 2005-08-25 エイジェントアーツ インコーポレイテッド リンクに重み付けされたアソシエーションルールに戻って転送されるエキスパートデータベース

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11361754B2 (en) * 2020-01-22 2022-06-14 Conduent Business Services, Llc Method and system for speech effectiveness evaluation and enhancement

Also Published As

Publication number Publication date
JP6804763B2 (ja) 2020-12-23
JP2018156272A (ja) 2018-10-04

Similar Documents

Publication Publication Date Title
WO2018169001A1 (ja) 対話システム、対話装置及びそのためのコンピュータプログラム
CN110121706B (zh) 提供会话中的响应
JP5728527B2 (ja) 発話候補生成装置、発話候補生成方法、及び発話候補生成プログラム
Wen et al. Dynamic interactive multiview memory network for emotion recognition in conversation
CN110795913B (zh) 一种文本编码方法、装置、存储介质及终端
CN107944027A (zh) 创建语义键索引的方法及系统
WO2018169000A1 (ja) 対話システム及びそのためのコンピュータプログラム
CN111221962A (zh) 一种基于新词扩展与复杂句式扩展的文本情感分析方法
JP6076425B1 (ja) 対話インターフェース
CN108153831A (zh) 音乐添加方法及装置
JP6366749B2 (ja) 対話インターフェース
Kao et al. Model of multi-turn dialogue in emotional chatbot
Phan et al. Autoencoder for semisupervised multiple emotion detection of conversation transcripts
de Velasco et al. Emotion Detection from Speech and Text.
Chandiok et al. CIT: Integrated cognitive computing and cognitive agent technologies based cognitive architecture for human-like functionality in artificial systems
Miehle et al. Estimating user communication styles for spoken dialogue systems
Koren et al. Multimodal emotion analysis based on acoustic and linguistic features of the voice
Kumar et al. Comparison of various ml and dl models for emotion recognition using twitter
Irfan et al. Coffee with a hint of data: towards using data-driven approaches in personalised long-term interactions
Pillai et al. The People Moods Analysing Using Tweets Data on Primary Things with the Help of Advanced Techniques
Hoang et al. Emergent communication of multimodal deep generative models based on Metropolis-Hastings naming game
Tigunova et al. Exploring personal knowledge extraction from conversations with charm
JP6858721B2 (ja) コンテンツに関する対話を実施可能な対話制御装置、プログラム及び方法
Hattimare et al. Maruna Bot: An extensible retrieval-focused framework for task-oriented dialogues
Suraj et al. Conversational assistant based on sentiment analysis

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: 18766887

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18766887

Country of ref document: EP

Kind code of ref document: A1