WO2022130541A1 - 意見集約装置、意見集約方法、およびプログラム - Google Patents

意見集約装置、意見集約方法、およびプログラム Download PDF

Info

Publication number
WO2022130541A1
WO2022130541A1 PCT/JP2020/047000 JP2020047000W WO2022130541A1 WO 2022130541 A1 WO2022130541 A1 WO 2022130541A1 JP 2020047000 W JP2020047000 W JP 2020047000W WO 2022130541 A1 WO2022130541 A1 WO 2022130541A1
Authority
WO
WIPO (PCT)
Prior art keywords
text data
sentence
score
chat
chat text
Prior art date
Application number
PCT/JP2020/047000
Other languages
English (en)
French (fr)
Inventor
司 吉田
淳史 大塚
済央 野本
哲 小橋川
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US18/267,437 priority Critical patent/US20240046038A1/en
Priority to PCT/JP2020/047000 priority patent/WO2022130541A1/ja
Priority to JP2022569400A priority patent/JP7492166B2/ja
Publication of WO2022130541A1 publication Critical patent/WO2022130541A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis

Definitions

  • This disclosure relates to an opinion aggregation device, an opinion aggregation method, and a program.
  • chat function is used to collect comments regarding distribution. If the distributor can respond to the opinions or questions received on the spot, it is expected that the viewer's understanding or satisfaction will be improved. Furthermore, it will lead to a lively exchange of opinions, and it can be expected to be useful for consensus building, especially in presentations. However, when a large number of comments are gathered, it is practically impossible for the distributor to confirm all of them during distribution, and a technique for collecting and organizing similar opinions or questions from chat sentences is required. ..
  • Patent Document 1 discloses a microblogging text classification technique that realizes high classification accuracy based on a long-term tendency while adapting to a change in a tendency of a designated text set at high speed.
  • the purpose of this disclosure made in view of such circumstances is to provide an opinion aggregation device, an opinion aggregation method, and a program capable of performing classification by capturing semantic information.
  • the opinion aggregation device has a first determination unit for determining whether the input sentence is a declarative sentence or a question sentence, and when the input sentence is the declarative sentence, the input sentence is questioned.
  • a plurality of chat text data are generated by the first generation unit that generates the first text data, the second generation unit that generates the second text data that simply answers the input sentence when the input sentence is the question sentence, and the second generation unit.
  • a storage unit that stores the included chat text database, a first score indicating the sentence continuity between the first text data and the chat text data, or a sentence continuity between the chat text data and the second text data.
  • a calculation unit that calculates the second score shown, and a second determination unit that outputs the chat text data having the first score or the second score when the first score or the second score is equal to or higher than the threshold value. , It is characterized by providing.
  • the opinion aggregation method includes a step of determining whether the input sentence is a declarative sentence or a question sentence, and when the input sentence is the declarative sentence, the first text in which the input sentence is questioned.
  • a step of generating data a step of generating second text data in which the input sentence is a simple answer to the input sentence when the input sentence is the question sentence, and a step of storing a chat text database containing a plurality of chat text data.
  • the program according to one embodiment is characterized in that the computer functions as the above-mentioned opinion gathering device.
  • an opinion aggregation device an opinion aggregation method, and a program capable of performing classification that captures semantic information.
  • the opinion aggregation device 100 includes a control unit 110, a storage unit 120, an input unit 130, and an output unit 140.
  • the control unit 110 may be configured by dedicated hardware, a general-purpose processor, or a processor specialized for a specific process.
  • the control unit 110 includes a declarative sentence / interrogative sentence determination unit (first determination unit) 10, an interrogative sentence generation unit (first generation unit) 20, an answer sentence generation unit (second generation unit) 30, and sentence continuity.
  • a score calculation unit (calculation unit) 40 and a threshold value determination unit (second determination unit) 50 are provided.
  • the storage unit 120 includes one or more memories, and may include, for example, a semiconductor memory, a magnetic memory, an optical memory, and the like. Each memory included in the storage unit 120 may function as, for example, a main storage device, an auxiliary storage device, or a cache memory. Each memory does not necessarily have to be provided inside the opinion aggregation device 100, and may be provided outside the opinion aggregation device 100.
  • the storage unit 120 stores arbitrary information used for the operation of the opinion aggregation device 100.
  • the storage unit 120 stores, for example, a chat text database 121 including a plurality of chat text data. As chat text data, for example, as shown in Fig.
  • the storage unit 120 stores, for example, various programs or data.
  • the input unit 130 accepts input of various information.
  • the input unit 130 may be any device as long as it can be operated by the user, and may be, for example, a microphone, a touch panel, a keyboard, a mouse, or the like.
  • the input sentence is input to the control unit 110.
  • the input sentence for example, as shown in FIG. 2, "I like the red model (declarative sentence)" and the like can be mentioned. Examples of the input sentence include "what is injection? (Question sentence)" as shown in FIG.
  • the input unit 130 may be provided outside the opinion aggregation device 100, or may be integrated with the opinion aggregation device 100.
  • the output unit 140 outputs various information.
  • the output unit 140 is, for example, a speaker, a liquid crystal display, an organic EL (Electro-Luminescence) display, or the like.
  • the output unit 140 outputs, for example, a similar sentence similar to the input sentence.
  • a similar sentence similar to the input sentence for example, as shown in Fig. 2, for the input sentence "I like the red model”, “I like the red model”, “I like the red”, etc. Can be mentioned.
  • As a similar sentence similar to the input sentence for example, as shown in FIG. 3, for the input sentence "What is injection?", "What is injection?", "I don't understand the injection", etc. are mentioned. Be done.
  • the output unit 140 may be provided outside the opinion aggregation device 100, or may be integrated with the opinion aggregation device 100.
  • the declarative sentence / interrogative sentence determination unit 10 determines whether the input sentence is a declarative sentence or an interrogative sentence. When the input sentence is a declarative sentence, the declarative sentence / interrogative sentence determination unit 10 outputs a determination result that the input sentence is a declarative sentence to the interrogative sentence generation unit 20. When the input sentence is an interrogative sentence, the declarative sentence / interrogative sentence determination unit 10 outputs a determination result that the input sentence is an interrogative sentence to the answer sentence generation unit 30.
  • the interrogative sentence generation unit 20 interrogates the input sentence based on the determination result input from the declarative sentence / interrogative sentence determination unit 10, and generates the first text data which is the text data in which the input sentence is interrogative.
  • the interrogative sentence generation unit 20 outputs the first text data to the sentence continuity score calculation unit 40. Examples of the first text data include, as shown in FIG. 2, "Do you like the red model?", "What color model do you like?" And the like.
  • the interrogative sentence generation unit 20 may generate a single first text data or a plurality of first text data for one input sentence.
  • the technique for generating the first text data by the question sentence generation unit 20 is not particularly limited, but for example, an automatic question generation technique may be used.
  • an automatic question generation technique may be used.
  • the following documents can be referred to. Sato Sato, Hiroyasu Sakai, Manabu Okumura, "Automatic generation of questions from product manuals", Proceedings of the Japanese Society for Artificial Intelligence National Convention, 32nd National Convention (2016), General Incorporated Association, Japanese Society for Artificial Intelligence, 2018
  • the answer sentence generation unit 30 simply responds to the input sentence based on the determination result input from the declarative sentence / interrogative sentence determination unit 10, and generates the second text data which is the text data in which the input sentence is simply answered.
  • the answer sentence generation unit 30 outputs the second text data to the sentence continuity score calculation unit 40.
  • As the second text data for example, as shown in FIG. 3, "injection is a fuel supply device" and the like can be mentioned.
  • the answer sentence generation unit 30 may generate a single second text data or a plurality of second text data for one input sentence.
  • the technique for generating the second text data by the answer sentence generation unit 30 is not particularly limited, but for example, a FAQ search system is used to search for an appropriate answer to the input sentence and summarize the appropriate answer. It may be used as a simple answer sentence.
  • a FAQ search system is used to search for an appropriate answer to the input sentence and summarize the appropriate answer. It may be used as a simple answer sentence.
  • JP-A-2018-180938, JP-A-2018-147102 and the like can be referred to.
  • the sentence continuity score calculation unit 40 uses the first text data input from the question sentence generation unit 20 and the chat text data extracted from the chat text database 121 (for example, “red model likes” and “red is subtle”. , “I like red,” “I thought it would be nice to have a lot of colors,” “I thought it would be nice to be a little smaller,” etc.), and calculate the first score that indicates the continuity of the sentence.
  • the sentence continuity score calculation unit 40 outputs the calculated first score to the threshold value determination unit 50.
  • the sentence continuity score calculation unit 40 uses chat text data extracted from the chat text database 121 (for example, “what is injection”, “I don't know the injection”, “it seems that a stable supply is necessary", and ". I thought it would be a little smaller. "), And the second text data input from the answer sentence generation unit 30 and the second score indicating the sentence continuity are calculated. The sentence continuity score calculation unit 40 outputs the calculated second score to the threshold value determination unit 50.
  • the technique for calculating the first score or the second score by the sentence continuity score calculation unit 40 is not particularly limited, but for example, the output value of Next Sentence Prediction, which is one of the learning models of natural language processing, is used. , May be used as a score indicating sentence continuity.
  • Next Sentence Prediction which is one of the learning models of natural language processing
  • the following documents can be referred to. Devlin, Jacob, et al. "Bert: Pre-training of deep bidirectional transformers for language understanding.”
  • the sentence continuity score calculation unit 40 determines the sentence continuity of the first text data: “Tomorrow's weather will be sunny” and the second text data: “Tomorrow's weather will be cloudy”. The indicated score is calculated as "8.5 (True)". The score indicates that the two sentences "Today's weather will be sunny” and “Tomorrow's weather will be cloudy" are highly continuous.
  • the sentence continuity score calculation unit 40 determines the sentence continuity of the first text data: "Today's weather will be fine” and the second text data: "Probability statistics are an important subject”. The indicated score is calculated as "-5.4 (False)". The score indicates that the continuity of the two sentences "Today's weather will be fine” and "Probability statistics are an important subject" is low.
  • the score indicating the continuity of sentences can be set in the range from - ⁇ to + ⁇ .
  • the sentence continuity score calculation unit 40 outputs true (True), for example, when the value of the score indicating the sentence continuity is positive.
  • the sentence continuity score calculation unit 40 outputs false (False), for example, when the value of the score indicating the sentence continuity is negative.
  • the threshold value determination unit 50 ranks a plurality of chat text data in the order of scores based on the first score or the second score input from the sentence continuity score calculation unit 40. For example, as shown in FIG. 2, the threshold value determination unit 50 converts a plurality of chat text data for the first text data: "Do you like the red model?" In “9.2: Red model likes". “8.8: Red is subtle”, “8.5: Red is good”, “1.9: I thought it was good to have abundant colors", “-5.1: I hope it was a little smaller” I thought. "... Rank like this. For example, as shown in FIG. 2, the threshold value determination unit 50 converts a plurality of chat text data for the first text data: “what color model do you like?" To "8.7: red model likes".
  • the threshold determination unit 50 converts a plurality of chat text data for the second text data: “injection is a fuel supply device” into “8.8: what is injection”. , “8.5: I don't know the injection”, “0.1: It seems that a stable supply is necessary”, “-5.1: I thought it should be a little smaller", and so on.
  • the threshold value determination unit 50 determines whether or not the first score is equal to or higher than the threshold value. When the first score is equal to or higher than the threshold value, the threshold value determination unit 50 outputs the chat text data having the first score to the output unit 140, and when the first score is smaller than the threshold value, the chat text having the first score. No data is output to the output unit 140.
  • the threshold value determination unit 50 determines whether or not the second score is equal to or higher than the threshold value. When the second score is equal to or higher than the threshold value, the threshold value determination unit 50 outputs the chat text data having the second score to the output unit 140, and when the second score is smaller than the threshold value, the chat text having the second score. No data is output to the output unit 140.
  • the value of the threshold value is not particularly limited, and may be set to an arbitrary value by the opinion aggregation device 100.
  • the threshold value determination unit 50 determines whether or not the first score in the singular or a plurality of chat text data is equal to or higher than the threshold value for the first text data. Then, the threshold value determination unit 50 outputs the chat text data having the first score to the output unit 140 when the first score is equal to or higher than the threshold value, and has the first score when the first score is smaller than the threshold value. The chat text data is not output to the output unit 140.
  • the threshold determination unit 50 refers to the second text data (for example, "injection is a fuel supply device").
  • the second score in singular or multiple chat text data for example, "What is injection?", “I don't know the injection”, “I think you need a stable supply”, “I thought it should be a little smaller"
  • the threshold value for example, 5.0
  • the threshold value determination unit 50 outputs the chat text data having the second score (for example, "what is injection", “does not know the injection") to the output unit 140. If the second score is smaller than the threshold value, the chat text data having the second score (for example, "It seems that stable supply is necessary", “I thought it should be a little smaller”) is not output to the output unit 140. ..
  • the threshold value determination unit 50 uses all the first text data (for example, "Do you like the red model?", "What color model?" For single or multiple chat text data (eg, “red model likes”, “red is subtle”, “red is good”, “colors are good” for one or more chat text data (for example, "Do you like it?") It is determined whether or not the first score in “I thought” and “I thought it should be a little smaller”) is equal to or higher than the threshold value (for example, 5.0).
  • the threshold value for example, 5.0
  • chat text data for example, “red model likes” and “red is good” for which the first score is equal to or higher than the threshold for all the first text data.
  • Chat text data that is output to section 140 and whose first score does not exceed the threshold for all first text data for example, “red is subtle”, “I thought it would be nice to have abundant colors”, “ I thought it would be better if it was a little smaller. ") Is not output to the output unit 140.
  • the threshold value determination unit 50 determines whether or not the second score is equal to or higher than the threshold value for all the second text data. Then, the threshold value determination unit 50 outputs chat text data having a second score equal to or higher than the threshold value for all the second text data to the output unit 140, and the second score for all the second text data. Does not output chat text data that does not exceed the threshold value to the output unit 140.
  • the opinion aggregation device 100 When the input sentence is a declarative sentence, the opinion aggregation device 100 according to the first embodiment extracts an answer sentence having a high sentence continuity score for the sentence in which the declarative sentence is questioned, and the input sentence is a question sentence. In the case of, the question sentence having a high sentence continuity score is extracted for the sentence which simply answered the question sentence. As a result, since a similar sentence similar to the input sentence can be output, it is possible to realize an opinion aggregation device 100 capable of performing classification by capturing semantic information of the same opinion or the same meaning.
  • step 101 the input sentence is input to the opinion aggregation device 100.
  • Input sentences include, for example, “I like the red model” and “What is injection?”.
  • step 102 the opinion aggregation device 100 determines whether the input sentence is a declarative sentence or an interrogative sentence.
  • the input sentence is a declarative sentence such as "I like the red model" (step 102 ⁇ declarative sentence)
  • the opinion aggregation device 100 performs the process of step 103.
  • an interrogative sentence such as "what is injection?” (Step 102 ⁇ interrogative sentence)
  • the opinion aggregation device 100 performs the process of step 104.
  • step 103 the opinion aggregation device 100 question-cultivates the input sentence and generates the first text data which is the text data in which the input sentence is question-cultivated. For example, the opinion aggregation device 100 question-cultivates the input sentence "I like the red model", and the first text "Do you like the red model?" And “What color model do you like?" Generate data.
  • step 104 the opinion aggregation device 100 simply responds to the input sentence and generates the second text data which is the text data in which the input sentence is simply answered. For example, the opinion aggregation device 100 simply answers the input sentence "What is injection?" And generates the second text data "Injection is a fuel supply device".
  • the opinion aggregation device 100 calculates the sentence continuity score. For example, the opinion aggregation device 100 calculates a first score indicating the sentence continuity of the first text data and the chat text data included in the chat text database 121. For example, the opinion aggregation device 100 calculates a second score indicating the sentence continuity of the chat text data included in the chat text database 121 and the second text data.
  • the opinion aggregation device 100 uses the first text data: "Do you like the red model?" As the first text data, and the chat text data: "red” as the second text data. Using “model like", the first score indicating the continuity of two sentences is calculated as "9.2".
  • the opinion aggregation device 100 uses the first text data: "Do you like the red model?" As the first text data, and the chat text data: "Red is” as the second text data. Using “subtle”, the first score indicating the continuity of two sentences is calculated as "8.8".
  • the opinion aggregation device 100 uses the first text data: "Do you like the red model?" As the first text data, and the chat text data: “Red is” as the second text data.
  • the first score which indicates the continuity of two sentences, is calculated as "8.5” using "I like it".
  • the opinion aggregation device 100 uses the first text data: "Do you like the red model?” As the first text data, and the chat text data: "color is” as the second text data. Using “I thought it was good to have abundant”, the first score indicating the continuity of two sentences is calculated as "1.9".
  • the opinion aggregation device 100 uses the first text data: "Do you like the red model?" As the first text data, and the chat text data: "a little smaller” as the second text data.
  • the first score which indicates the continuity of two sentences, is calculated as "-5.1” using "I thought it was good”.
  • the opinion aggregation device 100 uses the first text data: "What color model do you like?" As the first text data, and the chat text data as the second text data. : Using the "red model like", the first score indicating the continuity of the two sentences is calculated as "8.7".
  • the opinion aggregation device 100 uses the first text data: "What color model do you like?" As the first text data, and the chat text data: “red” as the second text data.
  • the first score which indicates the continuity of two sentences, is calculated as “6.5” using "I like it".
  • the opinion aggregation device 100 uses the first text data: "What color model do you like?" As the first text data, and the chat text data: “red” as the second text data.
  • the first score which indicates the continuity of two sentences, is calculated as "0.3” using "is subtle”.
  • the opinion aggregation device 100 uses the first text data: "What color model do you like?" As the first text data, and the chat text data: "color” as the second text data.
  • the first score which indicates the continuity of two sentences, is calculated as "-2.0" by using "I thought it would be good to have abundant data”.
  • the opinion aggregation device 100 uses the first text data: "What color model do you like?" As the first text data, and the chat text data: "a little more” as the second text data. Using “I thought it was small”, the first score indicating the continuity of the two sentences is calculated as "-6.7".
  • the opinion aggregation device 100 uses chat text data: "what is injection” as the first text data, and second text data: “injection” as the second text data. Is a fuel supply device ”, and the second score indicating the continuity of the two sentences is calculated as“ 8.8 ”.
  • the opinion aggregation device 100 uses the chat text data: "I do not know the injection” as the first text data, and the second text data: "injection is the fuel supply device” as the second text data.
  • the second score which indicates the continuity of two sentences, is calculated as "8.5".
  • the opinion aggregation device 100 uses chat text data: "It seems that stable supply is necessary" as the first text data, and second text data: “injection is a fuel supply device” as the second text data.
  • the second score which indicates the continuity of two sentences, is calculated as "0.1".
  • the opinion aggregation device 100 uses the chat text data: "I thought it should be a little smaller" as the first text data, and the second text data: “injection is” as the second text data.
  • the second score which indicates the continuity of the two sentences, is calculated as "-5.1” using "It is a fuel supply device”.
  • step 106 the opinion aggregation device 100 ranks a plurality of chat text data in order of score based on the first score or the second score.
  • the opinion aggregation device 100 displays a plurality of chat text data for the first text data: "Do you like the red model?", “9.2: Red model likes", and “8.8: Red is”. "Subtle”, “8.5: Red is good”, “1.9: I think it's good to have a lot of colors”, "-5.1: I think it's a little smaller” ... Rank like.
  • the opinion aggregating device 100 displays a plurality of chat text data for the first text data: "What color model do you like?", "8.7: Red model likes", “6.5: Red”. “I like it”, “0.3: Red is subtle”, “-2.0: I thought it was good to have abundant colors”, “-6.7: I thought it would be nice to be a little smaller” ⁇ ⁇ Rank like.
  • the opinion aggregating device 100 converts a plurality of chat text data for the second text data: "injection is a fuel supply device” into “8.8: what is injection” and “8.5: injection”. “I don't know”, “0.1: It seems that a stable supply is necessary”, “-5.1: I thought it should be a little smaller”, and so on.
  • the opinion aggregation device 100 determines whether or not the first score or the second score is equal to or higher than the threshold value. When the first score or the second score is equal to or higher than the threshold value (step 106 ⁇ YES), the opinion aggregation device 100 performs the process of step 107. When the first score or the second score is smaller than the threshold value (step 106 ⁇ NO), the opinion aggregation device 100 ends the process.
  • the opinion aggregation device 100 determines whether or not the first score of the chat text data with respect to the first text data is equal to or higher than the threshold value. For example, when there are a plurality of first text data, the opinion aggregation device 100 determines whether or not the first score of the chat text data for all the first text data is equal to or higher than the threshold value.
  • the chat text data for the first text data “Do you like the red model?”:
  • the first score "9.2" of the “red model like” is equal to or higher than the threshold value. Therefore, it is determined that the first score "8.7” of the first text data: “what color model do you like?" And the chat text data: “red model like” is also equal to or higher than the threshold value.
  • the first score "8.5" of the first text data “Do you like the red model?” And the chat text data: “I like red” is equal to or higher than the threshold value.
  • First text data Chat for "what color model do you like?” Text data: It is determined that the first score "6.5” of "red is good” is also above the threshold.
  • the first score "8.5” of the first text data “Do you like the red model?” And the first score "8.5” of the chat text data: “Red is subtle” is equal to or higher than the threshold value, and the first.
  • Text data Chat for "what color model do you like?” Text data: It is determined that the first score "0.3" of "red is subtle” is smaller than the threshold.
  • the opinion aggregation device 100 has a first text data: "Do you like the red model?" And a chat text data: “I thought it would be nice to have abundant colors” with a first score of "1.9". Smaller than the threshold, 1st text data: Chat text data for "What color model do you like?": 1st score "-2.0" of "I thought it was good to have abundant colors” is also lower than the threshold Judge as small.
  • the opinion aggregation device 100 has a threshold of the first text data: "Do you like the red model?" And the first score "-5.1" of the chat text data: “I thought it should be a little smaller”. Smaller, 1st text data: Chat text data for "What color model do you like?": 1st score "-6.7” of "I thought it should be a little smaller” is also judged to be smaller than the threshold do.
  • the opinion aggregation device 100 determines whether or not the second score of the chat text data with respect to the second text data is equal to or higher than the threshold value. For example, when there are a plurality of second text data, the opinion aggregation device 100 determines whether or not the second score of the chat text data for all the second text data is equal to or higher than the threshold value.
  • the chat text data for the second text data “injection is a fuel supply device”: the second score "8.8” of "what is injection” is the threshold value. It is determined that the above is the case.
  • the opinion aggregation device 100 determines that the second score "8.5" of the chat text data: "I do not know the injection” for the second text data: "injection is a fuel supply device” is equal to or higher than the threshold value. ..
  • the opinion aggregation device 100 determines that the second score "0.1" of the second text data: “injection is a fuel supply device” and the chat text data: “it seems that stable supply is necessary” is smaller than the threshold value. do.
  • chat text data for the second text data “injection is a fuel supply device”: the second score "-5.1” of "I thought it should be a little smaller” is the threshold. Judged to be smaller.
  • step 107 the opinion aggregation device 100 outputs a similar sentence similar to the input sentence based on the determination result.
  • the opinion aggregation device 100 is based on the determination result that the first score of the chat text data for all the first text data is equal to or higher than the threshold value, and the "red model likes". , “Red is good” is output as a similar sentence similar to the input sentence. Specifically, the opinion aggregation device 100 responds to the first text data: "Do you like the red model?" As the chat text data whose first score is equal to or higher than the threshold value, "like the red model”. , "Red is subtle” and “Red is good” are classified into upper text groups.
  • the opinion aggregation device 100 has "red model likes” and “red model likes” as chat text data in which the first score is equal to or higher than the threshold value for the first text data: "what color model do you like?". "Red is good” is classified into the upper text group. Then, the opinion aggregation device 100 outputs chat text data that is commonly included in both upper text groups, that is, “red model likes” and “red is good”.
  • the opinion aggregation device 100 determines that the second score of the chat text data with respect to the second text data is equal to or higher than the threshold value, and based on the determination result, "What is injection?" , "I don't know the injection” is output as a similar sentence similar to the input sentence.
  • the opinion aggregation device 100 has a second text data: "Injection is a fuel supply device", and as a chat text data whose second score is equal to or higher than the threshold value, "What is injection?" , "I don't know the injection” are classified into the upper text group. Then, the opinion aggregation device 100 outputs all the chat text data included in the higher-level text group, that is, "what is injection” and "I don't know the injection”.
  • the opinion aggregation method classifies similar texts based on the sentence continuity score. That is, the input sentence is converted, and whether or not the predetermined sentence is established as a conversational sentence with respect to the converted input sentence is calculated as a sentence continuity score, and the input sentence and the predetermined sentence are calculated based on this score. Measure entrainment or similarity. For a declarative sentence, the interrogative sentence is taken, and the sentence continuity score between the interrogative sentence and a predetermined sentence is calculated to score the conformity with the original declarative sentence. For an interrogative sentence, the same as the original interrogative sentence is scored by taking the answer sentence and calculating the sentence continuity score between the predetermined sentence and the answer sentence.
  • the difference between the opinion aggregation device 100A according to the second embodiment and the opinion aggregation device 100 according to the first embodiment is that the opinion aggregation device 100 according to the first embodiment does not have a similar grammar text search unit.
  • the opinion aggregation device 100A according to the second embodiment is provided with a similar grammar text search unit. Since the other configurations are the same, duplicate explanations may be omitted.
  • the opinion aggregation device 100A includes a control unit 110A, a storage unit 120, an input unit 130, and an output unit 140.
  • the control unit 110A includes a declarative sentence / interrogative sentence determination unit (first determination unit) 10, an interrogative sentence generation unit (first generation unit) 20, an answer sentence generation unit (second generation unit) 30, and sentence continuity. It includes a score calculation unit (calculation unit) 40, a threshold value determination unit (second determination unit) 50, and a similar grammar text search unit (search unit) 60.
  • the similar grammar text search unit 60 searches the chat text database 121 for chat text data that is grammatically similar to the input sentence. Then, the similar grammar text search unit 60 ranks a plurality of chat text data in order of similarity based on the similarity between the input sentence and the chat text data (for example, a value calculated by distance calculation).
  • the similar grammar text search unit 60 uses a plurality of chat text data grammatically similar to the input sentence: "I like the red model” to "0.9: red model is good”. "1.4: Red is subtle”, “1.5: Red is good”, “11.7: I thought it would be nice to have a lot of colors”, “21.0: A little smaller I thought it was good. "... Rank like this.
  • the similar grammar text search unit 60 determines whether or not the similarity is equal to or less than the threshold value.
  • the similar grammar text search unit 60 outputs the chat text data having the similarity degree to the sentence continuity score calculation unit 40 as similar chat text data, and when the similarity degree is larger than the threshold value.
  • the chat text data having the similarity is not output to the sentence continuity score calculation unit 40 as similar chat text data.
  • the value of the threshold value is not particularly limited, and may be set to an arbitrary value by the opinion aggregation device 100A.
  • the similar grammar text search unit 60 may see "0.9: Red model like", “1.4: Red model like”. “Red is subtle” and “1.5: Red is good” are output to the sentence continuity score calculation unit 40 as similar chat text data, and when the similarity is larger than the threshold value (for example, 5.0), “Red is subtle” and “1.5: Red is good”. 11.7: "I thought it was good to have abundant colors” and "21.0: I thought it was good to be a little smaller" are not output to the sentence continuity score calculation unit 40 as similar chat text data.
  • the threshold value for example, 5.0
  • the technique for the similar grammar text search unit 60 to search the chat text data grammatically similar to the input sentence from the chat text database 121 is not particularly limited, but for example, the text is a model of natural language processing. Text that is converted into a feature quantity vector by one BERT and whose norm value indicating the difference between the feature quantity vectors is smaller than a predetermined threshold may be used as a search result as a similar grammar text.
  • the following documents can be referred to. Devlin, Jacob, et al. "Bert: Pre-training of deep bidirectional transformers for language understanding.” ArXiv preprint arXiv: 1810.04805 (2016).
  • the sentence continuity score calculation unit 40 obtains a first score indicating the sentence continuity of the first text data input from the question sentence generation unit 20 and the similar chat text data input from the similar grammar text search unit 60. calculate.
  • the sentence continuity score calculation unit 40 outputs the calculated first score to the threshold value determination unit 50.
  • the sentence continuity score calculation unit 40 shows the sentence continuity of the similar chat text data input from the similar grammar text search unit 60 and the second text data input from the answer sentence generation unit 30. 2 Calculate the score.
  • the sentence continuity score calculation unit 40 outputs the calculated second score to the threshold value determination unit 50.
  • the threshold value determination unit 50 ranks a plurality of similar chat text data in the order of scores based on the first score input from the sentence continuity score calculation unit 40. For example, as shown in FIG. 6, the threshold value determination unit 50 converts a plurality of similar chat text data for the first text data: "Do you like the red model?" To "9.2: Red model likes". , “8.8: Red is subtle", “8.5: Red is good”. For example, as shown in FIG. 6, the threshold value determination unit 50 converts a plurality of similar chat text data for the first text data: "what color model do you like?" To "8.7: red model like". , “6.5: Red is good", “0.3: Red is subtle”.
  • the threshold value determination unit 50 determines whether or not the first score is equal to or higher than the threshold value. When the first score is equal to or higher than the threshold value, the threshold value determination unit 50 outputs similar chat text data having the first score to the output unit 140, and when the first score is smaller than the threshold value, the threshold value determination unit 50 has the first score. The chat text data is not output to the output unit 140.
  • the threshold value determination unit 50 determines whether or not the second score is equal to or higher than the threshold value. When the second score is equal to or higher than the threshold value, the threshold value determination unit 50 outputs similar chat text data having the second score to the output unit 140, and when the second score is smaller than the threshold value, the threshold value determination unit 50 has the second score. The chat text data is not output to the output unit 140.
  • the threshold value determination unit 50 uses all the first text data (for example, "Do you like the red model?”, "What color model?” Do you like? ”), The first score in one or more similar chat text data (eg,“ red model likes ”,“ red is good ”,“ red is subtle ”) is the threshold. (For example, 5.0) or more is determined. Then, the threshold determination unit 50 inputs similar chat text data (for example, "red model likes” and “red is good”) having a first score equal to or higher than the threshold for all the first text data. It outputs to the output unit 140, and does not output similar chat text data (for example, "red is subtle") whose first score does not exceed the threshold value to the output unit 140 for all the first text data.
  • similar chat text data for example, “red model likes” and “red is good
  • the opinion aggregation device 100A When the input sentence is a declarative sentence, the opinion aggregation device 100A according to the second embodiment extracts an answer sentence having a high sentence continuity score for the sentence in which the declarative sentence is questioned, and the input sentence is a question sentence. In the case of, the question sentence having a high sentence continuity score is extracted for the sentence which simply answered the question sentence. As a result, since a similar sentence similar to the input sentence can be output, it is possible to realize the opinion aggregation device 100A capable of performing classification by capturing semantic information of the same opinion or the same meaning. Further, the sentence continuity score calculation unit 40 uses only the similar chat text data carefully selected in advance for the score calculation, so that it is possible to efficiently perform classification that captures semantic information while suppressing the calculation cost. It is possible to realize an opinion gathering device 100A.
  • step S201 the input sentence is input to the opinion aggregation device 100A.
  • an input sentence for example, "I like the red model” and the like.
  • step 202 the opinion aggregation device 100A determines whether the input sentence is a declarative sentence or an interrogative sentence.
  • the opinion aggregation device 100A performs the process of step 204.
  • the input sentence is an interrogative sentence (step 202 ⁇ interrogative sentence)
  • the opinion aggregation device 100A performs the process of step 205.
  • the opinion aggregation device 100A searches the chat text database 121 for chat text data that is grammatically similar to the input sentence. Then, the opinion aggregation device 100A determines whether or not the similarity between the input sentence and the chat text data is equal to or less than the threshold value, and if the similarity is equal to or less than the threshold value, the chat text data having the similarity degree is used. Use similar chat text data.
  • the opinion aggregation device 100A determines that the searched chat text data: “red model likes” similarity: “0.9” is equal to or less than the threshold value, and the searched chat text data: “red model likes”. Let's use similar chat text data. For example, the opinion aggregation device 100A determines that the searched chat text data: “red is subtle” similarity: "1.4" is equal to or less than the threshold value, and the searched chat text data: “red is subtle” is similar. Chat text data. For example, the opinion aggregation device 100A determines that the searched chat text data: “red is good” similarity: "1.5” is below the threshold, and the searched chat text data: "red is good”. Let's use similar chat text data.
  • the opinion aggregation device 100A determines that the searched chat text data: "I thought it was good to have abundant colors” similarity: "11.7" is larger than the threshold, and the searched chat text data: ". I thought it would be nice to have a lot of colors. ”Do not use similar chat text data. For example, the opinion aggregation device 100A determines that the searched chat text data: “I thought it should be a little smaller” has a similarity: "21.0" larger than the threshold value, and the searched chat text data: "a little smaller”. "I thought it was good” is not used as similar chat text data.
  • step 204 the opinion aggregation device 100A question-cultivates the input sentence and generates the first text data which is the text data in which the input sentence is question-cultivated.
  • step 205 the opinion aggregation device 100A simply responds to the input sentence and generates the second text data which is the text data in which the input sentence is simply answered.
  • the opinion aggregation device 100A calculates the sentence continuity score. For example, the opinion aggregation device 100A calculates a first score indicating the sentence continuity of the first text data and the similar chat text data. For example, the opinion aggregation device 100A calculates a second score indicating the sentence continuity of the similar chat text data and the second text data.
  • the opinion aggregation device 100A uses the first text data: "Do you like the red model?" As the first text data, and the similar chat text data: "red” as the second text data.
  • the first score indicating the continuity of two sentences is calculated as "9.2" by using "model like”.
  • the opinion aggregation device 100A uses the first text data: "Do you like the red model?" As the first text data, and the similar chat text data: "red" as the second text data.
  • the first score which indicates the continuity of two sentences, is calculated as “8.8” using "is subtle”.
  • the opinion aggregation device 100A uses the first text data: "Do you like the red model?" As the first text data, and the similar chat text data: "red” as the second text data.
  • the first score which indicates the continuity of two sentences, is calculated as "8.5” using "I like it".
  • the opinion aggregation device 100A uses the first text data: "What color model do you like?" As the first text data, and the similar chat text data: "" as the second text data. Using “Red model likes", the first score indicating the continuity of two sentences is calculated as "8.7".
  • the opinion aggregation device 100A uses the first text data: "What color model do you like?" As the first text data, and the similar chat text data: "" as the second text data. "Red is good” is used to calculate the first score, which indicates the continuity of two sentences, as "6.5".
  • the opinion aggregation device 100A uses the first text data: "What color model do you like?" As the first text data, and the similar chat text data: "" as the second text data. Using “red is subtle", the first score indicating the continuity of two sentences is calculated as "0.3".
  • step 207 the opinion aggregation device 100A ranks a plurality of similar chat text data in order of score based on the first score or the second score.
  • the opinion aggregation device 100A displays a plurality of similar chat text data for the first text data: "Do you like the red model?", “9.2: Red model likes”, “8.8: Red”. It ranks like “is subtle” and "8.5: red is good”.
  • the opinion aggregation device 100A converts a plurality of similar chat text data for the first text data: "What color model do you like?" In “8.7: Red model likes", “6.5: Rank like “Red is good” and “0.3: Red is subtle”.
  • the opinion aggregation device 100A determines whether or not the first score or the second score is equal to or higher than the threshold value. When the first score or the second score is equal to or higher than the threshold value (step 207 ⁇ YES), the opinion aggregation device 100A performs the process of step 208. The opinion aggregation device 100A ends the process when the first score or the second score is smaller than the threshold value (step 207 ⁇ NO).
  • the opinion aggregation device 100A determines whether or not the first score of the similar chat text data with respect to the first text data is equal to or higher than the threshold value. For example, when there are a plurality of first text data, the opinion aggregation device 100A determines whether or not the first score of the similar chat text data for all the first text data is equal to or higher than the threshold value.
  • the opinion aggregation device 100A determines whether or not the second score of the similar chat text data with respect to the second text data is equal to or higher than the threshold value. For example, when there are a plurality of second text data, the opinion aggregation device 100A determines whether or not the second score of the similar chat text data for all the second text data is equal to or higher than the threshold value.
  • the opinion aggregation device 100A has a threshold of the first text data: "Do you like the red model?" And the first score "9.2" of the similar chat text data: "Red model likes". With the above, it is determined that the first score "8.7” of the first text data: "What color model do you like?" And the similar chat text data: "Red model likes" is also above the threshold. ..
  • the first score "8.5" of the first text data “Do you like the red model?” And the similar chat text data: “Red is good” is equal to or higher than the threshold value.
  • 1st text data Similar chat to "What color model do you like?" 1st score "6.5” of "Red is good” is also judged to be above the threshold.
  • the first score "8.5" of the first text data “Do you like the red model?” And the similar chat text data: “Red is subtle” is equal to or higher than the threshold value.
  • 1 Text data Similar chat to "What color model do you like?” Text data: It is determined that the first score "0.3" of "Red is subtle” is smaller than the threshold.
  • step 208 the opinion aggregation device 100A outputs a similar sentence similar to the input sentence based on the determination result.
  • the opinion aggregation device 100A is based on the determination result that the first score of the chat text data for all the first text data is equal to or higher than the threshold value, and the "red model likes". , “Red is good” is output as a similar sentence similar to the input sentence. Specifically, the opinion aggregation device 100A responds to the first text data "Do you like the red model?" As similar chat text data in which the first score is equal to or higher than the threshold, and "likes the red model”. , "Red is subtle” and “Red is good” are classified into upper text groups.
  • the opinion aggregation device 100A has "red model likes” and “red model likes” as similar chat text data in which the first score is equal to or higher than the threshold value for the first text data "what color model do you like?". "Red is good” is classified into the upper text group. Then, the opinion aggregation device 100A outputs similar chat text data that is commonly included in both upper text groups, that is, “red model likes” and “red is good”.
  • the opinion aggregation method classifies similar texts based on the sentence continuity score. That is, the input sentence is converted, and whether or not the predetermined similar sentence is established as a conversational sentence with respect to the converted input sentence is calculated as a sentence continuity score, and based on this score, the input sentence and the predetermined similar sentence are calculated. Measure synchronism or similarity with. For a declarative sentence, the interrogative sentence is taken, and the sentence continuity score between the interrogative sentence and a predetermined similar sentence is calculated to score the conformity with the original declarative sentence. For an interrogative sentence, the answer sentence is taken, and the sentence continuity score between a predetermined similar sentence and the answer sentence is calculated to score the similarity with the original interrogative sentence.
  • control units 110 and 110A are CPU (Central Processing Unit), MPU (Micro Processing Unit), GPU (Graphics Processing Unit), DSP (Digital Signal Processor), SoC (System on a Chip), and the like. It may be composed of a plurality of processors of the same type or different types.
  • the control units 110 and 110A read the program from the storage unit 120 and execute the program to control each of the above configurations and perform various arithmetic processes. It should be noted that at least a part of these processing contents may be realized by hardware.
  • the steps (S101, S102) for determining whether the input sentence is a declarative sentence or a question sentence, and the input sentence are In the case of a declarative sentence, the step of generating the first text data in which the input sentence is questioned (S103), and in the case of the input sentence, the step of generating the second text data in which the input sentence is simply answered (S104). ), And the step (S105) of calculating the first score indicating the sentence continuity between the first text data and the chat text data, or the second score indicating the sentence continuity between the chat text data and the second text data. , A step (S106, S107) of outputting chat text data having the first score or the second score when the first score or the second score is equal to or higher than the threshold value.
  • this program may be recorded on a recording medium that can be read by a computer. Using such a recording medium, it is possible to install the program on the computer.
  • the recording medium on which the program is recorded may be a non-transient recording medium. Even if the non-transient recording medium is a CD (Compact Disk) -ROM (Read-Only Memory), DVD (Digital Versatile Disc) -ROM, BD (Blu-ray (registered trademark) Disc) -ROM, etc. good.
  • the program can also be provided by download over the network.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

意見集約装置１００は、入力文が平叙文であるか疑問文であるかを判定する第１判定部１０と、入力文が平叙文である場合、入力文を疑問文化した第１テキストデータを生成する第１生成部２０と、入力文が疑問文である場合、入力文に簡易回答した第２テキストデータを生成する第２生成部３０と、複数のチャットテキストデータを含むチャットテキストデータベースを記憶する記憶部１２０と、第１テキストデータとチャットテキストデータとの文章連続性を示す第１スコア、又は、チャットテキストデータと第２テキストデータとの文章連続性を示す第２スコアを算出する算出部４０と、第１スコア又は第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有するチャットテキストデータを出力する第２判定部５０と、を備える。

Description

意見集約装置、意見集約方法、およびプログラム
　本開示は、意見集約装置、意見集約方法、およびプログラムに関する。
　近年、インターネット通信の発展によりライブ配信が盛んであり、オンライン形式のプレゼンもしばしば行われている。このような場では、チャット機能を用いて配信に関してコメントが集められる。寄せられた意見又は疑問などに対して、配信者がその場で返答することができれば、視聴者の理解又は満足度の向上が見込める。さらに、活発な意見交換にも繋がり、特にプレゼンでは、合意形成に役立つことが期待できる。しかし、コメントが大量に集まる場合、配信者が配信中にそれら全てを確認することは現実的に不可能であり、チャット文の中から類似した意見又は疑問をまとめ、整理する技術が必要となる。
　例えば、特許文献１には、指定テキスト集合の傾向変化に高速に適応しながら、長期的な傾向に基づいた高い分類精度も実現するマイクロブログテキスト分類技術が開示されている。
特開２０１２－２２１４３０号公報
　しかしながら、従来の技術では、関連するテキストの検索によりトピック分類は達成される一方で、同意見又は同意味という意味的情報を捉えた分類を行うことができず、類似した意見又は疑問を整理することが困難であるという問題があった。また、テキストを一度、特徴量ベクトルに変換するため、分類結果を解釈しづらく、さらに、途中結果を見てエラー解析などを行うことが困難であるという問題もあった。
　かかる事情に鑑みてなされた本開示の目的は、意味的情報を捉えた分類を行うことが可能な意見集約装置、意見集約方法、およびプログラムを提供することにある。
　一実施形態に係る意見集約装置は、入力文が平叙文であるか疑問文であるかを判定する第１判定部と、前記入力文が前記平叙文である場合、前記入力文を疑問文化した第１テキストデータを生成する第１生成部と、前記入力文が前記疑問文である場合、前記入力文に簡易回答した第２テキストデータを生成する第２生成部と、複数のチャットテキストデータを含むチャットテキストデータベースを記憶する記憶部と、前記第１テキストデータと前記チャットテキストデータとの文章連続性を示す第１スコア、又は、前記チャットテキストデータと前記第２テキストデータとの文章連続性を示す第２スコアを算出する算出部と、前記第１スコア又は前記第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有する前記チャットテキストデータを出力する第２判定部と、を備えることを特徴とする。
　一実施形態に係る意見集約方法は、入力文が平叙文であるか疑問文であるかを判定するステップと、前記入力文が前記平叙文である場合、前記入力文を疑問文化した第１テキストデータを生成するステップと、前記入力文が前記疑問文である場合、前記入力文に簡易回答した第２テキストデータを生成するステップと、複数のチャットテキストデータを含むチャットテキストデータベースを記憶するステップと、前記第１テキストデータと前記チャットテキストデータとの文章連続性を示す第１スコア、又は、前記チャットテキストデータと前記第２テキストデータとの文章連続性を示す第２スコアを算出するステップと、前記第１スコア又は前記第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有する前記チャットテキストデータを出力するステップと、を含むことを特徴とする。
　一実施形態に係るプログラムは、コンピュータを、上記意見集約装置として機能させることを特徴とする。
　本開示によれば、意味的情報を捉えた分類を行うことが可能な意見集約装置、意見集約方法、およびプログラムを提供することが可能となる。
第１実施形態に係る意見集約装置の構成の一例を示す図である。 第１実施形態に係る各データの一例を示す図である。 第１実施形態に係る各データの一例を示す図である。 第１実施形態に係る意見集約方法の一例を示すフローチャートである。 第２実施形態に係る意見集約装置の構成の一例を示す図である。 第２実施形態に係る各データの一例を示す図である。 第２実施形態に係る意見集約方法の一例を示すフローチャートである。
　以下、本発明を実施するための形態について、図面を参照しながら詳細に説明する。
〔第１実施形態〕
＜意見集約装置の構成＞
　図１乃至図３を参照して、第１実施形態に係る意見集約装置の構成の一例について説明する。
　意見集約装置１００は、制御部１１０と、記憶部１２０と、入力部１３０と、出力部１４０と、を備える。
　制御部１１０は、専用のハードウェアによって構成されてもよいし、汎用のプロセッサ又は特定の処理に特化したプロセッサによって構成されてもよい。制御部１１０は、平叙文／疑問文判定部（第１判定部）１０と、疑問文生成部（第１生成部）２０と、回答文生成部（第２生成部）３０と、文章連続性スコア算出部（算出部）４０と、閾値判定部（第２判定部）５０と、を備える。
　記憶部１２０は、１つ以上のメモリを含み、例えば、半導体メモリ、磁気メモリ、光メモリなどを含んでよい。記憶部１２０に含まれる各メモリは、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能してよい。各メモリは、必ずしも意見集約装置１００がその内部に備える必要はなく、意見集約装置１００の外部に備える構成としてもよい。記憶部１２０は、意見集約装置１００の動作に用いられる任意の情報を記憶する。記憶部１２０は、例えば、複数のチャットテキストデータを含むチャットテキストデータベース１２１を記憶する。チャットテキストデータとしては、例えば、図２に示すように、「赤色のモデルいいね」、「赤は微妙」、「赤はいいですね」、「色が豊富なのがいいと思いました」、「もう少し小さいといいと思いました」などが挙げられる。チャットテキストデータとしては、例えば、図３に示すように、「インジェクションとは何ですか」、「インジェクションがわからない」、「安定供給が必要そうですね」、「もう少し小さいといいと思いました」などが挙げられる。この他にも、記憶部１２０は、例えば、各種のプログラム又はデータなどを記憶する。
　入力部１３０は、各種情報の入力を受け付ける。入力部１３０は、ユーザによる所定の操作が可能であればどのようなデバイスでもよく、例えば、マイク、タッチパネル、キーボード、マウスなどである。例えば、ユーザが、入力部１３０を用いて所定の操作を行うことで、入力文が制御部１１０に入力される。入力文としては、例えば、図２に示すように、「赤色のモデルが好みです（平叙文）」などが挙げられる。入力文としては、例えば、図３に示すように、「インジェクションって何？（疑問文）」などが挙げられる。入力部１３０は、意見集約装置１００の外部に設けられていてもよいし、意見集約装置１００と一体化されていてもよい。
　出力部１４０は、各種情報を出力する。出力部１４０は、例えば、スピーカー、液晶ディスプレイ、有機ＥＬ（Electro－Luminescence）ディスプレイなどである。出力部１４０は、例えば、入力文に類似する類似文を出力する。入力文に類似する類似文としては、例えば、図２に示すように、「赤色のモデルが好みです」という入力文に対して、「赤色のモデルいいね」、「赤はいいですね」などが挙げられる。入力文に類似する類似文としては、例えば、図３に示すように、「インジェクションって何？」という入力文に対して、「インジェクションとは何ですか」、「インジェクションがわからない」などが挙げられる。出力部１４０は、意見集約装置１００の外部に設けられていてもよいし、意見集約装置１００と一体化されていてもよい。
　平叙文／疑問文判定部１０は、入力文が、平叙文であるか疑問文であるかを判定する。平叙文／疑問文判定部１０は、入力文が平叙文である場合、入力文が平叙文であるという判定結果を、疑問文生成部２０へ出力する。平叙文／疑問文判定部１０は、入力文が疑問文である場合、入力文が疑問文であるという判定結果を、回答文生成部３０へ出力する。
　疑問文生成部２０は、平叙文／疑問文判定部１０から入力された判定結果に基づいて、入力文を疑問文化し、入力文を疑問文化したテキストデータである第１テキストデータを生成する。疑問文生成部２０は、第１テキストデータを、文章連続性スコア算出部４０へ出力する。第１テキストデータとしては、例えば、図２に示すように、「赤色のモデルは好きですか？」、「何色のモデルが好きですか？」などが挙げられる。疑問文生成部２０は、１つの入力文に対して、単数の第１テキストデータを生成してもよいし、複数の第１テキストデータを生成してもよい。
　疑問文生成部２０が第１テキストデータを生成する技術は、特に限定されるものではないが、例えば、質問自動生成技術を用いてよい。質問自動生成技術の詳細については、例えば、下記の文献を参照することができる。
　佐藤紗都、伍井啓恭、奥村学、「製品マニュアル文からの質問自動生成」、人工知能学会全国大会論文集、第32回全国大会(2018)、一般社団法人、人工知能学会、2018
　回答文生成部３０は、平叙文／疑問文判定部１０から入力された判定結果に基づいて、入力文に簡易回答し、入力文に簡易回答したテキストデータである第２テキストデータを生成する。回答文生成部３０は、第２テキストデータを、文章連続性スコア算出部４０へ出力する。第２テキストデータとしては、例えば、図３に示すように、「インジェクションは燃料供給装置のことです」などが挙げられる。回答文生成部３０は、１つの入力文に対して、単数の第２テキストデータを生成してもよいし、複数の第２テキストデータを生成してもよい。
　回答文生成部３０が第２テキストデータを生成する技術は、特に限定されるものではないが、例えば、ＦＡＱ検索システムを用いて、入力文に対する適当な回答を検索し、適当な回答を要約して簡易回答文として使用してよい。この技術の詳細については、例えば、特開２０１８－１８０９３８号公報、特開２０１８－１４７１０２号公報などを参照することができる。
　文章連続性スコア算出部４０は、疑問文生成部２０から入力された第１テキストデータと、チャットテキストデータベース１２１から抽出されたチャットテキストデータ（例えば、「赤色のモデルいいね」、「赤は微妙」、「赤はいいですね」、「色が豊富なのがいいと思いました」、「もう少し小さいといいと思いました」など）と、の文章連続性を示す第１スコアを算出する。文章連続性スコア算出部４０は、算出した第１スコアを、閾値判定部５０へ出力する。
　同様に、文章連続性スコア算出部４０は、チャットテキストデータベース１２１から抽出されたチャットテキストデータ（例えば、「インジェクションとは何ですか」、「インジェクションがわからない」、「安定供給が必要そうですね」、「もう少し小さいといいと思いました」など）と、回答文生成部３０から入力された第２テキストデータと、の文章連続性を示す第２スコアを算出する。文章連続性スコア算出部４０は、算出した第２スコアを、閾値判定部５０へ出力する。
　文章連続性スコア算出部４０が第１スコア又は第２スコアを算出する技術は、特に限定されるものではないが、例えば、自然言語処理の学習モデルの一つであるNext Sentence Predictionの出力値を、文章連続性を示すスコアとして用いてよい。この技術の詳細については、例えば、下記の文献を参照することができる。
　Devlin, Jacob, et al. "Bert: Pre-training of deep bidirectional transformers for language understanding." arXiv preprint arXiv:1810.04805 (2018).
　例えば、文章連続性スコア算出部４０は、１つ目のテキストデータ：「今日の天気は晴れでしょう」と２つ目のテキストデータ：「明日の天気は曇りでしょう」との文章連続性を示すスコアを、「８．５（Ｔｒｕｅ）」と算出する。該スコアは、「今日の天気は晴れでしょう」、「明日の天気は曇りでしょう」という２つの文章の連続性が高いことを示す。
　例えば、文章連続性スコア算出部４０は、１つ目のテキストデータ：「今日の天気は晴れでしょう」と２つ目のテキストデータ：「確率統計は重要な科目です」との文章連続性を示すスコアを、「－５．４（Ｆａｌｓｅ）」と算出する。該スコアは、「今日の天気は晴れでしょう」、「確率統計は重要な科目です」という２つの文章の連続性が低いことを示す。
　なお、文章連続性を示すスコアは、－∞から＋∞までの範囲で設定可能である。文章連続性スコア算出部４０は、例えば、文章連続性を示すスコアの値が正である場合、真（Ｔｒｕｅ）を出力する。文章連続性スコア算出部４０は、例えば、文章連続性を示すスコアの値が負である場合、偽（Ｆａｌｓｅ）を出力する。
　閾値判定部５０は、文章連続性スコア算出部４０から入力された第１スコア又は第２スコアに基づいて、スコア順に、複数のチャットテキストデータをランク付けする。例えば、閾値判定部５０は、図２に示すように、第１テキストデータ：「赤色のモデルは好きですか？」に対する複数のチャットテキストデータを、「９．２：赤色のモデルいいね」、「８．８：赤は微妙」、「８．５：赤はいいですね」、「１．９：色が豊富なのがいいと思いました」、「－５．１：もう少し小さいといいと思いました」・・・のようにランク付けする。例えば、閾値判定部５０は、図２に示すように、第１テキストデータ：「何色のモデルが好きですか？」に対する複数のチャットテキストデータを、「８．７：赤色のモデルいいね」、「６．５：赤はいいですね」、「０．３：赤は微妙」、「－２．０：色が豊富なのがいいと思いました」、「－６．７：もう少し小さいといいと思いました」・・・のようにランク付けする。例えば、閾値判定部５０は、図３に示すように、第２テキストデータ：「インジェクションは燃料供給装置のことです」に対する複数のチャットテキストデータを、「８．８：インジェクションとは何ですか」、「８．５：インジェクションがわからない」、「０．１：安定供給が必要そうですね」、「－５．１：もう少し小さいといいと思いました」・・・のようにランク付けする。
　そして、閾値判定部５０は、第１スコアが閾値以上であるか否かを判定する。閾値判定部５０は、第１スコアが閾値以上である場合、該第１スコアを有するチャットテキストデータを出力部１４０へ出力し、第１スコアが閾値より小さい場合、該第１スコアを有するチャットテキストデータを出力部１４０へ出力しない。
　同様に、閾値判定部５０は、第２スコアが閾値以上であるか否かを判定する。閾値判定部５０は、第２スコアが閾値以上である場合、該第２スコアを有するチャットテキストデータを出力部１４０へ出力し、第２スコアが閾値より小さい場合、該第２スコアを有するチャットテキストデータを出力部１４０へ出力しない。
　なお、閾値は、その値が特に限定されるものではなく、意見集約装置１００により任意の値に設定されてよい。
　例えば、第１テキストデータが単数である場合、閾値判定部５０は、該第１テキストデータに対して、単数又は複数のチャットテキストデータにおける第１スコアが閾値以上であるか否かを判定する。そして、閾値判定部５０は、第１スコアが閾値以上である場合、該第１スコアを有するチャットテキストデータを出力部１４０へ出力し、第１スコアが閾値より小さい場合、該第１スコアを有するチャットテキストデータを出力部１４０へ出力しない。
　同様に、例えば、図３に示すように、第２テキストデータが単数である場合、閾値判定部５０は、該第２テキストデータ（例えば、「インジェクションは燃料供給装置のことです」）に対して、単数又は複数のチャットテキストデータ（例えば、「インジェクションとは何ですか」、「インジェクションがわからない」、「安定供給が必要そうですね」、「もう少し小さいといいと思いました」）における第２スコアが閾値（例えば、５．０）以上であるか否かを判定する。そして、閾値判定部５０は、第２スコアが閾値以上である場合、該第２スコアを有するチャットテキストデータ（例えば、「インジェクションとは何ですか」、「インジェクションがわからない」）を出力部１４０へ出力し、第２スコアが閾値より小さい場合、該第２スコアを有するチャットテキストデータ（例えば、「安定供給が必要そうですね」、「もう少し小さいといいと思いました」）を出力部１４０へ出力しない。
　例えば、図２に示すように、第１テキストデータが複数である場合、閾値判定部５０は、全ての第１テキストデータ（例えば、「赤色のモデルは好きですか？」、「何色のモデルが好きですか？」）に対して、単数又は複数のチャットテキストデータ（例えば、「赤色のモデルいいね」、「赤は微妙」、「赤はいいですね」、「色が豊富なのがいいと思いました」、「もう少し小さいといいと思いました」）における第１スコアが閾値（例えば、５．０）以上であるか否かを判定する。そして、閾値判定部５０は、全ての第１テキストデータに対して、第１スコアが閾値以上となるチャットテキストデータ（例えば、「赤色のモデルいいね」、「赤はいいですね」）を出力部１４０へ出力し、全ての第１テキストデータに対して、第１スコアが閾値以上とならないチャットテキストデータ（例えば、「赤は微妙」、「色が豊富なのがいいと思いました」、「もう少し小さいといいと思いました」）を出力部１４０へ出力しない。
　同様に、例えば、第２テキストデータが複数である場合、閾値判定部５０は、全ての第２テキストデータに対して、第２スコアが閾値以上であるか否かを判定する。そして、閾値判定部５０は、全ての第２テキストデータに対して、第２スコアが閾値以上となるチャットテキストデータを出力部１４０へ出力し、全ての第２テキストデータに対して、第２スコアが閾値以上とならないチャットテキストデータを出力部１４０へ出力しない。
　第１実施形態に係る意見集約装置１００は、入力文が平叙文である場合には、平叙文を疑問化した文に対して文章連続性スコアの高い回答文を抽出し、入力文が疑問文である場合には、疑問文に簡易回答した文に対して文章連続性スコアの高い疑問文を抽出する。これにより、入力文に類似する類似文を出力することができるため、同意見又は同意味という意味的情報を捉えた分類を行うことが可能な意見集約装置１００を実現できる。
＜意見集約方法＞
　図４を参照して、第１実施形態に係る意見集約方法の一例について説明する。
　ステップ１０１において、入力文が、意見集約装置１００に入力される。入力文としては、例えば、「赤色のモデルが好みです」、「インジェクションって何？」などが挙げられる。
　ステップ１０２において、意見集約装置１００は、入力文が、平叙文であるか疑問文であるかを判定する。入力文が、例えば、「赤色のモデルが好みです」というような平叙文である場合（ステップ１０２→平叙文）、意見集約装置１００は、ステップ１０３の処理を行う。入力文が、例えば、「インジェクションって何？」というような疑問文である場合（ステップ１０２→疑問文）、意見集約装置１００は、ステップ１０４の処理を行う。
　ステップ１０３において、意見集約装置１００は、入力文を疑問文化し、入力文を疑問文化したテキストデータである第１テキストデータを生成する。例えば、意見集約装置１００は、「赤色のモデルが好みです」という入力文を疑問文化し、「赤色のモデルは好きですか？」、「何色のモデルが好きですか？」という第１テキストデータを生成する。
　ステップ１０４において、意見集約装置１００は、入力文に簡易回答し、入力文に簡易回答したテキストデータである第２テキストデータを生成する。例えば、意見集約装置１００は、「インジェクションって何？」という入力文に簡易回答し、「インジェクションは燃料供給装置のことです」という第２テキストデータを生成する。
　ステップ１０５において、意見集約装置１００は、文章連続性スコアを算出する。例えば、意見集約装置１００は、第１テキストデータと、チャットテキストデータベース１２１に含まれるチャットテキストデータと、の文章連続性を示す第１スコアを算出する。例えば、意見集約装置１００は、チャットテキストデータベース１２１に含まれるチャットテキストデータと、第２テキストデータと、の文章連続性を示す第２スコアを算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「赤色のモデルいいね」を用いて、２つの文章の連続性を示す第１スコアを、「９．２」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「赤は微妙」を用いて、２つの文章の連続性を示す第１スコアを、「８．８」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「赤はいいですね」を用いて、２つの文章の連続性を示す第１スコアを、「８．５」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「色が豊富なのがいいと思いました」を用いて、２つの文章の連続性を示す第１スコアを、「１．９」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「もう少し小さいといいと思いました」を用いて、２つの文章の連続性を示す第１スコアを、「－５．１」と算出する。
　同様に、例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「赤色のモデルいいね」を用いて、２つの文章の連続性を示す第１スコアを、「８．７」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「赤はいいですね」を用いて、２つの文章の連続性を示す第１スコアを、「６．５」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「赤は微妙」を用いて、２つの文章の連続性を示す第１スコアを、「０．３」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「色が豊富なのがいいと思いました」を用いて、２つの文章の連続性を示す第１スコアを、「－２．０」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、チャットテキストデータ：「もう少し小さいといいと思いました」を用いて、２つの文章の連続性を示す第１スコアを、「－６．７」と算出する。
　同様に、例えば、意見集約装置１００は、１つ目のテキストデータとして、チャットテキストデータ：「インジェクションとは何ですか」を用いて、２つ目のテキストデータとして、第２テキストデータ：「インジェクションは燃料供給装置のことです」を用いて、２つの文章の連続性を示す第２スコアを、「８．８」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、チャットテキストデータ：「インジェクションがわからない」を用いて、２つ目のテキストデータとして、第２テキストデータ：「インジェクションは燃料供給装置のことです」を用いて、２つの文章の連続性を示す第２スコアを、「８．５」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、チャットテキストデータ：「安定供給が必要そうですね」を用いて、２つ目のテキストデータとして、第２テキストデータ：「インジェクションは燃料供給装置のことです」を用いて、２つの文章の連続性を示す第２スコアを、「０．１」と算出する。
　例えば、意見集約装置１００は、１つ目のテキストデータとして、チャットテキストデータ：「もう少し小さいといいと思いました」を用いて、２つ目のテキストデータとして、第２テキストデータ：「インジェクションは燃料供給装置のことです」を用いて、２つの文章の連続性を示す第２スコアを、「－５．１」と算出する。
　ステップ１０６において、意見集約装置１００は、第１スコア又は第２スコアに基づいて、スコア順に、複数のチャットテキストデータをランク付けする。
　例えば、意見集約装置１００は、第１テキストデータ：「赤色のモデルは好きですか？」に対する複数のチャットテキストデータを、「９．２：赤色のモデルいいね」、「８．８：赤は微妙」、「８．５：赤はいいですね」、「１．９：色が豊富なのがいいと思いました」、「－５．１：もう少し小さいといいと思いました」・・・のようにランク付けする。
　例えば、意見集約装置１００は、第１テキストデータ：「何色のモデルが好きですか？」に対する複数のチャットテキストデータを、「８．７：赤色のモデルいいね」、「６．５：赤はいいですね」、「０．３：赤は微妙」、「－２．０：色が豊富なのがいいと思いました」、「－６．７：もう少し小さいといいと思いました」・・・のようにランク付けする。
　例えば、意見集約装置１００は、第２テキストデータ：「インジェクションは燃料供給装置のことです」に対する複数のチャットテキストデータを、「８．８：インジェクションとは何ですか」、「８．５：インジェクションがわからない」、「０．１：安定供給が必要そうですね」、「－５．１：もう少し小さいといいと思いました」・・・のようにランク付けする。
　そして、意見集約装置１００は、第１スコア又は第２スコアが閾値以上であるか否かを判定する。意見集約装置１００は、第１スコア又は第２スコアが閾値以上である場合（ステップ１０６→ＹＥＳ）、ステップ１０７の処理を行う。意見集約装置１００は、第１スコア又は第２スコアが閾値より小さい場合（ステップ１０６→ＮＯ）、処理を終了する。
　例えば、第１テキストデータが単数である場合、意見集約装置１００は、該第１テキストデータに対するチャットテキストデータの第１スコアが閾値以上であるか否かを判定する。例えば、第１テキストデータが複数である場合、意見集約装置１００は、全ての第１テキストデータに対するチャットテキストデータの第１スコアが閾値以上であるか否かを判定する。
　具体的には、意見集約装置１００は、第１テキストデータ：「赤色のモデルは好きですか？」に対するチャットテキストデータ：「赤色のモデルいいね」の第１スコア「９．２」が閾値以上であり、第１テキストデータ：「何色のモデルが好きですか？」に対するチャットテキストデータ：「赤色のモデルいいね」の第１スコア「８．７」も閾値以上であると判定する。
　また、意見集約装置１００は、第１テキストデータ：「赤色のモデルは好きですか？」に対するチャットテキストデータ：「赤はいいですね」の第１スコア「８．５」が閾値以上であり、第１テキストデータ：「何色のモデルが好きですか？」に対するチャットテキストデータ：「赤はいいですね」の第１スコア「６．５」も閾値以上であると判定する。
　また、意見集約装置１００は、第１テキストデータ：「赤色のモデルは好きですか？」に対するチャットテキストデータ：「赤は微妙」の第１スコア「８．５」が閾値以上であり、第１テキストデータ：「何色のモデルが好きですか？」に対するチャットテキストデータ：「赤は微妙」の第１スコア「０．３」が閾値より小さいと判定する。
　また、意見集約装置１００は、第１テキストデータ：「赤色のモデルは好きですか？」に対するチャットテキストデータ：「色が豊富なのがいいと思いました」の第１スコア「１．９」が閾値より小さく、第１テキストデータ：「何色のモデルが好きですか？」に対するチャットテキストデータ：「色が豊富なのがいいと思いました」の第１スコア「－２．０」も閾値より小さいと判定する。
　また、意見集約装置１００は、第１テキストデータ：「赤色のモデルは好きですか？」に対するチャットテキストデータ：「もう少し小さいといいと思いました」の第１スコア「－５．１」が閾値より小さく、第１テキストデータ：「何色のモデルが好きですか？」に対するチャットテキストデータ：「もう少し小さいといいと思いました」の第１スコア「－６．７」も閾値より小さいと判定する。
　例えば、第２テキストデータが単数である場合、意見集約装置１００は、該第２テキストデータに対するチャットテキストデータの第２スコアが閾値以上であるか否かを判定する。例えば、第２テキストデータが複数である場合、意見集約装置１００は、全ての第２テキストデータに対するチャットテキストデータの第２スコアが閾値以上であるか否かを判定する。
　具体的には、意見集約装置１００は、第２テキストデータ：「インジェクションは燃料供給装置のことです」に対するチャットテキストデータ：「インジェクションとは何ですか」の第２スコア「８．８」が閾値以上であると判定する。
　また、意見集約装置１００は、第２テキストデータ：「インジェクションは燃料供給装置のことです」に対するチャットテキストデータ：「インジェクションがわからない」の第２スコア「８．５」が閾値以上であると判定する。
　また、意見集約装置１００は、第２テキストデータ：「インジェクションは燃料供給装置のことです」に対するチャットテキストデータ：「安定供給が必要そうですね」の第２スコア「０．１」が閾値より小さいと判定する。
　また、意見集約装置１００は、第２テキストデータ：「インジェクションは燃料供給装置のことです」に対するチャットテキストデータ：「もう少し小さいといいと思いました」の第２スコア「－５．１」が閾値より小さいと判定する。
　ステップ１０７において、意見集約装置１００は、判定結果に基づいて、入力文に類似する類似文を出力する。
　例えば、第１テキストデータが複数である場合、意見集約装置１００は、全ての第１テキストデータに対するチャットテキストデータの第１スコアが閾値以上となるという判定結果に基づいて、「赤色のモデルいいね」、「赤はいいですね」を、入力文に類似する類似文として出力する。具体的には、意見集約装置１００は、第１テキストデータ：「赤色のモデルは好きですか？」に対して、第１スコアが閾値以上となるチャットテキストデータとして、「赤色のモデルいいね」、「赤は微妙」、「赤はいいですね」を上位テキスト群に分類する。また、意見集約装置１００は、第１テキストデータ：「何色のモデルが好きですか？」に対して、第１スコアが閾値以上となるチャットテキストデータとして、「赤色のモデルいいね」、「赤はいいですね」を上位テキスト群に分類する。そして、意見集約装置１００は、両方の上位テキスト群に共通して含まれるチャットテキストデータ、すなわち、「赤色のモデルいいね」、「赤はいいですね」を出力する。
　例えば、第２テキストデータが単数である場合、意見集約装置１００は、該第２テキストデータに対するチャットテキストデータの第２スコアが閾値以上であるという判定結果に基づいて、「インジェクションとは何ですか」、「インジェクションがわからない」を、入力文に類似する類似文として出力する。具体的には、意見集約装置１００は、第２テキストデータ：「インジェクションは燃料供給装置のことです」に対して、第２スコアが閾値以上となるチャットテキストデータとして、「インジェクションとは何ですか」、「インジェクションがわからない」を上位テキスト群に分類する。そして、意見集約装置１００は、該上位テキスト群に含まれる全てのチャットテキストデータ、すなわち、「インジェクションとは何ですか」、「インジェクションがわからない」を出力する。
　第１実施形態に係る意見集約方法は、文章連続性スコアに基づいて、類似テキストを分類する。つまり、入力文を変換し、所定の文が、変換された入力文に対して会話文として成立するか否かを文章連続性スコアとして算出し、このスコアにより、入力文と所定の文との同調性又は同様性を測る。平叙文に対しては、その疑問文をとり、その疑問文と所定の文との文章連続性スコアを算出することで、元の平叙文との同調性をスコア化する。疑問文に対しては、その回答文をとり、所定の文とその回答文との文章連続性スコアを算出することで、元の疑問文との同様性をスコア化する。これにより、短い文に対してもテキスト情報のみで意味的情報を捉えた分類を行うことが可能な意見集約方法を実現できる。
また、会話文として成立するか否かを分類基準とするため、分類結果の解釈が容易な意見集約方法を実現できる。
〔第２実施形態〕
＜意見集約装置の構成＞
　図５又は図６を参照して、第２実施形態に係る意見集約装置１００Ａの構成の一例について説明する。
　第２実施形態に係る意見集約装置１００Ａが、第１実施形態に係る意見集約装置１００と異なる点は、第１実施形態に係る意見集約装置１００が類似文法テキスト検索部を備えないのに対して、第２実施形態に係る意見集約装置１００Ａは、類似文法テキスト検索部を備える点である。その他の構成は、同様であるため、重複した説明を省略する場合がある。
　意見集約装置１００Ａは、制御部１１０Ａと、記憶部１２０と、入力部１３０と、出力部１４０と、を備える。制御部１１０Ａは、平叙文／疑問文判定部（第１判定部）１０と、疑問文生成部（第１生成部）２０と、回答文生成部（第２生成部）３０と、文章連続性スコア算出部（算出部）４０と、閾値判定部（第２判定部）５０と、類似文法テキスト検索部（検索部）６０と、を備える。
　類似文法テキスト検索部６０は、チャットテキストデータベース１２１から、入力文と文法的に類似するチャットテキストデータを検索する。そして、類似文法テキスト検索部６０は、入力文と該チャットテキストデータとの類似度（例えば、距離計算により算出された値）に基づいて、類似度順に、複数のチャットテキストデータをランク付けする。
　例えば、類似文法テキスト検索部６０は、図６に示すように、入力文：「赤色のモデルが好みです」と文法的に類似する複数のチャットテキストデータを、「０．９：赤色のモデルいいね」、「１．４：赤は微妙」、「１．５：赤はいいですね」、「１１．７：色が豊富なのがいいと思いました」、「２１．０：もう少し小さいといいと思いました」・・・のようにランク付けする。
　そして、類似文法テキスト検索部６０は、類似度が閾値以下であるか否かを判定する。類似文法テキスト検索部６０は、類似度が閾値以下である場合、該類似度を有するチャットテキストデータを、類似チャットテキストデータとして文章連続性スコア算出部４０へ出力し、類似度が閾値より大きい場合、該類似度を有するチャットテキストデータを、類似チャットテキストデータとして文章連続性スコア算出部４０へ出力しない。なお、閾値は、その値が特に限定されるものではなく、意見集約装置１００Ａにより任意の値に設定されてよい。
　例えば、類似文法テキスト検索部６０は、図６に示すように、類似度が閾値（例えば、５．０）以下である場合、「０．９：赤色のモデルいいね」、「１．４：赤は微妙」、「１．５：赤はいいですね」を、類似チャットテキストデータとして文章連続性スコア算出部４０へ出力し、類似度が閾値（例えば、５．０）より大きい場合、「１１．７：色が豊富なのがいいと思いました」、「２１．０：もう少し小さいといいと思いました」を、類似チャットテキストデータとして文章連続性スコア算出部４０へ出力しない。
　類似文法テキスト検索部６０が、チャットテキストデータベース１２１から、入力文と文法的に類似するチャットテキストデータを検索する技術は、特に限定されるものではないが、例えば、テキストを自然言語処理のモデルの一つであるBERTにより特徴量ベクトルに変換し、その特徴量ベクトルの差を示すノルム値が所定の閾値より小さいテキストを、類似文法テキストとしての検索結果としてよい。この技術の詳細については、例えば、下記の文献を参照することができる。
　Devlin, Jacob, et al. "Bert: Pre-training of deep bidirectional transformers for language understanding." arXiv preprint arXiv:1810.04805 (2018).
　文章連続性スコア算出部４０は、疑問文生成部２０から入力された第１テキストデータと、類似文法テキスト検索部６０から入力された類似チャットテキストデータと、の文章連続性を示す第１スコアを算出する。文章連続性スコア算出部４０は、算出した第１スコアを、閾値判定部５０へ出力する。
　同様に、文章連続性スコア算出部４０は、類似文法テキスト検索部６０から入力された類似チャットテキストデータと、回答文生成部３０から入力された第２テキストデータと、の文章連続性を示す第２スコアを算出する。文章連続性スコア算出部４０は、算出した第２スコアを、閾値判定部５０へ出力する。
　閾値判定部５０は、文章連続性スコア算出部４０から入力された第１スコアに基づいて、スコア順に、複数の類似チャットテキストデータをランク付けする。例えば、閾値判定部５０は、図６に示すように、第１テキストデータ：「赤色のモデルは好きですか？」に対する複数の類似チャットテキストデータを、「９．２：赤色のモデルいいね」、「８．８：赤は微妙」、「８．５：赤はいいですね」のようにランク付けする。例えば、閾値判定部５０は、図６に示すように、第１テキストデータ：「何色のモデルが好きですか？」に対する複数の類似チャットテキストデータを、「８．７：赤色のモデルいいね」、「６．５：赤はいいですね」、「０．３：赤は微妙」のようにランク付けする。
　そして、閾値判定部５０は、第１スコアが閾値以上であるか否かを判定する。閾値判定部５０は、第１スコアが閾値以上である場合、該第１スコアを有する類似チャットテキストデータを出力部１４０へ出力し、第１スコアが閾値より小さい場合、該第１スコアを有する類似チャットテキストデータを出力部１４０へ出力しない。
　同様に、閾値判定部５０は、第２スコアが閾値以上であるか否かを判定する。閾値判定部５０は、第２スコアが閾値以上である場合、該第２スコアを有する類似チャットテキストデータを出力部１４０へ出力し、第２スコアが閾値より小さい場合、該第２スコアを有する類似チャットテキストデータを出力部１４０へ出力しない。
　例えば、図６に示すように、第１テキストデータが複数である場合、閾値判定部５０は、全ての第１テキストデータ（例えば、「赤色のモデルは好きですか？」、「何色のモデルが好きですか？」）に対して、単数又は複数の類似チャットテキストデータ（例えば、「赤色のモデルいいね」、「赤はいいですね」、「赤は微妙」）における第１スコアが閾値（例えば、５．０）以上であるか否かを判定する。そして、閾値判定部５０は、全ての第１テキストデータに対して、第１スコアが閾値以上となる類似チャットテキストデータ（例えば、「赤色のモデルいいね」、「赤はいいですね」）を出力部１４０へ出力し、全ての第１テキストデータに対して、第１スコアが閾値以上とならない類似チャットテキストデータ（例えば、「赤は微妙」）を出力部１４０へ出力しない。
　第２実施形態に係る意見集約装置１００Ａは、入力文が平叙文である場合には、平叙文を疑問化した文に対して文章連続性スコアの高い回答文を抽出し、入力文が疑問文である場合には、疑問文に簡易回答した文に対して文章連続性スコアの高い疑問文を抽出する。これにより、入力文に類似する類似文を出力することができるため、同意見又は同意味という意味的情報を捉えた分類を行うことが可能な意見集約装置１００Ａを実現できる。また、文章連続性スコア算出部４０が、あらかじめ厳選された類似チャットテキストデータのみを、スコア算出に用いることで、計算コストを抑えつつ、意味的情報を捉えた分類を効率的に行うことが可能な意見集約装置１００Ａを実現できる。
＜意見集約方法＞
　図７を参照して、第２実施形態に係る意見集約方法の一例について説明する。なお、第１実施形態に係る意見集約方法と同様の処理については、重複した説明を省略する場合がある。
　ステップＳ２０１において、入力文が、意見集約装置１００Ａに入力される。入力文としては、例えば、「赤色のモデルが好みです」などが挙げられる。
　ステップ２０２において、意見集約装置１００Ａは、入力文が、平叙文であるか疑問文であるかを判定する。入力文が、平叙文である場合（ステップ２０２→平叙文）、意見集約装置１００Ａは、ステップ２０４の処理を行う。入力文が、疑問文である場合（ステップ２０２→疑問文）、意見集約装置１００Ａは、ステップ２０５の処理を行う。
　ステップ２０３において、意見集約装置１００Ａは、チャットテキストデータベース１２１から、入力文と文法的に類似するチャットテキストデータを検索する。そして、意見集約装置１００Ａは、入力文と該チャットテキストデータとの類似度が閾値以下であるか否かを判定し、類似度が閾値以下である場合、該類似度を有するチャットテキストデータを、類似チャットテキストデータとする。
　例えば、意見集約装置１００Ａは、検索したチャットテキストデータ：「赤色のモデルいいね」の類似度：「０．９」が閾値以下であると判定し、検索したチャットテキストデータ：「赤色のモデルいいね」を類似チャットテキストデータとする。例えば、意見集約装置１００Ａは、検索したチャットテキストデータ：「赤は微妙」の類似度：「１．４」が閾値以下であると判定し、検索したチャットテキストデータ：「赤は微妙」を類似チャットテキストデータとする。例えば、意見集約装置１００Ａは、検索したチャットテキストデータ：「赤はいいですね」の類似度：「１．５」が閾値以下であると判定し、検索したチャットテキストデータ：「赤はいいですね」を類似チャットテキストデータとする。例えば、意見集約装置１００Ａは、検索したチャットテキストデータ：「色が豊富なのがいいと思いました」の類似度：「１１．７」が閾値より大きいと判定し、検索したチャットテキストデータ：「色が豊富なのがいいと思いました」を類似チャットテキストデータとしない。例えば、意見集約装置１００Ａは、検索したチャットテキストデータ：「もう少し小さいといいと思いました」の類似度：「２１．０」が閾値より大きいと判定し、検索したチャットテキストデータ：「もう少し小さいといいと思いました」を類似チャットテキストデータとしない。
　ステップ２０４において、意見集約装置１００Ａは、入力文を疑問文化し、入力文を疑問文化したテキストデータである第１テキストデータを生成する。
　ステップ２０５において、意見集約装置１００Ａは、入力文に簡易回答し、入力文に簡易回答したテキストデータである第２テキストデータを生成する。
　ステップ２０６において、意見集約装置１００Ａは、文章連続性スコアを算出する。例えば、意見集約装置１００Ａは、第１テキストデータと、類似チャットテキストデータと、の文章連続性を示す第１スコアを算出する。例えば、意見集約装置１００Ａは、類似チャットテキストデータと、第２テキストデータと、の文章連続性を示す第２スコアを算出する。
　例えば、意見集約装置１００Ａは、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、類似チャットテキストデータ：「赤色のモデルいいね」を用いて、２つの文章の連続性を示す第１スコアを、「９．２」と算出する。
　例えば、意見集約装置１００Ａは、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、類似チャットテキストデータ：「赤は微妙」を用いて、２つの文章の連続性を示す第１スコアを、「８．８」と算出する。
　例えば、意見集約装置１００Ａは、１つ目のテキストデータとして、第１テキストデータ：「赤色のモデルは好きですか？」を用いて、２つ目のテキストデータとして、類似チャットテキストデータ：「赤はいいですね」を用いて、２つの文章の連続性を示す第１スコアを、「８．５」と算出する。
　例えば、意見集約装置１００Ａは、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、類似チャットテキストデータ：「赤色のモデルいいね」を用いて、２つの文章の連続性を示す第１スコアを、「８．７」と算出する。
　例えば、意見集約装置１００Ａは、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、類似チャットテキストデータ：「赤はいいですね」を用いて、２つの文章の連続性を示す第１スコアを、「６．５」と算出する。
　例えば、意見集約装置１００Ａは、１つ目のテキストデータとして、第１テキストデータ：「何色のモデルが好きですか？」を用いて、２つ目のテキストデータとして、類似チャットテキストデータ：「赤は微妙」を用いて、２つの文章の連続性を示す第１スコアを、「０．３」と算出する。
　ステップ２０７において、意見集約装置１００Ａは、第１スコア又は第２スコアに基づいて、スコア順に、複数の類似チャットテキストデータをランク付けする。
　例えば、意見集約装置１００Ａは、第１テキストデータ：「赤色のモデルは好きですか？」に対する複数の類似チャットテキストデータを、「９．２：赤色のモデルいいね」、「８．８：赤は微妙」、「８．５：赤はいいですね」のようにランク付けする。
　例えば、意見集約装置１００Ａは、第１テキストデータ：「何色のモデルが好きですか？」に対する複数の類似チャットテキストデータを、「８．７：赤色のモデルいいね」、「６．５：赤はいいですね」、「０．３：赤は微妙」のようにランク付けする。
　そして、意見集約装置１００Ａは、第１スコア又は第２スコアが閾値以上であるか否かを判定する。意見集約装置１００Ａは、第１スコア又は第２スコアが閾値以上である場合（ステップ２０７→ＹＥＳ）、ステップ２０８の処理を行う。意見集約装置１００Ａは、第１スコア又は第２スコアが閾値より小さい場合（ステップ２０７→ＮＯ）、処理を終了する。
　例えば、第１テキストデータが単数である場合、意見集約装置１００Ａは、該第１テキストデータに対する類似チャットテキストデータの第１スコアが閾値以上であるか否かを判定する。例えば、第１テキストデータが複数である場合、意見集約装置１００Ａは、全ての第１テキストデータに対する類似チャットテキストデータの第１スコアが閾値以上であるか否かを判定する。
　例えば、第２テキストデータが単数である場合、意見集約装置１００Ａは、該第２テキストデータに対する類似チャットテキストデータの第２スコアが閾値以上であるか否かを判定する。例えば、第２テキストデータが複数である場合、意見集約装置１００Ａは、全ての第２テキストデータに対する類似チャットテキストデータの第２スコアが閾値以上であるか否かを判定する。
　具体的には、意見集約装置１００Ａは、第１テキストデータ：「赤色のモデルは好きですか？」に対する類似チャットテキストデータ：「赤色のモデルいいね」の第１スコア「９．２」が閾値以上であり、第１テキストデータ：「何色のモデルが好きですか？」に対する類似チャットテキストデータ：「赤色のモデルいいね」の第１スコア「８．７」も閾値以上であると判定する。
　また、意見集約装置１００Ａは、第１テキストデータ：「赤色のモデルは好きですか？」に対する類似チャットテキストデータ：「赤はいいですね」の第１スコア「８．５」が閾値以上であり、第１テキストデータ：「何色のモデルが好きですか？」に対する類似チャットテキストデータ：「赤はいいですね」の第１スコア「６．５」も閾値以上であると判定する。
　また、意見集約装置１００Ａは、第１テキストデータ：「赤色のモデルは好きですか？」に対する類似チャットテキストデータ：「赤は微妙」の第１スコア「８．５」が閾値以上であり、第１テキストデータ：「何色のモデルが好きですか？」に対する類似チャットテキストデータ：「赤は微妙」の第１スコア「０．３」が閾値より小さいと判定する。
　ステップ２０８において、意見集約装置１００Ａは、判定結果に基づいて、入力文に類似する類似文を出力する。
　例えば、第１テキストデータが複数である場合、意見集約装置１００Ａは、全ての第１テキストデータに対するチャットテキストデータの第１スコアが閾値以上となるという判定結果に基づいて、「赤色のモデルいいね」、「赤はいいですね」を、入力文に類似する類似文として出力する。具体的には、意見集約装置１００Ａは、第１テキストデータ「赤色のモデルは好きですか？」に対して、第１スコアが閾値以上となる類似チャットテキストデータとして、「赤色のモデルいいね」、「赤は微妙」、「赤はいいですね」を上位テキスト群に分類する。また、意見集約装置１００Ａは、第１テキストデータ「何色のモデルが好きですか？」に対して、第１スコアが閾値以上となる類似チャットテキストデータとして、「赤色のモデルいいね」、「赤はいいですね」を上位テキスト群に分類する。そして、意見集約装置１００Ａは、両方の上位テキスト群に共通して含まれる類似チャットテキストデータ、すなわち、「赤色のモデルいいね」、「赤はいいですね」を出力する。
　第２実施形態に係る意見集約方法は、文章連続性スコアに基づいて、類似テキストを分類する。つまり、入力文を変換し、所定の類似文が、変換された入力文に対して会話文として成立するか否かを文章連続性スコアとして算出し、このスコアにより、入力文と所定の類似文との同調性又は同様性を測る。平叙文に対しては、その疑問文をとり、その疑問文と所定の類似文との文章連続性スコアを算出することで、元の平叙文との同調性をスコア化する。疑問文に対しては、その回答文をとり、所定の類似文とその回答文との文章連続性スコアを算出することで、元の疑問文との同様性をスコア化する。これにより、短い文に対してもテキスト情報のみで意味的情報を捉えた分類を効率的に行うことが可能な意見集約方法を実現できる。また、計算コストを抑えた意見集約方法を実現できる。また、会話文として成立するか否かを分類基準とするため、分類結果の解釈が容易な意見集約方法を実現できる。
＜変形例＞
　本発明は上記の実施形態および変形例に限定されるものではない。例えば、上述の各種の処理は、記載にしたがって時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。
＜プログラム及び記録媒体＞
　上記の実施形態及び変形例として機能させるためにプログラム命令を実行可能なコンピュータを用いることも可能である。ここで、コンピュータは、汎用コンピュータ、専用コンピュータ、ワークステーション、ＰＣ（Personal Computer）、電子ノートパッドなどであってもよい。プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメントなどであってもよい。制御部１１０，１１０Ａとして機能するプロセッサは、ＣＰＵ(Central Processing Unit)、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System on a Chip）などであり、同種又は異種の複数のプロセッサにより構成されてもよい。制御部１１０，１１０Ａは、記憶部１２０からプログラムを読み出し、プログラムを実行することで、上記各構成の制御及び各種の演算処理を行う。なお、これらの処理内容の少なくとも一部をハードウェアで実現することとしてもよい。
　例えば、上述した意見集約方法をコンピュータに実行させるためのプログラムは、図４を参照すると、入力文が平叙文であるか疑問文であるかを判定するステップ（Ｓ１０１，Ｓ１０２）と、入力文が平叙文である場合、入力文を疑問文化した第１テキストデータを生成するステップ（Ｓ１０３）と、入力文が疑問文である場合、入力文に簡易回答した第２テキストデータを生成するステップ（Ｓ１０４）と、第１テキストデータとチャットテキストデータとの文章連続性を示す第１スコア、又は、チャットテキストデータと第２テキストデータとの文章連続性を示す第２スコアを算出するステップ（Ｓ１０５）と、第１スコア又は第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有するチャットテキストデータを出力するステップ（Ｓ１０６，Ｓ１０７）と、を少なくとも含む。
　また、このプログラムは、コンピュータが読み取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、ＣＤ（Compact Disk）－ＲＯＭ（Read-Only Memory）、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＢＤ（Blu-ray（登録商標） Disc）－ＲＯＭなどであってもよい。また、このプログラムは、ネットワークを介したダウンロードによって提供することもできる。
　上述の実施形態は代表的な例として説明したが、本開示の趣旨及び範囲内で、多くの変更および置換ができることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、請求の範囲から逸脱することなく、種々の変形および変更が可能である。例えば、実施形態の構成図に記載の複数の構成ブロックを１つに組み合わせたり、あるいは１つの構成ブロックを分割したりすることが可能である。また、実施形態のフローチャートに記載の複数の工程を１つに組み合わせたり、あるいは１つの工程を分割したりすることが可能である。
　１０　　　　　　　　平叙文／疑問文判定部（第１判定部）
　２０　　　　　　　　疑問文生成部（第１生成部）
　３０　　　　　　　　回答文生成部（第２生成部）
　４０　　　　　　　　文章連続性スコア算出部（算出部）
　５０　　　　　　　　閾値判定部（第２判定部）
　６０　　　　　　　　類似文法テキスト検索部（検索部）
　１００，１００Ａ　　意見集約装置
　１１０，１１０Ａ　　制御部
　１２０　　　　　　　記憶部
　１３０　　　　　　　入力部
　１４０　　　　　　　出力部
 

Claims (7)

  1. 　入力文が平叙文であるか疑問文であるかを判定する第１判定部と、
    　前記入力文が前記平叙文である場合、前記入力文を疑問文化した第１テキストデータを生成する第１生成部と、
    　前記入力文が前記疑問文である場合、前記入力文に簡易回答した第２テキストデータを生成する第２生成部と、
    　複数のチャットテキストデータを含むチャットテキストデータベースを記憶する記憶部と、
    　前記第１テキストデータと前記チャットテキストデータとの文章連続性を示す第１スコア、又は、前記チャットテキストデータと前記第２テキストデータとの文章連続性を示す第２スコアを算出する算出部と、
    　前記第１スコア又は前記第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有する前記チャットテキストデータを出力する第２判定部と、
    　を備える、意見集約装置。
  2. 　前記第２判定部は、
    　前記第１テキストデータ又は前記第２テキストデータが複数である場合、
    　全ての前記第１テキストデータ又は全ての前記第２テキストデータに対して、前記第１スコア又は前記第２スコアが前記閾値以上となる前記チャットテキストデータを出力する、
    　請求項１に記載の意見集約装置。
  3. 　入力文が平叙文であるか疑問文であるかを判定する第１判定部と、
    　前記入力文が前記平叙文である場合、前記入力文を疑問文化した第１テキストデータを生成する第１生成部と、
    　前記入力文が前記疑問文である場合、前記入力文に簡易回答した第２テキストデータを生成する第２生成部と、
    　複数のチャットテキストデータを含むチャットテキストデータベースを記憶する記憶部と、
    　前記チャットテキストデータベースから、前記入力文と文法的に類似するチャットテキストデータを検索し、検索したチャットテキストデータと前記入力文との類似度に基づいて、類似チャットテキストデータを出力する検索部と、
    　前記第１テキストデータと前記類似チャットテキストデータとの文章連続性を示す第１スコア、又は、前記類似チャットテキストデータと前記第２テキストデータとの文章連続性を示す第２スコアを算出する算出部と、
    　前記第１スコア又は前記第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有する前記類似チャットテキストデータを出力する第２判定部と、
    　を備える、意見集約装置。
  4. 　前記第２判定部は、
    　前記第１テキストデータ又は前記第２テキストデータが複数である場合、
    　全ての前記第１テキストデータ又は全ての前記第２テキストデータに対して、前記第１スコア又は前記第２スコアが前記閾値以上となる前記類似チャットテキストデータを出力する、
    　請求項３に記載の意見集約装置。
  5. 　入力文が平叙文であるか疑問文であるかを判定するステップと、
    　前記入力文が前記平叙文である場合、前記入力文を疑問文化した第１テキストデータを生成するステップと、
    　前記入力文が前記疑問文である場合、前記入力文に簡易回答した第２テキストデータを生成するステップと、
    　複数のチャットテキストデータを含むチャットテキストデータベースを記憶するステップと、
    　前記第１テキストデータと前記チャットテキストデータとの文章連続性を示す第１スコア、又は、前記チャットテキストデータと前記第２テキストデータとの文章連続性を示す第２スコアを算出するステップと、
    　前記第１スコア又は前記第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有する前記チャットテキストデータを出力するステップと、
    　を含む、意見集約方法。
  6. 　入力文が平叙文であるか疑問文であるかを判定するステップと、
    　前記入力文が前記平叙文である場合、前記入力文を疑問文化した第１テキストデータを生成するステップと、
    　前記入力文が前記疑問文である場合、前記入力文に簡易回答した第２テキストデータを生成するステップと、
    　複数のチャットテキストデータを含むチャットテキストデータベースを記憶するステップと、
    　前記チャットテキストデータベースから、前記入力文と文法的に類似するチャットテキストデータを検索し、検索したチャットテキストデータと前記入力文との類似度に基づいて、類似チャットテキストデータを出力するステップと、
    　前記第１テキストデータと前記類似チャットテキストデータとの文章連続性を示す第１スコア、又は、前記類似チャットテキストデータと前記第２テキストデータとの文章連続性を示す第２スコアを算出するステップと、
    　前記第１スコア又は前記第２スコアが閾値以上である場合、該第１スコア又は該第２スコアを有する前記類似チャットテキストデータを出力するステップと、
    　を含む、意見集約方法。
  7. 　コンピュータを、請求項１から４のいずれか一項に記載の意見集約装置として機能させるためのプログラム。
     
     
     
     
PCT/JP2020/047000 2020-12-16 2020-12-16 意見集約装置、意見集約方法、およびプログラム WO2022130541A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/267,437 US20240046038A1 (en) 2020-12-16 2020-12-16 Opinion aggregation device, opinion aggregation method, and program
PCT/JP2020/047000 WO2022130541A1 (ja) 2020-12-16 2020-12-16 意見集約装置、意見集約方法、およびプログラム
JP2022569400A JP7492166B2 (ja) 2020-12-16 2020-12-16 意見集約装置、意見集約方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/047000 WO2022130541A1 (ja) 2020-12-16 2020-12-16 意見集約装置、意見集約方法、およびプログラム

Publications (1)

Publication Number Publication Date
WO2022130541A1 true WO2022130541A1 (ja) 2022-06-23

Family

ID=82059183

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/047000 WO2022130541A1 (ja) 2020-12-16 2020-12-16 意見集約装置、意見集約方法、およびプログラム

Country Status (3)

Country Link
US (1) US20240046038A1 (ja)
JP (1) JP7492166B2 (ja)
WO (1) WO2022130541A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012064073A (ja) * 2010-09-17 2012-03-29 Baazu Joho Kagaku Kenkyusho:Kk 自動会話制御システム及び自動会話制御方法
JP2018055548A (ja) * 2016-09-30 2018-04-05 株式会社Ｎｅｘｔｒｅｍｅｒ 対話装置、学習装置、対話方法、学習方法、およびプログラム
JP2020102193A (ja) * 2018-12-20 2020-07-02 楽天株式会社 文章変換システム、文章変換方法、及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005117155A (ja) 2003-10-03 2005-04-28 Nippon Telegr & Teleph Corp <Ntt> 電子会議データ取得方法、装置、プログラム、および記録媒体ならびに電子会議データ検索方法、装置、プログラム、および記録媒体
JP2010048953A (ja) 2008-08-20 2010-03-04 Toshiba Corp 対話文生成装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012064073A (ja) * 2010-09-17 2012-03-29 Baazu Joho Kagaku Kenkyusho:Kk 自動会話制御システム及び自動会話制御方法
JP2018055548A (ja) * 2016-09-30 2018-04-05 株式会社Ｎｅｘｔｒｅｍｅｒ 対話装置、学習装置、対話方法、学習方法、およびプログラム
JP2020102193A (ja) * 2018-12-20 2020-07-02 楽天株式会社 文章変換システム、文章変換方法、及びプログラム

Also Published As

Publication number Publication date
JPWO2022130541A1 (ja) 2022-06-23
US20240046038A1 (en) 2024-02-08
JP7492166B2 (ja) 2024-05-29

Similar Documents

Publication Publication Date Title
CN110442718B (zh) 语句处理方法、装置及服务器和存储介质
JP7127106B2 (ja) 質問応答処理、言語モデルの訓練方法、装置、機器および記憶媒体
KR102222451B1 (ko) 텍스트 기반 사용자심리상태예측 및 콘텐츠추천 장치 및 그 방법
US20190385599A1 (en) Speech recognition method and apparatus, and storage medium
US10102275B2 (en) User interface for a query answering system
Mariooryad et al. Building a naturalistic emotional speech corpus by retrieving expressive behaviors from existing speech corpora
US20200035234A1 (en) Generating interactive audio-visual representations of individuals
JP2017534941A (ja) オーファン発話検出システム及び方法
WO2023236252A1 (zh) 答案生成方法、装置、电子设备及存储介质
CN114968788B (zh) 人工智能算法编程能力自动评估方法、装置、介质及设备
JP2006146567A (ja) 表現検出システム、表現検出方法、及びプログラム
EP3685245A1 (en) Method, apparatus, and computer-readable media for customer interaction semantic annotation and analytics
JP7498129B2 (ja) 情報をプッシュするための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
US20210358476A1 (en) Monotone Speech Detection
US11935315B2 (en) Document lineage management system
CN107943940A (zh) 数据处理方法、介质、系统和电子设备
Milea et al. Prediction of the msci euro index based on fuzzy grammar fragments extracted from european central bank statements
CN117475351A (zh) 视频分类方法、装置、计算机设备及计算机可读存储介质
US20210034809A1 (en) Predictive model for ranking argument convincingness of text passages
Addepalli et al. A proposed framework for measuring customer satisfaction and product recommendation for ecommerce
CN117744664A (zh) 面向大模型场景的内容评估方法、装置、设备及存储介质
CN117494814A (zh) 提示词全生命周期管理方法、系统、电子设备、存储介质
WO2022130541A1 (ja) 意見集約装置、意見集約方法、およびプログラム
CN112102062A (zh) 一种基于弱监督学习的风险评估方法、装置及电子设备
CN114676227A (zh) 样本生成方法、模型的训练方法以及检索方法

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: 20965929

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022569400

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18267437

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: 20965929

Country of ref document: EP

Kind code of ref document: A1