特許 5989665 複合的知識表現の解析及び合成を行うシステム及び方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】5989665

(24)【登録日】2016年8月19日

(45)【発行日】2016年9月7日

(54)【発明の名称】複合的知識表現の解析及び合成を行うシステム及び方法

(51)【国際特許分類】

   G06F 17/30 20060101AFI20160825BHJP

【ＦＩ】

   G06F17/30 180A

   G06F17/30 320D

【請求項の数】20

【全頁数】103

(21)【出願番号】特願2013-547784(P2013-547784)

(86)(22)【出願日】2012年1月6日

(65)【公表番号】特表2014-501988(P2014-501988A)

(43)【公表日】2014年1月23日

(86)【国際出願番号】CA2012000009

(87)【国際公開番号】WO2012092669

(87)【国際公開日】20120712

【審査請求日】2014年12月1日

(31)【優先権主張番号】61/430,836

(32)【優先日】2011年1月7日

(33)【優先権主張国】US

(31)【優先権主張番号】61/430,810

(32)【優先日】2011年1月7日

(33)【優先権主張国】US

(31)【優先権主張番号】61/471,964

(32)【優先日】2011年4月5日

(33)【優先権主張国】US

(31)【優先権主張番号】61/498,899

(32)【優先日】2011年6月20日

(33)【優先権主張国】US

(31)【優先権主張番号】61/532,330

(32)【優先日】2011年9月8日

(33)【優先権主張国】US

(31)【優先権主張番号】13/165,423

(32)【優先日】2011年6月21日

(33)【優先権主張国】US

(73)【特許権者】

【識別番号】511050240

【氏名又は名称】プライマル フュージョン インコーポレイテッド

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(74)【代理人】

【識別番号】100091214

【弁理士】

【氏名又は名称】大貫 進介

(72)【発明者】

【氏名】スウィーニー，ピーター

(72)【発明者】

【氏名】アイリアス，イハブ エフ

(72)【発明者】

【氏名】ゾウ，ウー

(72)【発明者】

【氏名】オールドフォード，ウェイン

【審査官】 齊藤 貴孝

(56)【参考文献】

【文献】 特開２００９−１９３５８４（ＪＰ，Ａ）

【文献】 特開２０００−２８５１２２（ＪＰ，Ａ）

【文献】 特開平０９−２８８６７３（ＪＰ，Ａ）

【文献】 特開２００９−０９３６５５（ＪＰ，Ａ）

【文献】 特開２００８−２４２６２６（ＪＰ，Ａ）

【文献】 特開２００９−１４６２６１（ＪＰ，Ａ）

【文献】 特開平０６−１６８１２９（ＪＰ，Ａ）

【文献】 米国特許出願公開第２００４／００５４６７２（ＵＳ，Ａ１）

【文献】 特開２００１−２４３２２３（ＪＰ，Ａ）

【文献】 特開２００３−２２３４６５（ＪＰ，Ａ）

【文献】 特開２０１０−００９３０７（ＪＰ，Ａ）

【文献】 特表２００１−５２１２２５（ＪＰ，Ａ）

【文献】 広木 守雄，シソーラスの研究（２），ＪＯＵＲＮＡＬ ＯＦ ＬＩＢＲＡＲＹ ＡＮＤ ＩＮＦＯＲＭＡＴＩＯＮ ＳＣＩＥＮＣＥ，日本，愛知淑徳大学，１９９０年 ３月３１日，第５巻，ｐ．３７−４８

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １７／３０

(57)【特許請求の範囲】

【請求項1】

格納されたプログラム命令を実行する少なくとも１つのプロセッサにより実行される、コンピュータ読み取り可能な要素的データ構造を変更する方法であって、前記少なくとも１つのプロセッサは少なくとも統計エンジンとして動作し、前記要素的データ構造は、１つ以上の知識表現から分解された要素コンポーネントを有し、当該方法は、
前記統計エンジンにより、前記要素的データ構造の要素コンポーネントに関する関連性を推定するステップであり、前記要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を評価することを有するステップと、
前記統計エンジンにより、前記要素的データ構造を変更するステップであり、前記要素コンポーネントに関連するデータ内に前記関連性を格納することを有するステップと
を有し、
前記要素コンポーネントは、前記要素コンポーネントに関連する前記データを格納するコンピュータ読み取り可能データ構造として符号化される、
方法。

【請求項2】

前記少なくとも１つのプロセッサは更に解析エンジンとして動作し、当該方法は更に、前記解析エンジンにより、１つ以上のルールを適用して、知識表現を、前記要素コンポーネントを含む１つ以上の要素コンポーネントへと分解するステップを有し、前記要素的データ構造を変更するステップは更に、前記１つ以上の要素コンポーネントに関連するデータを前記要素的データ構造に追加することを有する、請求項１に記載の方法。

【請求項3】

前記１つ以上のラベルの前記発生頻度を評価することは、参照データに関する統計を得ることを有する、請求項１に記載の方法。

【請求項4】

前記要素的データ構造の前記要素コンポーネントに関する前記関連性は、前記要素的データ構造の要素概念に関する概念関連性を有し、且つ
前記要素コンポーネントに関連付けられる前記１つ以上のラベルは、前記要素概念に関連付けられるラベルを有する、
請求項１に記載の方法。

【請求項5】

前記要素的データ構造の前記要素コンポーネントに関する前記関連性は、前記要素的データ構造の要素概念関係に関する関係関連性を有する、請求項１に記載の方法。

【請求項6】

前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、前記参照データの少なくとも一部内での前記ラベルの用語頻度を評価することを有する、請求項４に記載の方法。

【請求項7】

前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、前記参照データの少なくとも一部内での前記ラベルの用語−文献頻度を評価することを有する、請求項４に記載の方法。

【請求項8】

前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、前記参照データの少なくとも一部内での前記ラベルの逆文献頻度を評価することを有する、請求項４に記載の方法。

【請求項9】

前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、Ｄｏｃｓ（Ｌ１及びＬ２）／ＮｕｍＤｏｃｓなる式に従って用語−文献頻度を評価することを有し、ただし、
前記要素概念関係は、第１の要素概念と第２の要素概念とに関係し、
Ｌ１は、前記第１の要素概念に関連付けられる第１のラベルを表し、
Ｌ２は、前記第２の要素概念に関連付けられる第２のラベルを表し、
Ｄｏｃｓ（Ｌ１及びＬ２）は、前記第１のラベルと前記第２のラベルとを含んだ、前記参照データの少なくとも一部内の文献の数を表し、且つ
ＮｕｍＤｏｃｓは、前記参照データの前記少なくとも一部内の文献の数を表す、
請求項５に記載の方法。

【請求項10】

文献は、文、複数の文、段落、又は複数の段落、のうちの少なくとも１つからなる、請求項９に記載の方法。

【請求項11】

ＮｕｍＤｏｃｓは、前記第１のラベル及び前記第２のラベルのうちの少なくとも一方を含んだ前記参照データの前記少なくとも一部内の文献の数を表す、請求項９に記載の方法。

【請求項12】

前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、検索エンジンを用いて、前記要素コンポーネントに関連付けられる前記１つ以上のラベルを含んだ文献について前記参照データを検索することを有する、請求項１に記載の方法。

【請求項13】

格納されたプログラム命令を実行する少なくとも１つのプロセッサにより実行される、要素的データ構造に関連付けられるコンピュータ読み取り可能な図形モデルを変更する方法であって、前記少なくとも１つのプロセッサは少なくとも解析エンジン及び統計エンジンとして動作し、前記要素的データ構造は、１つ以上の知識表現から分解された１つ以上の要素コンポーネントを有し、前記１つ以上の要素コンポーネントは１つ以上の要素概念と１つ以上の要素概念関係とを有し、当該方法は、
前記解析エンジンにより、前記要素的データ構造に関連付けられる前記図形モデルを取得するステップであり、前記図形モデルは１つ以上の図形コンポーネントを有し、前記１つ以上の図形コンポーネントは、
前記要素的データ構造の前記１つ以上の要素概念に対応する１つ以上のノードと、
前記１つ以上のノードに付随する１つ以上のエッジであり、前記要素的データ構造の前記１つ以上の要素概念関係に対応する１つ以上のエッジと
を有する、取得するステップと、
前記統計エンジンにより、要素コンポーネントのセマンティックコヒーレンスを評価するステップと、
前記統計エンジンにより、前記セマンティックコヒーレンスに対応する確率を前記図形モデルの図形コンポーネントに割り当てることによって、前記図形モデルを変更するステップと
を有し、
前記１つ以上の要素コンポーネントは、前記１つ以上の要素コンポーネントに関連するデータを格納する１つ以上のそれぞれのコンピュータ読み取り可能データ構造として符号化され、
前記１つ以上の図形コンポーネントは、前記１つ以上の図形コンポーネントに関連するデータを格納する１つ以上のそれぞれのコンピュータ読み取り可能データ構造として符号化され、
前記要素コンポーネントは、前記要素コンポーネントに関連するデータを格納するコンピュータ読み取り可能データ構造として符号化され、且つ
前記図形コンポーネントは、前記図形コンポーネントに関連するデータを格納するコンピュータ読み取り可能データ構造として符号化される、
方法。

【請求項14】

前記セマンティックコヒーレンスを評価するステップは、前記要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を評価することを有する、請求項１３に記載の方法。

【請求項15】

前記要素コンポーネントは要素概念関係を有し、該要素概念関係は、第１の要素概念と第２の要素概念とに関係し、且つ
前記要素コンポーネントの前記セマンティックコヒーレンスを評価するステップは、前記第１の要素概念と前記第２の要素概念とに関する同時確率を計算することを有する、
請求項１３に記載の方法。

【請求項16】

当該方法は更に、前記統計エンジンにより、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念関係を有し、該要素概念関係は、前記１つ以上の要素概念のうちの第１の要素概念と第２の要素概念との間にあり、
前記１つ以上のラベルは、前記第１の要素概念に関連付けられる第１のラベルと、前記第２の要素概念に関連付けられる第２のラベルとを有し、
前記図形コンポーネントは前記図形モデルのエッジを有し、該エッジは該要素概念関係に対応し、且つ
前記要素的データ構造を変更するステップは、前記セマンティックコヒーレンスが閾値を上回る場合に該要素概念関係を前記要素的データ構造に追加することを有する、
請求項１３に記載の方法。

【請求項17】

当該方法は更に、前記統計エンジンにより、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念関係を有し、該要素概念関係は、前記１つ以上の要素概念のうちの第１の要素概念と第２の要素概念との間にあり、
前記１つ以上のラベルは、前記第１の要素概念に関連付けられる第１のラベルと、前記第２の要素概念に関連付けられる第２のラベルとを有し、
前記図形コンポーネントは前記図形モデルのエッジを有し、該エッジは該要素概念関係に対応し、
前記要素的データ構造は該要素概念関係を有し、且つ
前記要素的データ構造を変更するステップは、該要素概念関係の前記セマンティックコヒーレンスが閾値より低い場合に該要素概念関係を前記要素的データ構造から除去することを有する、
請求項１３に記載の方法。

【請求項18】

当該方法は更に、前記統計エンジンにより、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念を有し、
前記１つ以上のラベルは、該要素概念に関連付けられる第１のラベルを有し、
前記図形コンポーネントは前記図形モデルのノードを有し、該ノードは該要素概念に対応し、且つ
前記要素的データ構造を変更するステップは、前記セマンティックコヒーレンスが閾値を上回る場合に該要素概念を前記要素的データ構造に追加することを有する、
請求項１３に記載の方法。

【請求項19】

当該方法は更に、前記統計エンジンにより、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念を有し、
前記１つ以上のラベルは、該要素概念に関連付けられる第１のラベルを有し、
前記図形コンポーネントは前記図形モデルのノードを有し、該ノードは該要素概念に対応し、
前記要素的データ構造は該要素概念を有し、且つ
前記要素的データ構造を変更するステップは、該要素概念の前記セマンティックコヒーレンスが閾値より低い場合に該要素概念を前記要素的データ構造から除去することを有する、
請求項１３に記載の方法。

【請求項20】

コンピュータ読み取り可能な要素的データ構造を変更する知識表現装置であって、前記要素的データ構造は、１つ以上の知識表現から分解された要素コンポーネントを有し、当該知識表現装置は、
確率ユニットであり、
前記要素的データ構造の要素コンポーネントに関する確率を推定し、該確率の推定は、前記要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を評価することを有し、
前記要素コンポーネントに関連するデータ内に前記確率を格納して、前記要素的データ構造を変更する
ように構成された確率ユニット、
を有し、
前記要素コンポーネントは、前記要素コンポーネントに関連する前記データを格納するコンピュータ読み取り可能データ構造として符号化される、
知識表現装置。

【発明の詳細な説明】

【技術分野】

【0001】

本出願は、本願の発明者及び／又は出願人のうちの一人以上によって為された以下を含む多数の先行出願に開示される概念を基礎とする：２０１１年６月２１日に出願された米国特許出願第１３／１６５４２３号、２００９年６月４日に出願された米国特許出願第１２／４７７９７７号、２００７年８月３１日に出願された国際出願第ＰＣＴ／ＣＡ２００７／００１５４６号、２００７年１月２２日に出願されて米国特許第７８４９０９０号として登録された米国特許出願第１１／６２５４５２号、２００６年１０月１８日に出願されて米国特許第７６０６７８１号として登録された米国特許出願第１１／５５０４５７号、２００６年８月３１日に出願されて米国特許第７５９６５７４として登録された米国特許出願第１１／４６９２５８号、２００６年３月３０日に出願された米国特許出願第１１／３９２９３７号。更なる背景情報に関してこれらを参照することができる。

【背景技術】

【0002】

概して、知識表現とは、機械ベースの記憶、管理（例えば、情報の位置特定及び抽出）及び推論を行うシステムを支援するために、抽象的な知識を具体的なデータ構造として明確にする活動のことである。例えばタクソノミ（分類体系）、シソーラス（類語集）及びファセット分類などの構造化された管理語；例えばセマンティックネットワーク及びオントロジーなどの形式仕様；並びに例えば自然言語に基づく文書などの非構造化形態；を含む様々な種類の知識表現モデルに従って構築された、知識表現（knowledge representation；ＫＲ）を利用する従来方法及びシステムが存在している。

【0003】

タクソノミは、複数のカテゴリーを１つの階層ツリーに編成し且つ複数のカテゴリーを例えば物理的なアイテム、文書又はその他のデジタルコンテンツなどの関連オブジェクトに関連付けるＫＲ構造である。タクソノミにおけるカテゴリー又は概念は典型的に、スーパータイプ−サブタイプ関係としても知られる継承関係に関して編成される。このような関係において、子のカテゴリー又は概念は、その親と同じ特性、挙動又は制約に、１つ以上の更なる特性、挙動又は制約をプラスしたものを有する。例えば、“犬は哺乳類である”という知識の記述は、タクソノミにおいて、親−子の階層関係によって結び付けられた“哺乳類”及び“犬”というラベルを付された概念／カテゴリーによって符号化されることができる。このような表現は、犬（子概念）は哺乳類（親概念）の１つの種類であるが、必ずしも全ての哺乳類が犬であるわけではないという知識を符号化する。

【0004】

シソーラスは、しばしば単語名詞概念として符号化される例えば情報検索に使用される検索語などの用語を表現するＫＲである。類語集における用語／概念間のリンク（結び付け）は典型的に、階層関係、等価関係及び連合関係という３種類の関係に分類される。階層関係は、タクソノミにおける概念間の関係と同様に、互いに対して範囲的に狭い用語と広い用語とを結び付けるために使用される。先の例を続けると、“犬”と“哺乳類”は階層関係によって結び付けられる用語である。等価関係は、例えば同義語又は類義語など、検索語として相互に代用可能な用語同士を結び付ける。例えば、用語“犬（ｄｏｇ）”と“イヌ（ｃａｎｉｎｅ）”は一部の文脈において等価関係によって結び付けられ得る。連合関係は、それらの関係が階層的又は等価的の何れでもない関連語同士を結び付ける。例えば、用語“犬”を検索するユーザは“ブリーダー”の検索から戻されるアイテムをも見ることを望む場合があり、連合関係がこれらの用語の対のシソーラスデータ構造内に符号化され得る。

【0005】

ファセット分類は、情報は多次元の属性を有するという原則に基づき、数多くの異なる手法で分類されることができる。情報ドメインのサブジェクトは、この次元性を表す複数のファセット（あるいは、より単純には、カテゴリー）に細分される。該ドメインの属性はファセット階層に関係付けられる。そして、該ドメイン内のオブジェクトは、これらの属性に基づいて記述・分類される。例えば、物理的あるいはウェブベースの衣料品店でセールに出されている衣服群は、色のファセット、素材のファセット、スタイルのファセットなどを用いて分類されることができ、各ファセットは異なる種類の色、素材、スタイルなどを表現する多数の階層的な属性を有する。ファセット分類はしばしばファセット検索システムで使用されて、例えば、色−スタイルの順、スタイル−色の順、素材−色−スタイルの順、又はその他所望のファセット優先順位付けなど、ユーザが所望のファセットの順序付けによって衣服群を検索することを可能にする。このようなファセット分類は、カテゴリーの階層が固定であるタクソノミによる分類とは対照的である。

【0006】

セマンティックネットワークは、概念間の様々な種類の意味関係をネットワーク構造（または、ネットワーク構造を符号化あるいはインスタンス化するデータ構造）を用いて表現するＫＲである。セマンティックネットワークは典型的に、概念を表す頂点と、対を為す概念同士を結び付ける関係を表す辺と、で構成される有向グラフ又は無向グラフとして表現される。セマンティックネットワークの一例は、英語の語彙データベースであるＷｏｒｄＮｅｔ（ワードネット）である。ＷｏｒｄＮｅｔで定義されている一部の一般的な種類の意味関係は、部分・全体関係（ＡはＢの一部である）、包摂関係（ＡはＢの一種である）、同義（ＡはＢと同じものを表す）、及び反意性（ＡはＢの反対を表す）である。セマンティックネットワーク、又はグラフによって表現されるその他のＫＲの参照は、セマンティックネットワーク又はその他のＫＲがコンピュータ読み取り可能メモリ内のデータ構造、ファイル、又は同様の機構内に符号化されることができ、データ記憶の構造又はその中のデータのタグ付けが各データの他のデータに対する意義（例えば、それがノード若しくは辺の終点の値又は辺の重み付けの何れを意図しているのか）を特定する働きをし得ること、を指し示すものとして理解されるべきである。

【0007】

オントロジーは、モデル化に使用される実世界又は仮想世界の特定の分野に制限された、概念とそれら概念間の関係とを符号化するＫＲ構造である。或るオントロジーに含まれる概念は典型的に、モデル化あるいは分類されている分野に適用されるときの用語の特定の意味を表し、含まれる概念関係は典型的に、それらの概念がその分野内でどのように関係しているかを表す。例えば、単語“カード”に対応する概念は、ポーカーの分野に関するオントロジーと、コンピュータハードウェアの分野に関するオントロジーとで相異なる意味を有する。

【0008】

一般に、上述の種類のＫＲ並びにその他の従来例は全て、抽象的な概念とそれら概念間の関係とに関する人間の知識（ヒューマンナレッジ）をモデル化し、且つその知識を、様々な知識要求タスクを実行する例えばコンピュータなどの機械にアクセス可能にするためのツールである。人間ユーザ及びソフトウェア開発者は、これまで、自身のヒューマンナレッジを用いてＫＲデータ構造を構築し、完成したＫＲデータ構造を、機械メモリに格納されて様々な機械実行機能によってアクセスされるデータ構造として、機械読み取り可能形態に手動で符号化してきた。

【発明の概要】

【発明が解決しようとする課題】

【0009】

各々が１つ以上の概念を示す多数の異なる実施形態にて、ここに提示する発明概念を例示する。理解されるべきことには、それらの概念は、互いに排他的なものではなく、そのように例示されずとも組み合わせて使用され得るものである。

【課題を解決するための手段】

【0010】

一実施形態は、複合的知識表現を生成する方法に関する。当該方法は、要求コンテキストを指し示す入力を受信することと、少なくとも１つの要素概念、少なくとも１つの要素概念関係、又は少なくとも１つの要素概念と少なくとも１つの要素概念関係を表現する要素的データ構造に、プロセッサを用いて、１つ以上のルールを適用することと、上記１つ以上のルールの適用に基づいて、要求コンテキストに従って、１つ以上の更なる概念、１つ以上の更なる概念関係、又は１つ以上の更なる概念と１つ以上の更なる概念関係を合成することと、更なる概念のうちの少なくとも１つ、更なる概念関係のうちの少なくとも１つ、又は更なる概念のうちの少なくとも１つと更なる概念関係のうちの少なくとも１つを用いて、要求コンテキストに従った複合的知識表現を生成することと、を有する。

【0011】

他の一実施形態は、複合的知識表現を生成するシステムに関する。当該システムは、プロセッサ実行可能命令を格納した少なくとも１つの持続的なコンピュータ読み取り可能記憶媒体を有する。該プロセッサ実行可能命令は、少なくとも１つのプロセッサによって実行されるときに、要求コンテキストを指し示す入力を受信することと、少なくとも１つの要素概念、少なくとも１つの要素概念関係、又は少なくとも１つの要素概念と少なくとも１つの要素概念関係を表現する要素的データ構造に、１つ以上のルールを適用することと、上記１つ以上のルールの適用に基づいて、要求コンテキストに従って、１つ以上の更なる概念、１つ以上の更なる概念関係、又は１つ以上の更なる概念と１つ以上の更なる概念関係を合成することと、更なる概念のうちの少なくとも１つ、更なる概念関係のうちの少なくとも１つ、又は更なる概念のうちの少なくとも１つと更なる概念関係のうちの少なくとも１つを用いて、要求コンテキストに従った複合的知識表現を生成することと、を実行する。

【0012】

他の一実施形態は、複合的知識表現を生成するための複数のコンピュータ実行可能命令をエンコードされた少なくとも１つの持続的なコンピュータ読み取り可能記憶媒体に関する。該命令は、実行されるときに、要求コンテキストを指し示す入力を受信することと、少なくとも１つの要素概念、少なくとも１つの要素概念関係、又は少なくとも１つの要素概念と少なくとも１つの要素概念関係を表現する要素的データ構造に、１つ以上のルールを適用することと、上記１つ以上のルールの適用に基づいて、要求コンテキストに従って、１つ以上の更なる概念、１つ以上の更なる概念関係、又は１つ以上の更なる概念と１つ以上の更なる概念関係を合成することと、更なる概念のうちの少なくとも１つ、更なる概念関係のうちの少なくとも１つ、又は更なる概念のうちの少なくとも１つと更なる概念関係のうちの少なくとも１つを用いて、要求コンテキストに従った複合的知識表現を生成することと、を実行する。

【0013】

他の一実施形態は、元の知識表現を分解する方法に関する。当該方法は、元の知識表現に対応する入力を受信することと、プロセッサを用いて、１つ以上のルールを適用して、元の知識表現を、１つ以上の要素概念、１つの以上の要素概念関係、又は１つ以上の要素概念と１つ以上の要素概念関係に分解することと、上記要素概念のうちの少なくとも１つ、上記要素概念関係のうちの少なくとも１つ、又は上記要素概念のうちの少なくとも１つと上記要素概念関係のうちの少なくとも１つ、の表現を要素的データ構造に含めることと、を有する。

【0014】

他の一実施形態は、元の知識表現を分解するシステムに関する。当該システムは、プロセッサ実行可能命令を格納した少なくとも１つの持続的なコンピュータ読み取り可能記憶媒体を有する。該プロセッサ実行可能命令は、少なくとも１つのプロセッサによって実行されるときに、元の知識表現に対応する入力を受信することと、１つ以上のルールを適用して、元の知識表現を、１つ以上の要素概念、１つの以上の要素概念関係、又は１つ以上の要素概念と１つ以上の要素概念関係に分解することと、上記要素概念のうちの少なくとも１つ、上記要素概念関係のうちの少なくとも１つ、又は上記要素概念のうちの少なくとも１つと上記要素概念関係のうちの少なくとも１つ、の表現を要素的データ構造に含めることと、を実行する。

【0015】

他の一実施形態は、元の知識表現を分解するための複数のコンピュータ実行可能命令をエンコードされた少なくとも１つの持続的なコンピュータ読み取り可能記憶媒体に関する。該命令は、実行されるときに、元の知識表現に対応する入力を受信することと、１つ以上のルールを適用して、元の知識表現を、１つ以上の要素概念、１つの以上の要素概念関係、又は１つ以上の要素概念と１つ以上の要素概念関係に分解することと、上記要素概念のうちの少なくとも１つ、上記要素概念関係のうちの少なくとも１つ、又は上記要素概念のうちの少なくとも１つと上記要素概念関係のうちの少なくとも１つ、の表現を要素的データ構造に含めることと、を実行する。

【0016】

他の一実施形態は、複数の知識表現間の意味論的相互運用性（セマンティックインターオペラビリティ）を支援する方法に関する。当該方法は、複数の入力知識表現の各入力知識表現に対し、プロセッサを用いて、１つ以上のルールを適用して、入力知識表現を、１つ以上の要素概念、１つの以上の要素概念関係、又は１つ以上の要素概念と１つ以上の要素概念関係、に分解することと、プロセッサを用いて、上記要素概念のうちの少なくとも１つ、上記要素概念関係のうちの少なくとも１つ、又は上記要素概念のうちの少なくとも１つと上記要素概念関係のうちの少なくとも１つ、の表現を、上記複数の入力知識表現の各々に関して、共有の要素的データ構造に含めることと、を有する。

【0017】

他の一実施形態は、複数の知識表現間の意味論的相互運用性を支援するシステムに関する。当該システムは、プロセッサ実行可能命令を格納した少なくとも１つの持続的なコンピュータ読み取り可能記憶媒体を有する。該プロセッサ実行可能命令は、少なくとも１つのプロセッサによって実行されるときに、複数の入力知識表現の各入力知識表現に対し、１つ以上のルールを適用して、入力知識表現を、１つ以上の要素概念、１つの以上の要素概念関係、又は１つ以上の要素概念と１つ以上の要素概念関係、に分解することと、上記要素概念のうちの少なくとも１つ、上記要素概念関係のうちの少なくとも１つ、又は上記要素概念のうちの少なくとも１つと上記要素概念関係のうちの少なくとも１つ、の表現を、上記複数の入力知識表現の各々に関して、共有の要素的データ構造に含めることと、を実行する。

【0018】

他の一実施形態は、複数の知識表現間の意味論的相互運用性を支援するための複数のコンピュータ実行可能命令をエンコードされた少なくとも１つの持続的なコンピュータ読み取り可能記憶媒体に関する。該命令は、実行されるときに、複数の入力知識表現の各入力知識表現に対し、１つ以上のルールを適用して、入力知識表現を、１つ以上の要素概念、１つの以上の要素概念関係、又は１つ以上の要素概念と１つ以上の要素概念関係、に分解することと、上記要素概念のうちの少なくとも１つ、上記要素概念関係のうちの少なくとも１つ、又は上記要素概念のうちの少なくとも１つと上記要素概念関係のうちの少なくとも１つ、の表現を、上記複数の入力知識表現の各々に関して、共有の要素的データ構造に含めることと、を実行する。

【0019】

本開示に係る一態様は、少なくとも部分的にコンテキスト情報に基づいて、知識表現を処理する方法に関する。一部の実施形態において、コンテキスト情報は嗜好情報を有し得る。当該方法は、少なくとも部分的に嗜好情報に基づいて、複合的知識表現を合成することを有し得る。一部の実施形態において、嗜好情報は、嗜好モデルを有していてもよく、あるいは嗜好モデルを作成するために使用されてもよい。一部の実施形態において、嗜好モデルは、嗜好情報に基づいて概念に割り当てられる重み付けを含み得る。

【0020】

本開示に係るこの態様の一部の実施形態において、当該方法は、複合的知識表現の形成中に、嗜好モデル内で一層重く重み付けられている概念に関係する概念をより多く合成し、嗜好モデル内であまり重く重み付けられていない概念に関係する概念をより少なく合成することを有し得る。一部の実施形態において、当該方法は、複合的知識表現の形成中に、嗜好モデル内であまり重く重み付けられていない概念に関係する概念を合成する前に、嗜好モデル内で一層重く重み付けられている概念に関係する概念を合成することを有し得る。

【0021】

本開示に係るこの態様の一部の実施形態において、当該方法は、合成された概念に、嗜好情報に従ってランク付けを割り当てることを有し得る。一部の実施形態において、当該方法は、合成された概念をランク順に、ユーザインタフェース又はデータ消費者モデルに送り届けることを有し得る。

【0022】

本開示に係る他の一態様は、コンピュータ上で実行されるときに上述の方法の実施形態をコンピュータに実行させる命令でエンコードされたコンピュータ読み取り可能記憶媒体に関する。

【0023】

本開示に係る他の一態様は、少なくとも部分的にユーザ情報に基づいて、知識表現を処理するシステムに関する。一部の実施形態において、当該システムは、少なくとも部分的に嗜好情報に基づいて複合的知識表現を合成するように構成された合成エンジン（例えば、プログラムされたプロセッサ）を有し得る。一部の実施形態において、当該システムは、少なくとも部分的に嗜好情報に基づいて嗜好モデルを提供するように構成された嗜好エンジン（例えば、プログラムされたプロセッサ）を有し得る。一部の実施形態において、嗜好モデルは、嗜好情報に基づいて概念に割り当てられる重み付けを含み得る。

【0024】

本開示に係るこの態様の一部の実施形態において、合成エンジンは、複合的知識表現の形成中に、嗜好モデル内で一層重く重み付けられている概念に関係する概念をより多く合成するように構成され、且つ、嗜好モデル内であまり重く重み付けられていない概念に関係する概念をより少なく合成するように構成され得る。一部の実施形態において、合成エンジンは、複合的知識表現の形成中に、嗜好モデル内であまり重く重み付けられていない概念に関係する複合的知識表現内の概念を合成する前に、嗜好モデル内で一層重く重み付けられている概念に関係する複合的知識表現内の概念を合成するように構成され得る。

【0025】

本開示に係るこの態様の一部の実施形態において、嗜好エンジンは、合成された概念に、嗜好情報に従ってランク付けを割り当てるように構成され得る。一部の実施形態において、嗜好エンジンは、合成された概念をランク順に、ユーザインタフェース又はデータ消費者モデルに送り届けるように構成され得る。

【0026】

以上は、添付の請求項によって定められる本発明の非限定的な概要である。理解されるように、この概要は必ずしも各請求項の主題を記述しているわけではなく、各請求項は、全ての実施形態ではないが、１つ又は複数の実施形態に関係するものである。

【図面の簡単な説明】

【0027】

添付の図面は、縮尺通りに描くことを意図したものではない。図面において、様々な図に示される同じあるいは略同じ構成要素は各々、似通った参照符号で表されている。明瞭化のため、全ての図で全ての構成要素に参照符号を付すことはしていない場合がある。

【図1】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的なシステムを示すブロック図である。

【図2A】本発明の一部の実施形態に従った例示的な複合的知識表現を示す図である。

【図2B】本発明の一部の実施形態に従ったアトミック知識表現モデルの例示的な要素的データ構造を示す図である。

【図3】本発明の一部の実施形態に従った例示的なデータスキーマを示す図である。

【図4】本発明の一部の実施形態に従った複合的知識表現の解析のための例示的な一手法を示す図である。

【図5】本発明の一部の実施形態に従った複合的知識表現の解析及び合成を実行する例示的な分散システムを示すブロック図である。

【図6】本発明の一部の実施形態に従った複合的知識表現を解析して要素的データ構造を生成する例示的な一手法を示すフローチャートである。

【図7】本発明の一部の実施形態に従った複合的知識表現を要素的データ構造から合成する例示的な一手法を示すフローチャートである。

【図8】本発明の一部の実施形態に従った例示的な知識処理ルールセットを示す表である。

【図9】自然言語テキストから取得され得る知識表現の一例を示す図である。

【図10】例示的なシソーラスから解析され得る要素的データ構造の一例を示す図である。

【図11】本発明の一部の実施形態を実施する際に使用される例示的なコンピューティングシステムを示すブロック図である。

【図12】ＫＲ内の概念及び関係に関する不確実性を考慮しないＫＲを例示する図である。

【図13】サンプルコーパスから構築された、多数のコーパスに関するＡＫＲＭの推定であるＡＫＲＭを例示する図である。

【図14】要素的データ構造に関する統計的な図形モデルを例示する図である。

【図15】ＡＫＲＭから図形モデルを得るための例示的なプロセスを示すフローチャートである。

【図16】図１２の要素的データ構造に関する図形モデルを例示する図である。

【図17】ＡＫＲＭの図形モデル内の２つの概念Ａ及びＢに対応する２つのノード間の経路を例示する図である。

【図18】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な他のシステムを示すブロック図である。

【図19A】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な更に他のシステムを示すブロック図である。

【図19B】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な更に他のシステムを示すブロック図である。

【図20】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な更に他のシステムを示すブロック図である。

【図21】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な更に他のシステムを示すブロック図である。

【図22】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な更に他のシステムを示すブロック図である。

【図23】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な更に他のシステムを示すブロック図である。

【図24】フィードバックに基づいて要素的データ構造を変更する例示的なプロセスを示すフローチャートである。

【図25】要素的データ構造をクラウドソーシングする例示的なプロセスを示すフローチャートである。

【図26】ユーザモデル内で検出される関係を含むように変更され得る知識表現の一例を示す図である。

【図27】ユーザモデル内で検出される関係及び概念を含むように変更され得る知識表現の一例を示す図である。

【図28A】融合に適格であり得る２つの概念を含む知識表現の一例を示す図である。

【図28B】２つの概念を融合した後の図２８Ａの知識表現の一例を示す図である。

【図29】要素的データ構造をテイラリングする例示的なプロセスを示すフローチャートである。

【図30】２つの概念とそれらの関連特性概念とを含む要素的データ構造の部分を例示する図である。

【図31】２つの概念とそれらの関連特性概念とを含む要素的データ構造の部分を例示する図である。

【図32】推論に基づいて要素的データ構造を変更する例示的なプロセスを示すフローチャートである。

【図33】要素的データ構造に関連する候補データを推論する例示的なプロセスを示すフローチャートである。

【図34】確率の推論に基づいて要素的データ構造を変更する例示的なプロセスを示すフローチャートである。

【図35】要素的データ構造に関連する候補確率を推論する例示的なプロセスを示すフローチャートである。

【図36】関連性に基づいて要素的データ構造を変更する例示的なプロセスを示すフローチャートである。

【図37】要素的データ構造に関連する図形モデルのセマンティックコヒーレンスに基づく例示的なプロセスを示すフローチャートである。

【図38】本発明の一部の実施形態に従ったアトミック知識表現モデルを実現する例示的な更に他のシステムを示すブロック図である。

【発明を実施するための形態】

【0028】

Ｉ． アトミック知識表現モデル（ＡＫＲＭ）
上述のように、従来の方法によって作り出される知識表現（ＫＲ）データ構造は、特定の分野又は文脈に関してモデル化される特定の人間の知識（ヒューマンナレッジ）の組（セット）を符号化して表現する。ＫＲは典型的に人間の開発者によって構築されて完成形態で機械メモリ内にプログラムされるので、従来のＫＲは、当初に人間ユーザによってプログラムされるときに用いられたヒューマンナレッジの小集合（サブセット）のみを含む。

【0029】

例えば、ＫＲは、“犬は哺乳類である”という知識記述を符号化することができ、それはまた、例えば“哺乳類はその子供を養うために母乳を作り出す”など、哺乳類である動物に関する記述又は主張を表現し得る。このような事実の組合せは、適切な論理的あるいは意味的なルールと組み合わされるとき、広範囲の人間の論理的思考を支援することができ、例えば“犬はその子供を養うために母乳を作り出す”など、ＫＲ内に事実として当初は植え付けられていなかった明確な様々な推論を作り出す。このような推論を通じてのＫＲデータ構造の表現は、例えば（上述のような）推論／論理的思考、情報検索、データマイニング及びその他の形態の解析などの多様な知識ベースの活動及びタスクを支援するために使用され得る。

【0030】

しかしながら、上述のように、ＫＲの構築及び符号化を行う方法は、これまで、アクセスのための完成したＫＲ構造の手動入力、及び例えばコンピュータなどの機械による使用に制限されてきた。上述の例を続けると、ＫＲ設計者としての役割を果たす人物は“犬はその子供を養うために母乳を作り出す”という事実がどうして正しいのかを暗黙のうちに理解することがあるが、それを真実にするために適用しなければならない特性（このケースでは、例えば他動性及び継承などの特性）は、これまで、ＫＲの明示的な部分ではない。換言すれば、従来において、新たな知識の創造を導き得る潜在するルールの組はＫＲの部分として符号化されておらず、むしろ、人間の設計者によってシステム該からＫＲの構成内に適用されている。

【0031】

これまで認識されていなかった従来手法の帰結は、機械により使用のためにＫＲ内に知識を表現することはできるが、ＫＲ自体を機械によって作り出すことはできない、というものである。機械での使用のために、人間が知識のドメインをモデル化することが強いられている。残念ながら、ヒューマンナレッジは極めて広範であり且つ多くの場合に主観的なものであるので、全ての知識ドメインをモデル化することは技術的に実現可能でない。

【0032】

さらに、多くの知識がデータとして明確に符号化されなければならないので、得られるデータ構造は、知識のドメインが成長するにつれて、すぐに圧倒的に大きいものになってしまう。従来のＫＲは、その潜在する理論又は訓練を、知識表現モデルを構築するデータの部分として知識創造に用いて符号化されないので、得られるデータ構造は非常に複雑で扱いにくいものになり得る。換言すれば、知識表現を機械によって作り出すことができないので、知識表現はこれまで、明示的なデータとして提供されるか、あるいは論理的あるいは統計的な手段によって推定又は帰納されるかしなければならなかった。

【0033】

故に、知識表現を構築するための従来手法は、データサイズの増大に伴うスケーリングの困難性、複雑で大きいデータ構造を扱う困難性、分野の専門家への依存性、大規模なデータ記憶・処理に伴う高コスト性、インテグレーション及び相互運用性（インターオペラビリティ）に関する難題、及び高い労働コスト、を含む数多くの問題をもたらし得る。

【0034】

大きくて複雑なデータ構造：従来において知識構造を符号化しているデータ構造は、構築及び維持管理が複雑である。比較的単純な分野の機械読み取り可能知識（例えば、犬及び哺乳類に関する単純な記述）であっても、対応する自然言語より何桁も大きい量のデータを発生させ得る。

【0035】

分野の専門家への依存性：従来のＫＲデータ構造の創造においては、ＫＲの訓練を導く潜在理論を人間が表現しなければならない。これは、このような生きたデータ資産の作成に殆どの人及び全ての機械を締め出す時間のかかる活動である。結果として、これまで、殆どのヒューマンナレッジは暗示的なままであり、コンピューティングの範囲外であった。

【0036】

使用前に作り出されるデータ：知識はこれまで、或る特定使用でそれが呼び出される時の以前に、データとしてモデル化されているが、その知識が必要とされない場合、これは高価で且つ潜在的に無駄である。従って、知識が機械によって適宜に作り出され得るのであれば、それはデータの作成及び記憶の要求を大いに低減することができる。

【0037】

大規模なデータ及び処理コスト：従来のＫＲシステムは、新たな事実を作成するサービス又はクエリに回答するサービスにおいて、非常に大きいデータ構造上で推論しなければならない。このような負担のかかる大きさは、従来ＫＲシステムにおいて重大な難問を表すが、潜在するデータ構造を作成するために、従来の使用前データ手法ではなく、より一層ジャストインタイムの手法を用いることによって負担が低減され得る。

【0038】

インテグレーション及び相互運用性の難題：主観的で曖昧なサブジェクトを扱うときなど、様々なＫＲが異なるモデルの下で作成されて異なるように表現されるとき、意味論的相互運用性（２つの異なるＫＲが知識を共有できること）は大いに困難な問題である。複数の異なるＫＲの間では、しばしば、正確に推論する精度及び能力が失われる。これに関し、どのようにして知識が作成されたかに関する潜在理論がＫＲの部分として含められているならば、複数の異なるＫＲ間での知識の調整が、扱いやすい問題になり得る。

【0039】

高い労働コスト：ＫＲデータ構造の手動での構造化は労働集約的な処理となり得る。従って、手動構造化技術は、サイズ的に既に膨大であり且つ更に増大し続けている情報のコーパスを取り扱うのに不十分である。

【0040】

従って、本開示に従った一部の実施形態は、知識表現を作成する処理を自動化するための知識作成ルールを符号化するシステムを提供する。一部の実施形態は、知識表現の作成を支援するため、且つ／或いはそれらの意味的な一貫性（セマンティックコヒーレンス）を検査するために確率的手法を使用する。一部の実施形態は、知識表現に対する新たな合成手法を、該手法から得られるデータ構造の作成及び管理を行うコンピューティングシステムと結合する。一部の実施形態において、それぞれ第１及び第２のラベルを有する第１及び第２の概念のセマンティックコヒーレンスの推定が、基準となる文書のコーパス内での第１及び第２のラベルの共起（同時出現）の頻度を計算することによって取得され得る。

【0041】

ドメイン内の全ての知識を明確なデータとしてモデル化するのでなく、一部の実施形態は、より少量のデータセットを為す‘アトミック’すなわち‘要素的’なデータを、潜在的な知識作成を符号化する生成的なルールの組（セット）と結合する。それらのルールは、一部の実施形態において、新たな知識を作成してそれを明示的にデータとして表現することが必要あるいは所望されるときにシステムによって適用され得る。上述の議論から認識されるように、このような技術の利益は、少なくとも一部の状況において、システム内のデータの量が実質的に削減されるとともに、機械ベースでの新たな知識の作成（合成）の能力及び適用が実現されることであり得る。しかしながら、認識されるように、本発明に係る全ての実施形態が従来手法にて特定される全ての問題を解決するわけではなく、一部の実施形態はそれらの問題のうちの何れかを解決しないこともある。一部の実施形態はまた、ここに記載される以外の問題を解決することもある。また、全ての実施形態がここに説明される利益の全て又は何れかを提供するわけではなく、一部の実施形態は記載される以外の利益を提供することもある。

【0042】

一部の実施形態はまた、例えばタクソノミ、オントロジー及びファセット分類などの複合的な知識表現が、単にデータレベルにおいてのみでなく、意味論的なレベルで相互運用する（意味付けの相互運用性）ための技術を提供する。

【0043】

一部の実施形態で提供されて数多くの新応用分野及び既存応用分野で適用され得るその他の利益には、より単純且つ経済的なデータ構造によって提供される知識表現の作成及び適用の双方におけるコスト低減、新たな知識を作成可能なこと、ジャストインタイムな必要に応じた知識により提供される一層スケーラブルなシステム、並びに、ユーザ及びデータ利用者からの入力変数としての“文脈”のサポートが含まれる。知識表現データ構造を作成するためにジャストインタイムを基本にして合成及び解析の知識処理ルールを適用するという本開示に係る一部の実施形態の動的な性質は、或る分野全体の知識を前もって解析してモデル化する従来手法より、経済的利益をもたらし得る。

【0044】

潜在する知識作成のルールセットをＫＲ内に組み込むことにより、システム内のデータの量が削減され、より経済的なデータ管理システムが提供され得るとともに、知識管理に関する完全に新しい用途が提供され得る。故に、一部の実施形態において、必要でない限りデータが作成されないようにしてデータ拡張の負担を軽減することによって、ＫＲシステムの作成及び維持管理のコストが削減され得る。作成されると、複合的な知識をモデル化するデータ構造は、一部の実施形態において、目の前の作業に関連するデータを含むという点で、従来システムにおいてよりかなり小さいものである。これは、ひいては、これらの知識モデル上で作動する例えば推論エンジン又はデータマイニングツールなどの下流アプリケーションのコストを低減し得る。

【0045】

本開示に係る一部の実施形態の合成的な計算された手法はまた、知識表現及びデータ管理における完全に新しい能力を支援する。一部の実施形態は、“可能性”に関して、すなわち既存データから完全に新しい知識の表現を作成することに関して、改善された支援を提供し得る。例えば、このような可能性の能力は、例えば教育、ジャーナリズム及び芸術などの創作活動に有用であり得る。

【0046】

ここに記載される様々な発明態様は、１つ以上のコンピュータ及び／又は装置によって実装されることができ、それらの各々が、複合的知識表現の解析及び合成にアトミック知識表現モデルを使用するための、ここに記載の動作の何れかを行うようにプログラムされ得る１つ以上のプロセッサを有し得る。例えば、図１１は、本開示に係る様々な発明態様が実装され得る例示的なコンピュータ１１００を模式的に示している。コンピュータ１１００は、プロセッサ又は処理ユニット１１０１と、揮発性メモリ及び／又は不揮発性メモリを含み得るメモリ１１０２とを含んでいる。メモリ１１０２は、プロセッサ１１０１上で実行されるときにここに記載の発明技術をコンピュータに実行させるコンピュータ読み取り可能命令を格納し得る。ここに記載の発明態様を実装するための技術、例えば、ここに記載の方法及びデータ構造を実現するようにコンピュータをプログラムすることは、当業者の技能の範囲内であると考えられる。

【0047】

図１は、本発明の一部の実施形態に従った複合的な知識表現（ＫＲ）の解析及び合成に関与されるアトミック知識表現モデル（atomic knowledge representation model；ＡＫＲＭ）を実現する一部の実施形態で使用され得る例示的なシステム１００を示している。例示的なシステム１００において、ＡＫＲＭは、コンピュータ読み取り可能なデータとして符号化されて、１つ以上の有形の持続的なコンピュータ読み取り可能記憶媒体に格納され得る。例えば、ＡＫＲＭは、要素的な知識表現データ構造及び複合的な知識表現データ構造の双方を支援するように設計されたデータスキーマを用いて、以下に例を示す不揮発性コンピュータメモリ内のデータセット１１０に格納され得る。

【0048】

一部の実施形態において、ＡＫＲＭは、１つ以上の要素的データ構造１２０と１つ以上の知識処理ルール１３０とを含み得る。一部の実施形態において、ルール１３０は、システム１００により、１つ以上の複合的ＫＲを分解（解析）して要素的データ構造１２０を生成するために使用され得る。例えば、システム１００は、１つ以上のコンピュータプロセッサと１つ以上のコンピュータメモリハードウェアコンポーネントとを含むことができ、該メモリは、該１つ以上のプロセッサによって実行されるときにシステム１００の該１つ以上のプロセッサに、１つ以上の複合的ＫＲの解析においてルール１３０を使用させてＡＫＲＭの要素的データ構造１２０を生成させるコンピュータ実行可能命令でエンコードされ得る。メモリはまた、ルール１３０を用いて要素的データ構造１２０から新たな複合的ＫＲを合成するように１つ以上のプロセッサをプログラムする命令でエンコードされてもよい。一部の実施形態において、コンピュータメモリは、実行されるときに１つ以上のプロセッサにここに記載の機能のうちの何れかを実行させるコンピュータ実行可能命令でエンコードされた１つ以上の有形の持続的なコンピュータ読み取り可能記憶媒体として実装されてもよい。

【0049】

従前の知識表現システムと異なり、本発明の一部の実施形態に係る例えばシステム１００などのシステムは、データとして符号化された知識表現モデルを作成するために、データ構造と知識処理ルールとを組み合わせ得る。一部の実施形態において、ルールは、知識として（例えば、特定の分野内の知識の境界又は制約を記述するルール又は公理として）符号化されずに、新たな知識を表現するデータ構造を作成するための建設的ルール及び分解的ルールとして符号化されてもよい。元のＫＲによって与えられる明示的な概念の論理的帰結である暗示的な事実を生成するための“推論ルール”に加えて、一部の実施形態において、知識表現モデルは、元のＫＲデータ構造からは暗示されない新たな知識を作り出すために適用され得る“知識処理ルール”を有するように符号化されてもよい。

【0050】

例えば、“メアリーは人である”及び“全ての人は人間である”という２つの明示的な知識記述から始めるに、先の２つの記述の論理的帰結である“メアリーは人間である”という暗示の知識記述を決定するために、推論ルールが使用され得る。本発明の一部の実施形態に係る異なる一例において、“メアリーはボブの友人である”及び“ボブはチャーリーの友人である”という２つの明示的な知識記述から始めるに、友人関係の意味をモデル化する典型的な知識処理ルールが適用されて、“メアリーはチャーリーの友人である”という新たな知識記述が決定され得る。特に、このような知識処理ルールの適用は、必ずしも元の入力ＫＲで与えられる明示的な知識の論理的帰結ではない新たな知識をもたらし得る。上述のように、概念と概念間の関係とを符号化するデータ構造に関連付けて（論理的推論ではなく、あるいはそれに加えて）記憶された知識処理ルールを含んだ、本発明の一部の実施形態に従った知識表現モデルは、可能性ある新しい非暗示的な知識がどのように作成且つ／或いは分解され得るかという枠組みをモデル化し得る。

【0051】

このように知識の合成に焦点を当てることは、例えばシステム１００などのシステムを新たな応用分野に展開させ得る。既存のシステムは、（既存の事実及び根拠の正確な結論によって洞察が収集される）演繹的な論理的思考に焦点を当てているが、本発明の一部の実施形態に係るシステムは、（新たな知識の確率的な予測を支援するために既存の事実が用いられる）帰納的な論理的思考及びその他の種類の論理立てをサポートし得る。

【0052】

本発明に係る一部の実施形態において、例えばシステム１００などのシステムは概して、概念意味論、符号化の意味原素（セマンティックプリミティブ）（例えば、“アトミック”又は“要素的”な概念）、及び、より複合的な知識を作成するためにアトミック構造がどのように結合され得るかをガイドするルール（指針）、の枠組みに基づき得る。しかしながら、認識されるように、本発明の態様は知識表現の特定の理論、モデル又は実践に限定されるものではなく、本発明の実施形態に係るシステムは数多くのそのような枠組み内で機能し得る。一部の実施形態において、例えばシステム１００などのシステムは、これらの枠組みをモデル化する広範な方法及び技術（例えば、ソフトウェアアプリケーション又はコンポーネントとして実装される）とインタフェースするように設計され得る。例えば、解析エンジン１５０などのインタフェース接続される解析コンポーネントが、入力の複合的ＫＲ１６０を要素的データ構造１２０へと分解してもよい。例えば合成エンジン１７０などの合成コンポーネントが、要素的データ構造１２０を用いて、出力の新たな複合的ＫＲ１９０を構築し得る。

【0053】

合成エンジン１７０は、当該分野で知られた技術又はその他の好適技術を用いて出力ＫＲ１９０を提供し得る。例えば、出力ＫＲ１９０は、コンピュータ読み取り可能媒体に格納される表形式又は図形形式のデータ構造として提供され得る。それに代えて、あるいは加えて、出力ＫＲ１９０はモニタ上又はその他の好適インタフェース上に表示されてもよい。

【0054】

一部の実施形態において、解析エンジン１５０は、例えばシステム１００の１つ以上のプロセッサによる適切なコンピュータ読み取り可能命令の実行を介して、知識処理ルール１３０のうちの１つ以上を適用することによって入力ＫＲ１６０を解析し、入力ＫＲ１６０のデータ構造をより要素的な構成に分解し得る。一部の実施形態において、ＡＫＲＭ１１０の要素的データ構造１２０内に含まれる最も要素的な構成は、入力データ構造を分類するために用いられる情報担持容量を集合的に提供する情報及び情報関係の複数の基本構築ブロックの最小の組（セット）を表し得る。入力ＫＲ１６０は、ユーザ又はシステム１００とインタラクトするソフトウェアアプリケーションからの直接入力も含め、如何なる好適なソースから取得されてもよい。一部の実施形態において、入力ＫＲ１６０は、例えばリレーショナルデータベースシステム又はグラフベースのデータベースシステムなどの様々なデータベース技術とのインタフェースによって取得されてもよい。認識されるように、本発明の態様はこの点で限定されるものではないので、入力ＫＲ１６０は如何なる方法で如何なる形態で取得されてもよい。

【0055】

例えば、図２Ａは、例えばシステム１００を使用するユーザ又はソフトウェアアプリケーションによって、解析エンジン１５０に入力され得る小さい複合的ＫＲ２００（この例において、タクソノミ）を例示している。複合的ＫＲ２００は、様々な階層関係によって結び付けられた一組の概念を含んでいる。例えば、“動物”というラベルを付された概念２１０は、親−子関係にて、“ペット”というラベルを付された概念２２と“山岳動物”というラベルを付された概念２３０とに結び付けられている。階層の各レベルにおいて、概念エンティティは、より複合的なセマンティックを作成するように結合され、あるいは場合により一層要素的なセマンティックに分解され得る意味のユニットを表す。例えば、“山岳動物”の複合的な意味は、“山岳”という概念と“動物”という概念とを有し得る。

【0056】

一部の実施形態において、システム１００は、例えば解析エンジン１５０により、例えば複合的ＫＲ２００などの複合的ＫＲを分解して、該複合的ＫＲの複合的な複数の概念を有する複数の要素的な概念のうちの少なくとも一部を見出し得る。例えば、図２Ｂは、複合的ＫＲ２００の解析及び分解から得られ得る要素的データ構造３００を例示している。要素的データ構造３００において、“山岳動物”というラベルを付された複合概念２３０は、より要素的な概念である“山岳”２３５と“動物”２４０とを含むことが見出されている。この例において、“山岳”及び“動物”は、“山岳動物”というラベルが付された、より複合的な概念より要素的な（すなわち、“より低階層”又はより低い複合性の）概念を表す。何故なら、“山岳”及び“動物”なる概念は、“山岳動物”というラベルを付された概念を作り出すように結合されることができるからである。同様に、“家庭犬”というラベルを付された複合概念２５０は、より要素的な概念である“家庭”２５５と“犬”２６０とを含むことが見出され、“シャム猫”というラベルを付された複合概念２７０は、より要素的な概念である“シャム”２７５と“猫”２８０とを含むことが見出されている。また、新たに発見された要素概念の各々は、それを含む複合概念から継承された概念関係を有する。故に、“家庭”、“犬”、“シャム”及び“猫”は“ペット”の子であり、“山岳”及び“動物”（概念２４０）は“動物”（概念２１０）の子であり、“山岳”及び“動物”（概念２４０）はともに、“ライオン”というラベルが付された概念２９０及び“ヤギ”というラベルが付された概念２９５の双方の親である。

【0057】

なお、ラベル“動物”は要素的データ構造３００において概念２１０及び概念２４０の双方に帰属しているが、これら２つの概念はなおも、知識表現階層内で異なるように作用する異なる抽象的意味を表し得る。一部の実施形態において、“ラベル”又は“記号”は、概念及び関係に関する人間読み取り可能且つ／或いは機械読み取り可能な用語又はラベルを提供するため、及び様々な記号ベースの処理方法（例えばテキスト解析など）の基礎を提供するために、概念を要約するよう結合され得る。ラベルは、人間及び／又は機械に認識可能な知識表現エンティティを提供することができ、ソースドメインの固有の語彙から取得され得る。故に、各概念要素に割り当てられるラベルはその分野で提示される言語及び用語から引き出され得るので、ラベル自体はそれを用いて名付けられる抽象的な概念及び概念関係を十分に記述しないことがあり、それら抽象エンティティはヒューマンナレッジにて理解されるものである。

【0058】

同様に、一部の実施形態において、知識表現モデルでの抽象概念と、それらの概念を用いて記述あるいは分類されるオブジェクトとの間の差が認識されるべきである。オブジェクトは、現実の物理世界、又は概念によって記述されることが可能な仮想世界における如何なるアイテムともし得る（例えば、オブジェクトの例は文書、ウェブページ、人などである）。例えば、現実世界の或る人物は“ボブ”というラベルの概念によって概要内で表現され得る。記述、分類あるいは解析されるドメインにおける情報は、仮想的あるいは物理的なオブジェクト、プロセス、及びそのような情報間の関係に関し得る。一部の典型的な実施形態において、ここに記載される複合的ＫＲは、ウェブページ内にあるコンテンツの分類に使用され得る。一部の実施形態におけるその他の種類のドメインは、文書収納庫、楽曲推薦システム、ソフトウェアコード収納庫、ワークフロー及びビジネスプロセスのモデルなどを含み得る。

【0059】

一部の実施形態において、分類されるドメインのオブジェクトはコンテンツノードと称され得る。コンテンツノードは、知識表現モデルを用いて分類、記述、解析などを受けることが可能な何らかのオブジェクトからなり得る。例えば、コンテンツノードは、ファイル、文書、（注釈のような）文書の塊、画像、又は格納された文字列とし得る。コンテンツノードは物理オブジェクト又は仮想オブジェクトを参照し得る。一部の実施形態において、コンテンツノードは、それを介してコンテンツノードを検索することができるアドレス指定可能な（すなわち、位置特定可能な）情報を提供するコンテンツコンテナに収容され得る。例えば、ＵＲＬを介してアドレス指定可能なウェブページのコンテンツコンテナは、テキスト及び画像の形態の多数のコンテンツノードを収容し得る。コンテンツノードには、意味（例えば、そのコンテンツノードの説明、目的、使用法又は意図など）を要約する概念が付随され得る。例えば、現実世界のコンテンツノードの特徴が、知識の概要表現の概念によって記述され得る。

【0060】

概念は、他のエンティティに対する関係を介して抽象化の複合レベルの観点から定められ、また、より基本的な他の知識表現エンティティ（例えば、キーワード及び形態素）の観点から構造的に定められ得る。そのような構造をここでは概念定義と呼ぶ。一部の実施形態において、より複合的な概念を作り出す要素的な概念間の結合を意味する内在（例えば、要素的データ構造３００における“山岳”、“動物”及び“山岳動物”の間の関係）と、複合関係間の結合を意味する外在という、２つの基本的な種類の概念関係によって、概念同士が関連付けられ得る。外在関係は、例えば等価、階層（例えば、“動物”と“ペット”との間の関係）及び連合などの概念の対の間の特徴を記述し得る。また、一部の実施形態において、外在及び内在の概念関係それら自体も概念の種類として記述されてもよく、それらはより複合的な関係に分類され得る。例えば、“と結婚している”という連合関係は、“結婚している”及び“と”という関係概念を有し得る。

【0061】

一部の実施形態において、システム１００に要素的データ構造１２０として格納されるＡＫＲＭデータモデルの編成全体がファセットデータ構造として符号化され、概念エンティティ同士が、階層（外在関係）内で明示的に関連付けられるとともに、複合概念（内在関係）を作り出すように組に結合される。また、これらの外在関係及び内在関係自体が、上述のように、概念を用いて分類されてもよい。しかしながら、認識されるように、本発明の態様はこの点で限定されるものではなく、好適な如何なる種類の知識表現モデル、又は好適な如何なる種類の概念関係を含んだ理論的構図が、ＡＫＲＭを表現することに使用されてもよい。

【0062】

例示のため、図３は、本発明の一部の実施形態に従ったシステム１００のデータセット１１０にて使用され得る例示的なデータスキーマ３５０を示している。このようなデータスキーマは、例えばオントロジー及びタクソノミなどの複合的な知識表現データ構造（複合的ＫＲ）と、複合的ＫＲがそれへと分解されるアトミック知識表現データ構造（例えば、要素的データ構造１２０）との双方を符号化することができるように設計され得る。スキーマ３５０において、概念は、多対多関係を用いて、より複合的な種類（ｈａｓタイプ）を構成するように結合され得る。斯くして、モデル内のコアの概念エンティティが、そのデータによってモデル化されている複合的な知識表現の性質に応じて、多様な単純さ又は複雑さを表現し得る。多対多関係を用いて記号、ルール及びオブジェクトをこれらの概念に結合することにより、このスキーマは、広範囲の知識表現をモデル化するデータを管理し得る。

【0063】

図３に示すスキーマ３５０において、長方形のボックスは、例えば、データベース内でメインオブジェクトとして符号化され得る現実世界のオブジェクト、概要概念、概念を参照する人間及び／又は機械が読み取り可能な記号、並びに、知識表現内の概念に適用するルールといった、複数のエンティティセットを表している。実線の接続は各々、２つのエンティティセット間の関係を表しており、菱形内に関係の種類が表されている。“Ｎ”は、ここでは多対多関係である関係の関与濃度を示しており、各エンティティの組の多数のエンティティが、その関係に関与する他方のエンティティセットの或るエンティティとの関係に関与し得ること、そして、その逆もまた然りであること、を指し示している。対照的に、菱形の両側に“１”なるラベルが付される関係は一対一関係を表し、片側に“１”が付され、他方側に“Ｎ”が付される関係は、第１の種類の１つのエンティティが第２の種類の多数のエンティティとその関係に関与し得るが、第２の種類の各エンティティは第１の種類の１つのエンティティのみとその関係に関与しうるという一対多関係を表す。

【0064】

一部の実施形態において、知識表現のデータ構造は、好適なデータベース及び／又はその他のデータ符号化技術を用いて、１つ以上のデータベーステーブルにて、スキーマ３５０に従って符号化され得る。例えば、一部の実施形態において、ＫＲデータ構造のデータセットは、各行が一対の概念間の関係を表すテーブルのコンピュータ読み取り可能表現として構築され得る。例えば、データテーブルの一例は、“概念１”属性、“概念２”属性、“関係”属性及び“種類”属性を含む４つの属性の列を有し、“概念１は概念２に或る種類（例えば、外在又は内在）の関係概念で関係する”として、テーブルの各行で３方向の関係をモデル化し得る。例えば、｛概念１：“ハンマー”；概念２：“釘”；関係：“道具”；種類：“外在”｝という属性（列のエントリー）を有するそのようなテーブルの行は、“ハンマー”は“釘”に“道具”として関係し、関係は“外在”である、という関係を表現し得る。多くの典型的なデータ構造において、各概念は、データテーブルの１つ又は複数の行に現れることができ、例えば、複数の行に現れて複数の他の概念との関係を表現し得る。さらに、或る特定の概念の対が、例えばこの概念対が２つ以上の種類の関係によって関連付けられる場合に、２つ以上の行に現れることができる。しかしながら、認識されるように、以上の説明は単なる例であり、データ構造は好適な如何なる手法で実装且つ／或いは符号化されて格納されてもよく、本発明の態様はこの点で限定されるものではない。

【0065】

一部の実施形態において、ルールベースのプログラミングを支援するよう、ＡＫＲＭ内のエンティティ（例えば、概念及び概念関係）の各々に様々なメタデータが関連付けられ得る。例えば、多くのルールはソートされた概念の組を必要とするので、このスキーマに、概念関係（内在又は外在）内の概念の優先度が付与され得る。ここでは単にデータモデルの提示を簡略化するために、これらの詳細は省略することとする。

【0066】

図３の典型的なデータスキーマは比較的単純であるが、知識表現の構築及び分解のための機械実行（例えば、コンピュータ実行）処理ルールと結合されるとき、データスキーマは非常に広範囲の複合知識を管理することができるようになり得る（様々な例にて後述する）。その利益には、実時間知識エンジニアリングによるデータ経済の改善及び大きい知識表現データ構造へと複合性を構築する必要性の低減が含まれる。また、知識表現データ構造の範囲が縮小されるので、例えば推理、解析、データマイニング及び検索などの統合的な知識エンジニアリングプロセスにも有利な効果を有し得る。

【0067】

図１に戻るに、一部の実施形態において、知識処理ルール１３０は、符号化されてシステム１００内、例えばデータセット１１０内、に格納されることができ、また、入力ＫＲ１６０及び／又は要素的データ構造１２０内の概念と結合され得る。ルールは、或る具体的な概念が与えられたとき、システム１００の１つ以上のプロセッサによるプログラミングコードの実行によってルールが適用されて、要素的データ構造１２０から新たなセマンティックエンティティ（概念及び関係）を生成するように、且つ／或いは要素的データ構造１２０内に含める要素エンティティへと入力ＫＲ１６０を分解するように、概念に結合され得る。そのようなルールの例については更に詳細に後述する。

【0068】

ルール１３０は、例えば、システム１００の開発者によって、且つ／或いは個人の知識処理ニーズ又は嗜好に従ってシステム１００のエンドユーザによって、入力ルール１４０としてデータセット１１０に導入され得る。認識されるように、入力ルール１４０は好適な如何なる時に好適な如何なるソースから取得されてもよく、ＡＫＲＭの部分として格納されたルール１３０は、システム１００の稼働前又は稼働中に、好適な如何なるユーザによって好適な如何なる時に更新且つ／或いは変更されてもよく、システム１００とインタラクトする異なるユーザ又はアプリケーションに対して異なる格納ルール１３０が維持管理されてもよく、本発明の態様はこれらの点で限定されるものではない。また、一部の実施形態において、入力ＫＲ１６０の解析に対して、出力ＫＲ１９０の合成に対してとは異なる格納ルール１３０のサブセットが適用されてもよく、他の実施形態においては、同じルール１３０が解析及び合成の双方の処理に適用され、且つ格納ルール１３０の異なるサブセットが異なる種類の知識表現に適用されてもよい。

【0069】

ルール１３０は、ＫＲの解析及び合成において概念に適用されるとき、例えばシステム１００などのシステムに構築・分解ロジックを提供し得る。どのように知識が作成（合成）あるいは分解（解析）されるかの方法が、ルール１３０のセットに符号化され得る。ルール１３０は、対称的（解析及び合成の双方で単一のルールが作用する）あるいは非対称的（各々のルールが合成又は解析の一方でのみ作用するように設計される）に作用するよう設計され得る。一部の実施形態において、ルール１３０は、知識モデルの概念データ構造内のエンティティとして符号化されずに、概念データ構造上の生成能力にて動作する知識表現モデル内のルールとして符号化されてもよい。一部の実施形態において、ルール１３０は、データとして符号化されて、ルールを含むＡＫＲＭの機械読み取り可能エンコーディング内に例えば要素的データ構造１２０などの知識表現データ構造とともに格納され得る。ルール１３０は、ルールエンジンソフトウェアコンポーネントを用いて適用されてもよく、これは例えば、システム１００内に含まれるかシステム１００によってアクセス可能であるかの１つ以上の有形の持続的なコンピュータ読み取り可能記憶媒体内にエンコードされたプログラミング命令によって実装され、該プログラミング命令がシステム１００の１つ以上のプロセッサによって実行されて該ルールエンジンを提供する。

【0070】

解析エンジン１５０及び合成エンジン１７０は、セマンティック解析及び合成の様々な方法のうちの何れかを用いて、知識表現データ構造の構築及び分解を支援することができ、本発明の態様はこの点で限定されるものではない。入力された複合的ＫＲを分解する際にルール１３０の適用とともに解析エンジン１５０によって使用され得る解析手法の例は、テキスト解析、エンティティ及び情報の抽出、情報検索、データマイニング、分類、統計クラスタリング、言語解析、ファセット解析、自然言語処理、及びセマンティック知識ベース（例えば、レキシコン、オントロジーなど）を含む。複合的ＫＲを構築する際にルール１３０の適用とともに合成エンジン１７０によって使用され得る合成手法の例は、形式概念解析、ファセット分類合成、セマンティック合成及び動的タクソノミ、並びに２０１１年１２月３０日に出願された米国特許出願第１３／３４０７９２号、及び／又は２０１１年１２月３０日に出願された米国特許出願第１３／３４０８２０号に記載されている様々な図形処理を含む。なお、これらの文献の全体をここに援用する。

【0071】

認識されるように、複合的ＫＲの解析及び合成の例示的な手法は、個別に動作する解析エンジン１５０及び合成エンジン１７０によって実行されてもよいし、且つ／或いはこれらのエンジン及び／又はシステム１００とインタフェース接続され得る好適な外部ソフトウェアアプリケーションとともに動作する解析エンジン１５０及び合成エンジン１７０によって実行されてもよい。そのような外部ソフトウェアアプリケーションは、システム１００のその他のコンポーネントと同じ物理的装置又は装置セット内に実装されてもよく、あるいは、そのようなソフトウェアアプリケーションの一部又は全体が他の別個の装置と通信して分散的に実装されてもよく、本発明の態様はこの点で限定されるものではない。

【0072】

図４は、入力された複合的ＫＲ１６０を分解する際に解析エンジン１５０によって使用され得る意味解析の例示的な一手法４００を示している。認識されるように、図４に示す手法は単なる一例であり、上述のように数多くの他の解析手法も可能であり、本発明の態様はこの点で限定されるものではない。例示の手法４００は、ソースデータ構造内に明示的に提示されたテキスト概念ラベルを有するソース概念４１０の抽出で開始する。ソースデータ構造から、複数のソース概念４１０が、ソースデータ構造内で明示的に見つかり得るソース概念４１０間のソース概念関係とともに抽出され得る。

【0073】

ソース概念４１０の概念ラベル内で、一連のキーワード輪郭部が特定され得る。概念ラベルから、キーワードの共通の構造的テキスト輪郭部（例えば、括弧、引用符、及びカンマなど）に基づいて、予備キーワード範囲が構造解析され得る。再び共通の単語輪郭部（例えば、スペース及び文法記号など）を用いて、予備キーワード範囲から単語全体が構造解析され得る。そして、構造解析された候補キーワードが妥当であることを確実にするため、単語独立のチェックが実行され得る。一部の実施形態において、単語独立のチェックは、以下では“語幹解釈（ステミング）”と称する単語語幹（又は語根）マッチングに基づき得る。検証後、或る単語が、他の単語を有する１つの概念ラベル内に存在し、且つ該他の単語を有しない関連した概念ラベル内に存在する場合、その単語はキーワードを描出するものであり得る。

【0074】

斯くしてキーワードラベルの予備セットが生成されると、全ての予備キーワードラベルが集合にて検査されて、単一の概念ラベル内の２つ以上の妥当なキーワードラベルを提示する複合キーワードが特定され得る。例えば、“バスケットボール”は、単一の概念ラベル内に“バスケット”と“ボール”というキーワードラベルを包含する複合キーワードであり得る。一部の実施形態において、帰納法を用いて、複合キーワードの組が、ソースデータによってサポートされる最も要素的なキーワードの組へと徹底的に分割され得る。この候補キーワード抽出、検証及び分割のプロセスは、更なるアトミックキーワードが発見されなくなるまで、且つ／或いはソースデータによってサポートされる最も要素的なキーワードの組が特定されるまで繰り返され得る。

【0075】

一部の実施形態において、整理統合（コンソリデーション）の最終の方法ラウンドを用いて、ドメイン全体でキーワードラベルの曖昧さが除去され得る。このような曖昧性除去は、複数のエンティティが同じラベルを共有するときに現れる曖昧さを解消するために用いられ得る。一部の実施形態において、曖昧性除去は、複数のキーワードを、同じラベルを共有する単一構造のエンティティに整理統合することによって実現され得る。その結果は、それが得られたソース概念に各々が含まれる複数のキーワード概念の組となり得る。例えば、ソース概念４１０は、その概念ラベルから構造解析されたキーワード４２０、４４０及び４６０に分解され、キーワード４２０、４４０及び４６０がソース概念４１０の概念定義を構成し得る。例えば、図２Ｂの要素的データ構造３００の例において、“家庭”というラベルを付された、より要素的な概念２５５が、“家庭犬”というラベルを付された、より複合的な概念２５０から、その概念ラベルから構文解析されたキーワードとして分解され得る。

【0076】

一部の実施形態において、キーワード概念を含む概念定義は、更なる分解を介して、それらの構造内に、より深く且つより基本的なレベルの抽象化として、形態素概念エンティティを含むように拡張され得る。一部の実施形態において、形態素は、より複合的な概念及びそれらの関係の要素的で単純化できない属性を表現し得る。抽象化の形態素レベルにおいて、属性の多くは、概念として人間の分類者に認識可能でないことがある。しかしながら、ドメイン全体にまたがる関係データ構造へと結合されるとき、形態素は、一部の実施形態において、より複合的な概念の意味論的な意味を、より少ない情報を用いて担持することができ得る。

【0077】

一部の実施形態において、形態素抽出の手法は、上述のキーワード抽出の手法と共通の要素を有し得る。形態素候補を特定するための基準として用いるためにパターンが定められ得る。それらのパターンは、語幹解釈のためのパラメータを構築し得るものであり、単語の全体及び単語の部分のマッチングのためのパターンを含み得る。キーワード抽出と同様に、ソース概念関係の組が形態素パターンマッチングのための文脈を提供する。これらのパターンは、キーワードが生じるソース概念関係の組内のキーワードのプール（集まり）に対して適用され得る。語幹解釈パターンに基づく共有語幹の組が特定され得る。この共有語幹の組は、各キーワードに関する候補形態素語幹の組を有し得る。

【0078】

一部の実施形態において、各キーワードの候補形態素語幹同士が、それらが相互に一貫性を有することを確実にするために比較され得る。同じキーワード及びそのキーワードが生じたソース概念関係セットの文脈内にある語幹同士は、重なり合う語幹を有すると仮定される。また、それら重なり合う語幹の交わり部から得られる要素的な語幹は、妥当な形態素を特定するために使用されるパラメータ内にとどまると仮定し得る。このような検証は、過度な形態素分割を制約し、文脈的に意味がある根本レベルの抽象化を提供し得る。一部の実施形態において、一貫性のない候補形態素語幹はキーワードセットから除去され得る、形態素候補を特定するためのこのパターンマッチングのプロセスは、全ての一貫性ない候補が除去されるまで繰り返され得る。

【0079】

一部の実施形態において、可能性ある語幹のグループを調べることにより、各キーワードに対して１つ以上の形態素輪郭部が特定され得る。形態素は各キーワードレベル内の輪郭部の位置に基づいて抽出され得る。そして、抽出された形態素をそれが得られたキーワードに関連付ける（すなわち、マッピング）することによって、キーワード概念輪郭部が構築され得る。例えば、形態素概念４２５及び４３０はキーワード概念４２０の概念輪郭部内に含まれ、形態素概念４４５及び４５０はキーワード概念４４０の概念輪郭部内に含まれ、形態素概念４６５及び４７０はキーワード概念４６０の概念輪郭部内に含まれ得る。故に、元のソース概念４１０は、ＡＫＲＭの要素的データ構造に含めるため、意味解析を通じてキーワード概念のレベルに分解され、さらに、最も要素的なレベルの形態素概念まで分解され得る。

【0080】

しかしながら、認識されるように、要素的データ構造の生成には好適な如何なるレベルの抽象化が用いられてもよく、キーワード又は形態素に重点を置かない手法を含む好適な如何なる解析手法が用いられてもよく、本発明の態様はこの点で限定されるものではない。一部の実施形態において、より複合的なＫＲの解析及び／又は合成に使用されるＡＫＲＭに含まれる要素的データ構造は、要素的データ構造を生じさせるように分解され且つ／或いは要素的データ構造から合成される複合的ＫＲに含まれる概念及び関係より要素的な概念及び関係を含み且つそれらを符号化し得る。例えば、複合的ＫＲに符号化される複合概念の抽象的な意味は、ＡＫＲＭの要素的データ構造に符号化される要素概念の抽象的な意味の組合せによって形成され得る。

【0081】

一部の実施形態において、中心にされるＡＫＲＭの部分として要素的データ構造内に格納される概念は、より複合的な概念から例えばキーワードなどの単語全体のレベルまで分解されたものとし得る。図２Ｂの例は、単語全体を符号化するそのような要素的データ構造を例示している。一部の実施形態において、要素的データ構造内の概念は、単語の一部を表現する一層要素的なレベルまで分解されたものとし得る。一部の実施形態において、要素的データ構造内の概念は、意味論的意味をなおも担持し得る最小の言語単位である形態素によって表現される一層要素的な意味レベルまで分解されたものとし得る。例えば、単語全体の概念“シャム（Ｓｉａｍｅｓｅ）”は、自由形態素を表す“Ｓｉａｍ”と接辞を表す“−ｅｓｅ”という２つの形態素概念を作り出すように分解され得る。一部の実施形態において、ＡＫＲＭの要素的データ構造は、１つの特定の要素レベルにある概念のみを含んでいてもよく、例えば、要素的データ構造は一部の実施形態において、全面的に形態素概念で形成され、あるいは全面的に単語概念で形成され得る。他の実施形態において、要素的データ構造は、様々な異なる要素レベルの概念（例えば、形態素概念、キーワード概念、及び／又はその他の要素レベルのその他の概念を含む）を含むことができ、ただし、要素的データ構造内の概念の少なくとも一部は、これら概念がそれから分解された入力ＫＲ内の複合概念及び／又はこれら概念がその他の要素概念と組み合わさって作り出す出力ＫＲ内の複合概念より要素的である。認識されるように、複合的ＫＲをより要素的なデータ構造へと分解することには、言語学及び意味論以外のパラダイムに関係する基礎を含めて、好適な如何なる基礎が用いられてもよく、本発明の態様はこの点で限定されるものではない。

【0082】

図１に戻るに、データ消費者１９５は、システム１００の一人以上の人間ユーザ、及び／又はシステム１００と相互作用する１つ以上の機械実行ソフトウェアアプリケーションを表し得る。一部の実施形態において、データ消費者１９５は、様々な形態のデータを介して、システム１００からの出力を要求且つ／或いは受信し得る。例えば、データ消費者１９５は、要素的データ構造１２０を生成且つ／或いは更新する要素的な概念及び概念関係へと分解される複合的ＫＲ１６０をシステム１００に入力し得る。データ消費者１９５（同一あるいは異なるデータ消費者）はまた、要素的データ構造１２０の一部又は全てへの知識処理ルール１３０のうちの１つ以上の適用によって合成された、システム１００からの出力複合的ＫＲ１９０を受信し得る。

【0083】

例示のシステム１００の一部の実施形態において、１つ以上のデータ消費者１９５に関連する文脈１８０（又は“コンテキスト情報”１８０）が合成エンジン１７０に提供される。コンテキスト情報は、データ消費者１９５がどのような情報を探索しているか、且つ／或いは関心を有しているか、を特定するために使用され得る情報を有し得る。コンテキスト情報はまた、データ消費者に情報を提供するために後に使用され得るデータ消費者のモデルを展開するために使用され得る情報を有していてもよい。このように、コンテキスト情報は、以下に限られないが、利用可能な情報源及び／又はデータ消費者によって直接提供される好適な情報から収集され得るような、データ消費者に関係する好適な情報を含み得る。

【0084】

一部の実施形態において、データ消費者に関係する情報は、そのデータ消費者についての好適な如何なる情報であってもよい。例えば、データ消費者に関係する情報は、そのデータ消費者に関する人口学的情報（例えば、性別、年齢層、教育レベルなど）、経歴情報、雇用情報、家族情報、人間関係情報、嗜好情報、興味情報、経済的情報、地理位置情報などを有し得る。他の一例として、データ消費者に関係する情報は、そのデータ消費者のインターネット閲覧履歴の詳細を有していてもよい。そのような情報は、そのデータ消費者が閲覧した可能性ある１つ以上のウェブサイトのリスト、閲覧の時間、及び／又は閲覧を行った場所（すなわち、地理的位置）を有し得る。データ消費者の閲覧履歴は更に、そのデータ消費者が検索した情報と、以下に限られないが検索への応答としてそのデータ消費者が取得した検索結果を含む関連閲覧情報とを有していてもよい。一部の実施形態において、データ消費者に関係する情報は、ユーザによって選択されたハイパーリンクの記録を有し得る。

【0085】

他の一例として、データ消費者に関係する情報は、そのデータ消費者のコンピューティング装置上のユーザインタフェースを介して、あるいはそのデータ消費者が閲覧した可能性ある１つ以上のウェブサイト上で、そのデータ消費者が提供した情報を有し得る。例えば、データ消費者に関係する情報は、例えばソーシャルネットワークウェブサイト、求人ウェブサイト、ブログ、ディスカッションスレッドなどのウェブサイト上の、そのデータ消費者に関連付けられる情報を有していてもよい。そのような情報は、以下に限られないが、ウェブサイト上のそのデータ消費者のプロフィール、そのデータ消費者のプロフィールに対応するマルチメディア関連情報（例えば、画像、ビデオなど）、並びに、ウェブサイト上でそのデータ消費者によって入力されたその他の情報を含み得る。一部の実施形態において、例示のシステム１８００は、ウェブサイト又はソーシャルネットワークプラットホームをスクラップ（切り抜き）することによってプロフィール情報を取得し得る。更なる他の一例として、データ消費者に関係する情報は、２００９年８月９日に出願された米国特許出願第１２／５５５２９３号に記載されているような消費者インタラクション情報を有していてもよい。なお、この文献の全体をここに援用する。

【0086】

一部の実施形態において、データ消費者に関係する情報は地理空間情報を有していてもよい。例えば、地理空間情報は、そのデータ消費者及び／又はそのデータ消費者のコンピューティング装置の現在位置（例えば、データ消費者の家、データ消費者のホームタウンの図書館、データ消費者の仕事場、データ消費者が旅行した場所、及び／又はデータ消費者のインターネットＩＰアドレスによって決定されるデータ消費者の装置の地理的位置、等々）を有し得る。地理空間情報は、データ消費者のコンピューティング装置の位置についての情報と、データ消費者のコンピューティング装置がその位置もしくはその付近にあったときにデータ消費者が検索あるいは閲覧していたコンテンツと、の間の関連付けを含んでいてもよい。一部の実施形態において、データ消費者に関係する情報は時間的な情報を含んでいてもよい。例えば、時間的情報は、データ消費者がコンピューティング装置上でクエリ又は特定のコンテンツの視聴を行っていた時間を有し得る。その時間は、例えば、年、季節、月、週、日、時（hour）、分、秒などの好適な如何なるスケールで特定されてもよい。

【0087】

それに加えて、あるいは代えて、１つ以上のデータ消費者に関連するコンテキスト情報は、そのデータ消費者によって提供される情報を有していてもよい。そのような情報は、そのデータ消費者がどのような情報に関心を有するかを指し示す好適な如何なる情報であってもよい。例えば、コンテキスト情報は、データ消費者によって検索エンジン（例えば、インターネット検索エンジン、企業イントラネットなどの特定のドメインを検索するように適応された検索エンジン）に入力された１つ以上の検索クエリ入力を有し得る。他の一例として、コンテキスト情報は、データ消費者によって指定された、データ消費者が関心を有し得る情報の種類を指し示す１つ以上のもの（インジケータ）を有し得る。データ消費者は該インジケータを数多くの手法のうちの何れかで提供し得る。データ消費者は、嗜好を指し示すものをタイプ入力するか話すかすることができ、ウェブサイト又はアプリケーションによって提供される１つ以上の選択肢を選択し（例えば、ドロップダウンメニューからアイテムを選択する、ボックスをチェックするなど）、ウェブサイト上若しくはアプリケーション内で、且つ／或いはその他の好適な手法で、データ消費者が関心あるコンテンツの一部をハイライトあるいはその他の方法で選択し得る。例えば、データ消費者は、ウェブサイト上で１つ以上の選択肢を選択して、特定の１つ以上のトピックに関する最新ニュース、１つ以上の種類の製品に関する広告、多数の種類のウェブサイト、ニュースレター、電子メールダイジェストなどのうちの何れかの更新に関する情報を受信する望みを指し示し得る。

【0088】

コンテキスト情報は、多様な取り得る手法のうちの何れかで取得され得る。例えば、一部の実施形態において、コンテキスト情報は、データ消費者のクライアントコンピュータから１つ以上のサーバコンピュータに提供され得る。すなわち、例えば、データ消費者は、アプリケーションプログラムを実行するクライアントコンピュータを操作し得る。該アプリケーションプログラムは、サーバコンピュータにコンテキスト情報（例えば、データ消費者によってアプリケーションプログラムに入力された検索クエリ）を送信し得る。故に、サーバは、クライアント上で実行されているアプリケーションプログラムからコンテキスト情報を受信し得る。

【0089】

アプリケーションプログラムは、直接的あるいは間接的に情報の送信及び受信を行うことが可能な多様な種類のアプリケーションプログラムのうちの何れであってもよい。例えば、一部の実施形態において、アプリケーションプログラムは、インターネット若しくはＷＷＷのブラウザ、インスタントメッセージクライアント、又はその他の好適なアプリケーションとし得る。

【0090】

コンテキスト情報は、クライアントからサーバへ直接的に送信される必要はない。例えば、一部の実施形態において、データ消費者の検索クエリはネットワークを介してサーバに送信され得る。ネットワークは、例えばＬＡＮ、ＷＡＮ、インターネット、又は複数のネットワークの組合せなど、好適な如何なる種類のネットワークであってもよい。

【0091】

認識されるように、データ消費者のクライアントコンピュータからコンテキスト情報を受信することは本発明の態様を限定するものではなく、コンテキスト情報はその他の好適手法で取得されてもよい。例えば、コンテキスト情報は、要求することにより能動的に、且つ／或いは受信することにより受動的に、１つ以上のデータ消費者に関連するコンテキスト情報を有するソースから、あるいはそれへのアクセスにより取得され得る。

【0092】

一部の実施形態において、データ消費者１９５は合成及び／又は解析の処理を導くためにコンテキスト１８０を提供し得る。例えば、出力ＫＲの要求とともに特定のコンテキスト１８０を入力することにより、データ消費者１９５は、要求した情報又はデータ消費者によって実行されている現在タスクに関する適切な特徴を有する出力ＫＲ１９０を生成するようにシステム１００を導き得る。例えば、データ消費者１９５が要求する特定の概念又はデータ消費者１９５が関連情報を受信することを望む特定の概念にマッピング可能な検索語として、特定のコンテキスト１８０がデータ消費者１９５によって入力され得る。一部の実施形態において、合成エンジン１７０は例えば、要素的データ構造１２０のうちのコンテキスト１８０に対応する概念に概念的に関係する（すなわち、該データ構造に接続される）部分のみにルール１３０を適用し得る。他の一例において、入力コンテキスト１８０は、データ消費者により出力ＫＲ１９０が従うことが望まれる例えばタクソノミなどの特定種類の知識表現モデルを指し示し得る。従って、合成エンジン１７０の実施形態は、ルール１３０の組のうち、要素的データ構造１２０からタクソノミを合成するのに適したルールのみを適用し得る。

【0093】

認識されるように、入力コンテキスト１８０は、出力ＫＲ１９０の合成に適用する如何なる数の要求及び／又は制限を含んでいてもよく、また、入力コンテキスト１８０の構成要素は、好適な如何なる形態のデータ又はプログラミング言語で符号化された好適な如何なる種類のものであってもよく、本発明の態様はこの点で限定されるものではない。好適な入力コンテキストの例は、以下に限られないが、例えば自然言語処理（ＮＬＰ）技術によって仲介される自由なテキストクエリ及び申し出、並びに、様々なＷｅｂ２．０システムと調和する例えば用語若しくはタグの組などの構造的な入力を含む。一部の実施形態において、特定のコンテキスト１８０に従った出力ＫＲ１９０を生成することは、データ消費者とのますます流動的で動的な知識交換を可能にし得る。しかしながら、認識されるように、入力コンテキスト１８０は必ずしも必要でなく、システム１００は一部の実施形態において入力コンテキストを必要とせずに出力ＫＲ１９０を作成してもよく、本発明の態様はこの点で限定されるものではない。

【0094】

データ消費者１９５はまた、システム１００に、好適な如何なる種類の入力ＫＲ１６０を、好適な如何なるデータ符号化言語及び／又はプログラミング言語を用いて、好適な如何なる形態で提供してもよく、本発明の態様はこの点で限定されるものではない。入力ＫＲの好適な形態の例は、以下に限られないが、やはり様々な形態のＮＬＰ及びテキスト解析とともに使用される半構造化された、あるいは構造化されていない文書、並びに、例えばタクソノミ、管理語、ファセット分類及びオントロジーなどの構造化された知識表現を含む。

【0095】

本開示に係る一部の実施形態において、ＡＫＲＭを用いる複合的ＫＲの解析及び合成ｎための例えばシステム１００などのシステムは、１つ以上のクライアント装置、機械及び／又はコンピュータとのネットワーク通信を有する分散コンピューティングシステムのサーバ側に実装され得る。図５は、システム１００がＫＲデータ構造のサーバ側変換エンジンとして稼働し得る、そのような分散コンピューティング環境５００を例示している。この変換エンジン（例えば、１つ以上のプログラムされたプロセッサ）は、入力として、例えばクライアント５１０の人間ユーザ又はソフトウェアアプリケーションの動作を介して、クライアント５１０によって１つ以上のドメインから提供される１つ以上のソース複合的ＫＲデータ構造５２０を使用し得る。一部の実施形態において、入力の複合的ＫＲ５２０は、システム１００が実装されているコンピューティングシステムに例えばインターネット５５０などのネットワーク上でウェブサービス（又は、ＡＰＩ若しくはその他の分散チャネル）を介して配信され得る１つ以上のＸＭＬファイル５３０に符号化され得る。同様に、システム１００は、要求された出力ＫＲをＸＭＬファイル５４０として、様々なクライアント５１０にネットワークを介して返し得る。しかしながら、認識されるように、データはサーバシステム１００とクライアントシステム５１０との間で好適な如何なる手法及び形態で通信されてもよく、本発明の態様はこの点で限定されるものではない。

【0096】

このモード及び／又はその他のモードの配信及び分散化を介して、一部の実施形態において、広範囲の開発者及び／又は出版業者は、解析エンジン１５０及び合成エンジン１７０を用いて複合的ＫＲデータ構造の分解及び作成を行い得る。典型的な用途は、以下に限られないが、ウェブサイト、知識ベース、電子商取引ストア、検索サービス、クライアントソフトウェア、管理情報システム、分析論などを含む。

【0097】

一部の実施形態において、このような分散システムの１つの利点は、個人用ドメインのデータと、ドメインを処理するためにシステムによって使用される共有データとの明確な分離であり得る。データ分離は、例えばサービス型ソフトウェア（Software-as-a-Service；ＳａａＳ）モデルなどのホスト化された処理モデルを容易にすることができ、それにより、サードパーティがドメインオーナーに変換エンジンサービスを提供し得る。ドメインオーナーの特定ドメインデータは、共有データ（例えば、ＡＫＲＭデータセット１１０）及びその他のドメインオーナーの個人データから分離可能であるので、ＳａａＳプラットホームによって安全に扱われ得る。他の例では、特定ドメインデータは、共有データから物理的に除去されて、ドメインオーナーによって扱われてもよい。一部の実施形態において、ドメインオーナーは、固有の知識を危険にさらす必要なく、ユーザのコミュニティ全体の共有知識（例えば、ＡＫＲＭ）を構築し得る。

【0098】

以上の説明から認識されるように、本開示に係る一部の実施形態は、元の複合的知識表現を解析して該複合的ＫＲを分解し、且つアトミック知識表現モデルの要素的データ構造を生成あるいは更新する技術に関する。図６は、１つのそのような技術を例示的なプロセス６００として示している。プロセス６００はステップ６１０で開始し、そこで、例えばシステム１００などの解析／合成システムによって、例えばデータ消費者から、入力複合的ＫＲが受信され得る。

【0099】

ステップ６２０にて、入力複合的ＫＲを１つ以上の要素概念及び／又は１つ以上の要素概念関係へと分解するため、ＡＫＲＭの一部としてシステム１００内に符号化された１つ以上の知識処理ルールが適用され得る。様々な種類の入力ＫＲに適用可能な知識処理ルールの例は以下に提示される。しかしながら、認識されるように、本発明の態様は、特定の例に係る知識処理ルールに限定されるものではなく、アトミック知識表現モデルに関連付けて符号化される好適な如何なるルールが使用されてもよい。上述のように、そのようなルールは、解析システムの開発者及び／又は解析システムの一人以上のエンドユーザによって適切な如何なる時に提供されてもよい。

【0100】

ステップ６３０にて、ステップ６２０で発見且つ／或いは取得された要素概念及び／又は要素概念関係のうちの１つ以上が、システムのＡＫＲＭの一部として符号化されて格納された要素的データ構造に含められ得る。一部の実施形態において、単一の入力複合的ＫＲから取得された要素概念及び関係の一部又は全てが、ＡＫＲＭの新たな要素的データ構造を追加するように使用され得る。一部の実施形態において、格納済みの要素的データ構造が既に存在しているとき、後続の入力ＫＲから発見された新たな要素概念及び／又は関係は、この格納済みの要素的データ構造に含められて、集権的なＡＫＲＭを更新且つ／或いは拡張してもよい。一部の実施形態において、プロセス６００は引き続き、最初までループを戻り、新たな入力ＫＲが利用可能になるときに、格納済みの要素的データ構造を更に更新し、且つ／或いは新たな要素的データ構造を生成し得る。他の実施形態において、プロセス６００は、該プロセスの一回の通行若しくは別の所定回数の通行の後に、あるいは格納された要素的データ構造が所定の大きさ若しくは複雑さに達した後に、あるいはその他の好適な停止基準が満たされた後に終了し得る。

【0101】

以上の説明から認識されるように、本開示に係る更なる一部の実施形態は、アトミック知識表現モデルを用いて複合的知識表現を生成（合成）する技術に関する。図７は、そのような技術を例示的なプロセス７００として示している。プロセス７００はステップ７１０で開始し、そこで、例えば人間ユーザ又はソフトウェアアプリケーションなどのデータ消費者から、入力コンテキストが受信され得る。上述のように、このコンテキストは、テキストのクエリ若しくは要求、１つ以上の検索語、１つ以上のアクティブ概念の識別子などを含み得る。また、コンテキストは、特定形態の複合的ＫＲの要求を指し示し得る。一部の実施形態において、しかしながら、複合的ＫＲの要求は、該複合的ＫＲに含められるべき概念及び／又は概念関係を限定する更なるコンテキストなしで受信されてもよく、本発明の態様はこの点で限定されるものではない。また、一部の実施形態において、コンテキストの受信は、明示的な要求の必要なしで、コンテキストを伴う複合的ＫＲの要求として解釈されてもよい。

【0102】

ステップ７２０にて、入力された要求及び／又はコンテキストに応答して、ＡＫＲＭ内に符号化された１つ以上の適切な知識処理ルールがＡＫＲＭの要素的データ構造に適用されて、要素的データ構造に明示的に符号化されていない１つ以上の更なる概念及び／又は概念関係が合成され得る。様々な種類の出力ＫＲを合成することに適用可能な知識処理ルールの例は以下に提示される。上述のように、一部の実施形態において、ルールは、同じ知識処理ルールを用いて複合的ＫＲの解析及び合成の双方を達成するように、双方向的に適用されてもよく、他の実施形態において、一組のルールが解析に適用され、且つ異なる一組のルールが合成に適用されてもよい。しかしながら、認識されるように、本発明の態様は、特定の例に係る知識処理ルールに限定されるものではなく、アトミック知識表現モデルに関連付けて符号化される好適な如何なるルールが使用されてもよい。上述のように、そのようなルールは、解析システムの開発者及び／又は解析システムの一人以上のエンドユーザによって適切な如何なる時に提供されてもよい。

【0103】

一部の実施形態において、受信された入力要求及び／又はコンテキストに従って適切なルールが要素的データ構造の適切な部分に適用され得る。例えば、入力された要求が特定種類の複合的ＫＲが出力されることを要求している場合、一部の実施形態において、ＡＫＲＭ内に符号化されたルールのうち、その種類の複合的ＫＲを合成することに適用されるルールのみが、要素的データ構造に適用され得る。一部の実施形態において、複合的ＫＲの具体的な種類が指定されていない場合、例えばタクソノミなどのデフォルト種類の複合的ＫＲが合成される、あるいはランダム種類の複合的ＫＲが選択される、等々とし得る。一部の実施形態において、入力コンテキストが関心ある１つ以上の特定のアクティブ概念を指定している場合、例えば、要素的データ構造のうちそれらのアクティブ概念に関係する（すなわち、概念関係を介して接続されている）部分のみが選択され、それらの部分にルールが適用されて新たな複合的ＫＲが合成され得る。一部の実施形態において、出力される複合的ＫＲの大きさ及び／又は複雑さについての所定の制限が、例えば、含まれる概念の数、要素的データ構造内でのアクティブ概念と選択された関連概念との間の階層的距離、得られる出力複合的ＫＲの符号化されたデータサイズ、処理要件などを条件にして、例えば合成システムの開発者又はエンドユーザによって設定され得る。

【0104】

ステップ７３０にて、ステップ７２０で合成された更なる概念及び関係と要素的データ構造の選択された適部とから新たな複合的ＫＲが合成され、受信した入力にて指し示される指定のＫＲの種類に従って符号化され得る。ステップ７４０にて、得られた合成された複合的ＫＲが、それから要求を受信したデータ消費者に提供され得る。上述のように、これは、例えば、提供された複合的ＫＲをソフトウェアユーザインタフェースにより閲覧且つ／或いは利用し得るソフトウェアアプリケーション又は人間ユーザとし得る。そして、プロセス７００は、新たな知識を符号化する新たに合成された複合的ＫＲの提供により終了し得る。

【0105】

一部の実施形態において、“アクティブ概念”は複合的ＫＲの合成中に使用され得るものである。一態様において、アクティブ概念は、データ消費者に関するコンテキスト情報の少なくとも一部に対応する要素概念とし得る。一部の実施形態において、アクティブ概念はコンテキスト情報の一部として提供され得る。一部の実施形態において、アクティブ概念はコンテキスト情報から抽出されてもよい。

【0106】

コンテキスト情報からアクティブ概念を抽出することは、合成処理に関係するコンテキスト情報の部分を特定することを有し得る。例えば、データ消費者が情報を検索するとき、コンテキスト情報の関連部分は、ユーザの検索クエリ、及び／又はデータ消費者が探している情報の検索に有用であり得る更なる情報（例えば、データ消費者の現在位置、データ消費者の閲覧履歴など）を有し得る。他の一例として、データ消費者に１つ以上の広告を提示するとき、コンテキスト情報の関連部分は、データ消費者が関心を持っているかのしれない１つ以上の製品を指し示す情報を有し得る。他の一例として、データ消費者にニュース記事（又は、その他の好適種類のコンテンツ）を提供するとき、コンテキスト情報の関連部分は、データ消費者の興味を指し示す情報を有し得る。コンテキスト情報の関連部分は好適な如何なる手法で特定されてもよく、コンテキスト情報の関連部分が特定される手法は本発明の態様を限定するものではない。認識されるように、一部の例では、コンテキスト情報の関連部分はコンテキスト情報のサブセットを有し得るが、他の実施形態においては、関連部分はコンテキスト情報の全てを有していてもよく、本発明の態様はこの点で限定されるものではない。

【0107】

コンテキスト情報の関連部分は、数多くの手法のうちの何れで表現されてもよい。例えば、一部の実施形態において、コンテキスト情報の関連部分は１つ以上の英数字列によって表現され得る。英数字列は、好適な如何なる数の文字（スペースを含む）、単語、数字、及び／又は数多くのその他の記号のうちの何れかを含んでいてもよい。英数字列は、例えば、ユーザ検索クエリ、及び／又はデータ消費者がどのような情報に関心を持っている可能性があるかを指し示す好適情報を表現し得る。しかし、認識されるように、コンテキスト情報及び／又はその一部を表現することには、数多くのその他のデータ構造の何れかが用いられてもよい。

【0108】

一部の実施形態において、コンテキスト情報の関連部分に対応するアクティブ概念は、要素的データ構造内で特定されてもよい。要素的データ構造内でのアクティブ概念の特定は、好適な如何なる手法で為されてもよい。一部の実施形態において、コンテキスト情報の関連部分が概念識別子と比較され得る。例えば、コンテキスト情報の関連部分が英数字列によって表現されるとき、その英数字列が、概念を特定する文字列（“概念ラベル”と称するときもある）と比較されて、これらの文字列が一致するか否かが決定され得る。一致は、文字列間の正確な一致であってもよいし、特定組の単語（例えば“ａｎｄ”、“ｔｈｅ”、“ｏｆ”などの単語）を除く全ての単語が一致する実質的に正確な一致であってもよい。また、一部の実施形態において、文字列内での単語の順序は無視されてもよい。例えば、文字列“Ｔｈｅ Ｂｏａｒｄ ｏｆ Ｄｉｒｅｃｔｏｒｓ”は、概念ラベル“Ｂｏａｒｄ Ｄｉｒｅｃｔｏｒｓ”及び概念ラベル“Ｄｉｒｅｃｔｏｒｓ Ｂｏａｒｄ”と一致すると決定されてもよい。

【0109】

一部の実施形態において、コンテキスト情報の関連部分に対応するアクティブ概念が要素的データ構造内で特定されない場合、アクティブ概念を生成してもよい。一部の実施形態において、生成されたアクティブ概念は要素的データ構造に追加され得る。

【0110】

図１２−１７については以下にて詳細に説明する。図１８は、本発明の一部の実施形態に従った複合的知識表現（ＫＲ）の解析及び合成に関与されるアトミック知識表現モデル（ＡＫＲＭ）を実現する一部の実施形態にて使用され得る例示的なシステム１８００を示している。例示のシステム１８００において、例えば解析エンジン１５０などの解析部（すなわち、入力データを分解あるいはその他の方法で解析し、解析結果をＡＫＲＭデータセット１１０内に格納するように構成されたコンポーネント）は、１つ以上のプロセッサ上で実行されるソフトウェアとして、ハードウェアとして、あるいはソフトウェアとハードウェアとの組合せとして実装され得る。同様に、例えば合成エンジン１７０などの合成部（すなわち、ＡＫＲＭデータセット１１０からの複合的知識表現を合成するように構成されたコンポーネント）は、１つ以上のプロセッサ上で実行されるソフトウェアとして、ハードウェアとして、あるいはソフトウェアとハードウェアとの組合せとして実装され得る。

【0111】

一部の実施形態において、複数の解析部が互いに同じ場所に配置され得る（例えば、同一のコンピュータ読み取り可能媒体に格納され、あるいは同一のプロセッサ上で実行される）。一部の実施形態において、複数の解析部が互いから遠隔に配置されてもよい（例えば、複数の遠隔サービスとして提供され、あるいはネットワークによって接続された複数の遠隔配置コンピュータ上で実行される）。同様に、複数の合成部が、互いに同じ場所に配置されてもよいし、互いから遠隔に配置されてもよい。解析部及び合成部は“ユニット”又は“エンジン”としても参照され得る。

【0112】

上述のように、一部の実施形態において、要素的データ構造は要素概念と要素概念関係とを有し得る。一部の実施形態において、或る要素概念関係は、単方向であってもよく、また、２つの要素概念の間の関係を記述し得る。すなわち、或る要素概念関係は、要素概念Ａが要素概念Ｂに或る特定の関係を有することを表すが、要素概念Ｂは要素概念Ａに同じ関係を有することを表さないものとし得る。一部の実施形態において、要素概念関係は、例えば包摂型又は定義型などの型（タイプ）を割り当てられ得る。

【0113】

包摂関係は、２つの概念間に、それらの概念のうちの一方が他方の概念の一種、一分野又は一クラスであるときに存在し得る。例えば、概念“生物学”と“科学”との間には、生物学は科学の一分野であるので、包摂関係が存在し得る。表記Ａ→Ｂは概念ＡとＢとの間の包摂関係を表し得る。より正確には、表記Ａ→Ｂは、概念Ｂが概念Ａを包含すること、すなわち（等価的に）、概念Ａが概念Ｂの一種であることを表し得る。包摂関係はまた、“包含”関係、“ｉｓ−ａ”関係、又は“ハイポニミ”としても参照され得る。

【0114】

定義関係は、２つの概念間に、それらの概念のうちの一方が他方の概念を少なくとも部分的に定義し得るときに存在し得る。例えば、概念“リンゴ”と“皮”との間には、リンゴは皮を有し得るので、定義関係が存在し得る。他の一例として、概念“リンゴ”と“丸い”との間には、リンゴは丸いことがあるので、定義関係が存在し得る。表記Ａ―●Ｂは概念ＡとＢとの間の定義関係を表し得る。より正確には、表記Ａ―●Ｂは、概念Ｂが概念Ａを定義すること、すなわち（等価的に）、概念Ａが概念Ｂによって定義されることを表し得る。定義関係はまた、“ｄｅｆｉｎｅｄ−ｂｙ”関係としても参照され得る。

【0115】

一部の実施形態において、定義関係は、或る概念とその概念の構成要素との間にのみ存在し得る。例えば、一部の実施形態において、概念“アップルパイ”と概念“アップル”又は概念“パイ”との間には、概念“アップル”及び“パイ”は概念“アップルパイ”の構成要素であるので、定義関係が存在し得る。一部の実施形態において、概念Ｘに関連付けられるラベルを概念Ｙに関連付けられるラベルが有する場合にのみ、概念Ｘは概念Ｙの構成要素であるとし得る。

【0116】

ＩＩ． 擬似コード
以下の擬似コードのセクションは、上述の方法の更なる例示としての役割を果たし得る。

【0117】

ＫｎｏｗｌｅｄｇｅＣｒｅａｔｉｏｎ（ＫＲ_ｉｎ，ＲＵＬＥＳ_ｉｎ，ＣＯＮＴＥＸＴ，ＡＮＡＬＹＳＩＳ，ＳＹＮＴＨＥＳＩＳ）
Ｉｎｐｕｔ：
− ＣＯＮＴＥＸＴ：ユーザ／アプリケーションコンテキスト（例えば、要求、アクティブ概念、ドメイン制約）
− ＫＲ_ｉｎ：知識表現（例えば、タクソノミ）
− ＲＵＬＥＳ：関連する知識処理ルール
− ＡＮＡＬＹＳＩＳ：解析イベントをイネーブルにするフラグ
− ＳＹＮＴＨＥＳＩＳ：合成イベントをイネーブルにするフラグ
Ｏｕｔｐｕｔ：
− ＡＫＲＭに格納される概念及び関係
− ユーザ／アプリケーションに提示する複合的ＫＲ_ｏｕｔ
Ｐｒｏｃｅｄｕｒｅ：
Ｃ_ａ＝ＡＫＲＭ．Ｃ ／＊ＡＫＲＭ内で定義される概念定義のセット（組）＊／
Ｒ_ａ＝ＡＫＲＭ．Ｒ ／＊ＡＫＲＭ内で定義される概念関係のセット＊／
Ｃ＝｛｝ ／＊新たな概念定義のセット＊／
Ｒ＝｛｝ ／＊新たな関係のセット＊／
ＫＲ_ｏｕｔ＝Ｃ＋Ｒ ／＊複合的知識表現＊／
／＊更なるルールを適用し得る限り解析タスクを実行し続ける＊／
Ｗｈｅｎｅｖｅｒ （ＡＮＡＬＹＳＩＳ） ｄｏ ｛
ＲＵＬＥＳからの解析ルールをＫＲ_ｉｎ＋Ｃ_ａ＋Ｒ_ａに適用
Ｃ_ａ＝Ｃ_ａ∪｛生成されたアトミック概念のセット｝
Ｒ_ａ＝Ｒ_ａ∪｛生成された関係のセット｝
適用し得るルールがもうない場合、ＡＮＡＬＹＳＩＳをｆａｌｓｅに設定
｝
／＊更なるルールを適用し得る限り合成タスクを実行し続ける＊／
Ｗｈｅｎｅｖｅｒ（ＳＹＮＴＨＥＳＩＳ｝ ｄｏ ｛
ＲＵＬＥＳからの合成ルールをＣ_ａ＋Ｃ＋Ｒ_ａ＋Ｒ＋ＣＯＮＴＥＸＴに適用
Ｃ＝Ｃ∪｛生成された複合概念のセット｝
Ｒ＝Ｒ∪｛生成された複合関係のセット｝
適用し得るルールがもうない場合、ＳＹＮＴＨＥＳＩＳをｆａｌｓｅに設定
／＊場合により、生成されたＫＲのサブセットを素材化＊／
Ｉｆ （十分なサポート又はユーザ要求）
Ｃ_ａ＝Ｃ_ａ∪Ｃ ａｎｄ Ｒ_ａ＝Ｒ_ａ∪Ｒ
｝
／＊生成された複合的なＫＲをユーザ／アプリケーションに提示＊／
複合的なＫＲ_ｏｕｔ＝Ｃ＋Ｒを（ユーザ／アプリケーションに）出力。

【0118】

以上の説明から認識されるように、本開示に係る一部の実施形態は、アトミック知識表現モデルを用いて知識表現同士の間の意味論的相互運用性を支援する技術に関する。上述のように、要素的データ構造を格納した共有の集中化されたＡＫＲＭを維持管理することは、一部の実施形態において、入力される複数の異なる複合的ＫＲ（一部の例において、異なる種類、又は異なる知識表現モデル）が、全ての種類の複合的ＫＲと意味論的に互換性のある単一の共有の要素的データ構造の生成及び／又は更新に使用される要素的な概念及び／又は概念関係に分解される、ことを可能にし得る。また、要素的データ構造への分解と、その後の、新たな複合的ＫＲへの合成とにより、一部の実施形態において、或る１つの種類の入力ＫＲが同じソースデータに基づいて異なる種類の出力ＫＲに変換され得る。

【0119】

以下の擬似コードは、ここに記載のようにＡＫＲＭの下で複数の異なるＫＲを統合して、意味論的相互運用性の利益を提供する方法の更なる例示としての役割を果たし得る。

【0120】

Ｉｎｐｕｔ：
− ＫＲ_１，ＫＲ_２，・・・，ＫＲ_ｎ ／＊ｎ個の取り得る異なるＫＲ＊／
− ＲＵＬＥＳ_１，ＲＵＬＥＳ_２，・・・，ＲＵＬＥＳ_ｎ ／＊関連する知識処理ルール＊／
− ユーザ／アプリケーションコンテキスト
Ｏｕｔｐｕｔ：
− ＡＫＲＭに格納される概念及び関係
− ユーザ／アプリケーションに提示する複合的ＫＲ_ｏｕｔ
Ｐｒｏｃｅｄｕｒｅ：
Ｃ_ａ＝ＡＫＲＭ．Ｃ ／＊ＡＫＲＭ内で定義される概念定義のセット（組）＊／
Ｒ_ａ＝ＡＫＲＭ．Ｒ ／＊ＡＫＲＭ内で定義される概念関係のセット＊／
Ｃ＝｛｝ ／＊新たな概念定義のセット＊／
Ｒ＝｛｝ ／＊新たな関係のセット＊／
ＫＲ_ｏｕｔ＝Ｃ＋Ｒ ／＊複合的知識表現＊／
／＊入力ＫＲを解析してＡＫＲＭに入力＊／
ｆｏｒ （ｉ：ｌ ｔｏ ｎ）｛
ＲＵＬＥＳ_ｉからの全ての可能な解析ルールをＫＲ_ｉ＋Ｃ_ａ＋Ｒ_ａに適用
Ｃ_ａ＝Ｃ_ａ∪｛生成されたアトミック概念のセット｝
Ｒ_ａ＝Ｒ_ａ∪｛生成された関係のセット｝
｝
／＊新たな知識を合成＊／
ＲＵＬＥＳ_ｉからの可能な合成ルールをＣ_ａ＋Ｃ＋Ｒ_ａ＋Ｒに適用
Ｃ＝Ｃ∪｛生成された複合概念のセット｝
Ｒ＝Ｒ∪｛生成された複合関係のセット｝
／＊場合により、生成されたＫＲのサブセットを素材化＊／
Ｃ_ａ＝Ｃ_ａ∪Ｃ ａｎｄ Ｒ_ａ＝Ｒ_ａ∪Ｒ。

【0121】

図８は、５個の例示的な種類の複合的知識表現（すなわち、タクソノミ、シノニムリング、シソーラス、ファセット分類、及びオントロジー）の解析及び／又は合成において、本開示に係る一部の実施形態で使用され得る６個の例示的な知識処理ルールを例示する表である。しかしながら、上述のように、認識されるべきことには、これらの例は単に例示目的で提供されるものであり、本発明の態様は特定のルールセットやＫＲの種類若しくはモデルに限定されるものではない。また、一部の実施形態において、解析／合成システムは、例えば該システムのエンドユーザによって後の時点で更なるルールで拡張され且つ／或いはルールの変更及び／又は削除によって更新されることが可能な、知識処理ルールの初期セットで（例えば、該システムの開発者によって）種付けされてもよい。異なるエンドユーザ又はアプリケーションのために、例えばユーザアカウントにて、異なる種類のＫＲに適用可能な異なるルールセットも格納され得る。また、一部の実施形態において、特定のＫＲに関する要求に対処するために、複数の知識処理ルールが再利用されて新らしいように組み合わされてもよい。

【0122】

図８に与えられる例示的なＫＲ種類に関する特定の例を参照して、以下、図８に提示される例示的なルールについて説明する。認識されるように、上述の一般化された複数の方法のうちの何れもが、含まれる入力、出力及び知識処理ルールを異ならせて、以下の例の何れにも適用され得る。また、認識されるように、知識作成理論の数多くの異なる態様がここに記載の例示的なルールを介してモデル化され得るが、様々なその他の種類のルールも可能である。以下の例は、知識表現データ構造のトポロジーによって大いに突き動かされる。ルールのその他の基礎は、とりわけ、言語学的な形態論及び構文、音韻論、メタファー、象徴化、及び知覚を含み得る。

【0123】

一部の実施形態において、例えば図８に与えられる例示的なルールなどの知識処理ルールの組をアトミック知識表現モデル内に符号化することは、例えば図８に表されるものなどのサポートされるＫＲ種類の組内の複合的ＫＲを解析且つ／或いは合成することを可能にし得る。図８の例において、“×”印は、例示の６個のルールの組のうちのどのルールが例示の５個のＫＲ種類の組のうちのどのＫＲ種類に適用されるかを示している。これらの例において、各ルールは、それが適用される種類の複合的ＫＲの解析又は合成に双方向に適用され得る。例えば、入力シソーラスＫＲを考えると、図８は、入力シソーラスを要素的データ構造内に含めるべき要素的な概念及び概念関係へと分解するために、ルール１、２、３及び４が入力シソーラスに適用され得ることを明らかにしている。他の一例において、ルール１、２及び３を要素的データ構造に適用することは、出力シノニムリングＫＲをもたらす。適切な複合的ＫＲの解析及び／又は合成を実行するためのこれらの例示のルールの各々の使用について、以下、例を参照して説明する。

【0124】

タクソノミルール
以下の入力／出力及び知識処理ルールは、概念の階層分類としてタクソノミの機能を提供する。

【0125】

入力／出力：
概念Ｃのセット
階層関係（非巡回）のセット
Ｒ＝｛ｒ（ｃ_ｉ，ｃ_ｊ）：ｃ_ｉ，ｃ_ｊ∈Ｃ ａｎｄ ｃ_ｉ Ｉｓ−ａ ｃ_ｊ｝
定義１（コヒーレント概念）：２つの概念は、Ｔは予め選定された閾値であるとして距離メトリックＭに従って、Ｍ（ｃ_ｉ，ｃ_ｊ）＜Ｔの場合にコヒーレントである（一貫性を有する）と見なされる。取り得るメトリックの例は、入力コーパスにおける該２つの概念の共起（同時出現）の頻度、又はタクソノミ階層に適用されるツリー距離関数を含む。

【0126】

ルール１（コヒーレント概念合成）：新たな概念ｃ＝｛Ｃ_ｉ，Ｃ_ｊ｝を作成する。Ｃは、ｃ_ｉ及びｃ_ｊが定義１に関してコヒーレントであるとき且つそのときに限り、ｃ_ｉ及びｃ_ｊを有する（comprised of）といわれる。

【0127】

ルール２（階層関係合成）：ｃ_１＝｛ｃ_１１，ｃ_１２，…，ｃ_１ｎ｝はｎ個の概念ｃ_１１からｃ_１ｎからなる概念であるとする。同様に、ｃ_２＝｛ｃ_２１，ｃ_２２，…，ｃ_２ｍ｝はｍ個の概念ｃ_２１からｃ_２ｍからなる概念であるとする。各ｃ_１ｉに関して概念ｃ_２ｊに対して関係ｒ（ｃ_１ｉ，ｃ_２ｊ）が存在するとき且つそのときに限り、新たな階層関係ｒ（ｃ_１，ｃ_２）を作成する。

【0128】

なお、例示のルール（例えば、ルール１及びルール２）の各々の“〜であるとき且つそのときに限り（ｉｆ−ａｎｄ−ｏｎｌｙ−ｉｆ）”の部分は、そのルールの双方向の解析／合成の性質を反映している。例えば、解析は“であるとき（ｉｆ）”部分を執行する（その条件を満たすようにＡＫＲＭ内に明示的な階層関係が提示されることを強いる）ことになる。一方、合成は“そのときに限り（ｏｎｌｙ−ｉｆ）”部分を発見する（その条件が適用される場合に階層関係を発見する）ことになる。

【0129】

入力タクソノミ２００を解析してそれをより要素的なデータ構造３００に分解するためのこれら例示ルールの適用の一例は、図２Ａ及び２Ｂに与えられている。この例において、複合概念２３０、２５０及び２７０が分解され、ルール１の適用を介して、より要素的な新たな概念２３５、２４０、２５５、２６０、２７５及び２８０が生成され、ルール２の適用を介して、それらの関係が生成されている。また、（例えば）外部コーパスを証拠として用いて、ルール１の適用を介して、新たな複合概念：｛家庭，ライオン｝、｛山岳，犬｝、｛山岳，猫｝、｛家庭，ヤギ｝、｛家庭，ペット｝、｛家庭，猫｝が合成されてもよい。合成におけるルール２の適用は、新たな概念関係を生成し得る。例えば、“動物”と“犬”との間に階層関係が存在し、且つ“動物”と“山岳”との間に階層関係が存在するので、“動物”と“山岳犬”との間に新たな階層関係が合成されてもよい。

【0130】

シノニムリングルール
以下の入力／出力及び知識処理ルールは、用語間若しくは概念間の意味の近接性によって、あるいは論理的な、真理値を保存する用語の内部代替性によって定義されるシノニムリングの機能を提供する。

【0131】

入力／出力：
概念Ｃのセット（場合により、“を有する（comprised of）”関係を有する）
シノニム（同義語）のリスト：Ｓｙｎｏｎｙｍ（ｃ_ｉ，ｃ_ｊ）
定義２（意味類似性）：ｃ_１＝｛ｃ_１１，ｃ_１２，…，ｃ_１ｎ｝はｎ個の概念ｃ_１１からｃ_１ｎからなる概念であるとする。同様に、ｃ_２＝｛ｃ_２１，ｃ_２２，…，ｃ_２ｍ｝はｍ個の概念ｃ_２１からｃ_２ｍからなる概念であるとする。類似性関数ＳであるＳ（ｃ_１，ｃ_２）は２つの概念間の意味類似性を記述する。関数の一例は：

【0132】

【数1】

である。

【0133】

定義３（概念の交わり）：ｃ_１＝｛ｃ_１１，ｃ_１２，…，ｃ_１ｎ｝はｎ個の概念ｃ_１１からｃ_１ｎからなる概念であるとする。同様に、ｃ_２＝｛ｃ_２１，ｃ_２２，…，ｃ_２ｍ｝はｍ個の概念ｃ_２１からｃ_２ｍからなる概念であるとする。

【0134】

【数2】

ルール３（シノニム概念合成）：ｃ_１＝｛ｃ_１１，ｃ_１２，…，ｃ_１ｎ｝及びｃ_２＝｛ｃ_２１，ｃ_２２，…，ｃ_２ｍ｝は定義２に従った２つのシノニム概念であるとする。Ｔ_{ｓｙｎｏｎｙｍ}は“ｓｙｎｏｎｙｍ”：

【0135】

【数3】

の宣言を保証する意味類似性の閾値であるとして、Ｓ（ｃ_１，ｃ_２）＞Ｔ_{ｓｙｎｏｎｙｍ}であるとき且つそのときに限り、概念ｃ_３＝ｃ_１∩ｃ_２と階層関係ｒ（ｃ_１，ｃ_３）及びｒ（ｃ_２，ｃ_３）とが存在する。

【0136】

シノニムリングの一例は以下の通りである：
ペット：家庭動物：家庭用獣類：猫
ルール３に従った解析は、４つ全ての概念が“飼い動物”の子である階層関係を取得し得る。ルール１に従った解析は：
家、家庭、家庭用、動物、獣類、哺乳類
という新たな概念を取得し得る。

【0137】

ルール２に従った解析は、“家庭”及び“家庭用”が“家”の子であり、且つ“ペット”、“哺乳類”、“獣類”及び“猫”が“動物”の子である階層を見出し得る。これらの階層関係は、より単純な概念が抽出された複合概念同士の間の関係に基づいて作成され得る。従って、ルール３の適用を介して：
猫：ペット：哺乳類：獣類
家庭：家庭用
という新たなシノニムリングが合成され得る。

【0138】

シソーラスルール
以下の入力／出力及び知識処理ルールは、上述のＫＲの機能と連合関係（関連語）とを含むシソーラスの機能を提供する。

【0139】

入力／出力：
概念Ｃのセット（場合により、“comprised of”関係を有する）
連合関係のリスト：例えば、Ｓｙｎｏｎｙｍ（ｃ_ｉ，ｃ_ｊ）、ＲｅｌａｔｅｄＴｅｒｍ（ｃ_ｉ，ｃ_ｊ）
階層関係（非巡回）のセット
Ｒ＝｛ｒ（ｃ_ｉ，ｃ_ｊ）：ｃ_ｉ，ｃ_ｊ∈Ｃ ａｎｄ ｃ_ｉ ＮＴ ｃ_ｊ｝
ルール１（コヒーレント概念合成）がシソーラスに適用される。

【0140】

ルール２（階層関係合成）がシソーラスに適用される。

【0141】

ルール４（連合関係合成）：ｃ_１＝｛ｃ_１１，ｃ_１２，…，ｃ_１ｎ｝及びｃ_２＝｛ｃ_２１，ｃ_２２，…，ｃ_２ｍ｝は連合関係ＡＲに従った２つの関連概念であるとする。Ｔ_ＡＲはこれら２つの概念間の“ＡＲ”関係：

【0142】

【数4】

の宣言を保証する意味類似性の閾値であるとして、Ｓ（ｃ_１，ｃ_２）＞Ｔ_ＡＲであるとき且つそのときに限り、概念ｃ_３＝ｃ_１∩ｃ_２、ｃ_４＝｛ＡＲ｝と３つの階層関係ｒ（ｃ_１，ｃ_３）、ｒ（ｃ_２，ｃ_３）及びｒ（ｃ_４，ｃ_３）とが存在する。

【0143】

なお、Ｔ_ＡＲは、意味類似性が要求されず且つｃ_３を介した連合がその関係を捕捉するのに十分である場合にゼロに設定されてもよい。

【0144】

シソーラスの一例は、｛猫，食事｝は｛魚、餌｝に関連するという連合関係を含み得る。ルール１に従った解析は：
猫，食事，魚，餌
という新たな概念を取得し得る。

【0145】

提示される階層関係における適切なパターンを与えられると、ルール４の適用を介して、例えば、“猫”は“魚”に関連し、“食事”は“餌”に関連するという新たな連合関係が合成され得る。先と同様に、連合関係は、より単純な概念が抽出された複合概念同士の間の関係に基づいて作成され得る。

【0146】

ファセット分類ルール
以下の入力／出力及び知識処理ルールは、概念としてのファセット及びファセット属性と、クラス階層に編成される概念のカテゴリーとしてのファセットとを含むファセット分類の機能を提供する。また、以下の例は、相互に排他的なファセット階層（直立／モノ階層、単一継承として制約されるファセット属性）の機能、及び概念セットとして分類されるオブジェクト（又はノード）へのファセット属性の割り当ての機能を付与する。さらに、ファセットはファセット階層内のルートノードとしてトポロジー的に特定される。

【0147】

入力／出力：
ファセット階層（ルートファセットごとの値ノードの階層）
ファセット値に関するラベル付きの用語／概念
定義４（相互に排他的なファセット階層）：何れの概念も、各ファセット階層から１つ且つ唯一のノードラベル／値／属性を選ぶことによって分類されることができる。すなわち、何れのファセット階層内のノードを表す概念の意味も重なり合わない。

【0148】

ルール１、２及び４がファセット分類に適用される。

【0149】

ルール５（ファセット属性割り当て）：或るファセット階層内の各ノード／値／属性は或る概念ｃに対応する。Ｃ_ｉが何れかのファセット階層内の唯一の親ｃ_ｊの子として現れ、且つファセット階層内の任意の２つの概念ｃ_１、ｃ_２についてｃ_１∩ｃ_２＝｛｝であるとき且つそのときに限り、関係ｒ（ｃ_ｉ，ｃ_ｊ）が存在する。

【0150】

ルール６（ラベル付き概念割り当て）：ファセット分類内のラベル付きの用語の各々は、或る概念ｃ_ｉ＝｛ｃｉ_１，ｃ_ｉ２，…，ｃ_ｉｎ｝に対応する。ただし、ｃ_ｉｊは、ルール５に従ったラベル概念である。

【0151】

入力ファセット分類の一例は以下の通りである：
ファセット：家畜化
− 家畜化された
− 野生
ファセット：種
− 動物
− イヌ科
− 犬
− ネコ科
− 猫
− ライオン
− 霊長類
− チンパンジー
ファセット：生息環境
− 自然
− 山岳
− ジャングル
− 砂漠
− サバンナ
− 海洋
− 人造
− 都市
− 農場
ファセット：地域
− 世界
− アフリカ
− アジア
− ヨーロッパ
− アメリカ
− 北アメリカ
− アメリカ合衆国
− カナダ
− 南アメリカ
ファセット属性／ノード／値の割り当てを有するオブジェクト
“家庭犬”｛北アメリカ，家畜化された，犬｝
“マウンテンライオン”｛アメリカ，野生，猫，山岳｝
“シャム猫”｛世界，家畜化された，猫｝
“家庭犬”｛北アメリカ，家畜化された，犬｝
“ライオン”｛アフリカ，野生，ライオン，サバンナ｝。

【0152】

上述の例に示されるように、ルール２及び５に従った解析は、入力ファセット分類を、（例えば、ファセット解析又は統計クラスタリングの手法を用いて）より広い階層に分解するために使用され得る。

【0153】

ファセット：“ペット” ／＊合成ラベル＊／
−“一般ペット” ／＊クラスター｛家畜化された，動物｝から取得される＊／
−“珍ペット” ／＊クラスター｛野生，動物｝から取得される＊／。

【0154】

“犬”及び“猫”はともに“動物”である（ファセット階層“動物”から取得される）ので、“家畜化された，犬”、“家畜化された，猫”などのセット内で、明白なコヒーレントで、新たな概念である“家畜化された，動物”が見出され得る。

【0155】

同様に、ファセット属性／ノード／値の割り当てを有する新たなオブジェクトが、ルール１及び６に従って作成され得る。例えば、上述の概念合成のルールを用いて、例えば“ライオンペット”｛人造，ライオン，家畜化された｝などの新たな概念も合成され得る。これは現実には存在しないかもしれないが、入力ＫＲ内で証言される考え得る新たな知識として正当化され、後にデータとの（例えば）ユーザインタラクションを介して評価され得る。

【0156】

オントロジールール
ルール１、２、４、５及び６が適用されて、概念としてのファセット及びファセット属性と、クラス階層に編成される概念のカテゴリーとしてのファセットとを含むオントロジーの機能が提供される。

【0157】

複合関係の例、共生（Cohabitate；ＣＯＨ）：
野生猫←ＣＯＨ→ライオン
家庭犬←ＣＯＨ→家庭猫
を考える。

【0158】

ＣＯＨ関係を解析することにより、ＣＯＨ関係は、よりアトミックな関係及び概念へと分解され得る。アトミックな構図：
野生猫，ライオン，家庭犬，家庭猫，共生
は可能性あるものである。

【0159】

上述の知識作成のルールは、例えばｃ１ Ｒｅｌａｔｉｏｎ ｃ２といった、よりリッチな関係を表現するように、複合的に適用可能であり得る。ただし、Ｒｅｌａｔｉｏｎは一般的な連合関係である。連合関係（双方向）である複合関係の場合、その関係内で対にされている概念間の意味の交わり特性が利用され得る。階層的（単方向）である複合関係の場合、その関係内で対にされている概念間の意味の包摂特性が利用され得る。合成された複合関係に関して得られるラベルは、例えば“Ｃ１及びＣ２は共通にＣ３を有するので関連する”といった従来の提示に適合し得る。

【0160】

ルール１（コヒーレント概念合成）及びルール４（連合関係合成）を適用することによって、よりアトミックな概念：
野生，猫，犬，家庭，共生，野生共生，家庭共生，“野生共生”は共生である，“家庭共生”は共生である
がもたらされ得る。

【0161】

合成は、コヒーレントが見出される場合、概念及び関係：
“野生犬”は｛野生，犬，野生共生｝を有する
を構築し得る。

【0162】

故に、より高次な関係：
野生犬←ＣＯＨ→ライオン
野生犬←ＣＯＨ→野生猫
が推論され得る。

【0163】

ここで、“野生犬”、及び“ライオン”は“野生猫”であるなる関係はどちらも、新たに合成された構図である。

【0164】

フリーテキスト（自然言語）の例
以下は、例えば自然言語処理、エンティティ抽出及び統計クラスタリングなどの手法を用いて構造化セマンティック表現へと変換され得る自然言語テキストの一例である。変換後、そのデータを処理するために、上述の例示的なルールが適用され得る。

【0165】

他のネコ科動物から区別するために飼い猫又は家庭猫としても知られる猫（ヤマネコ）は、その交友性と害獣及び家庭害虫を狩猟するその能力とに関して人間に高く評価されている小型の肉食哺乳類である。猫は、少なくとも９５００年にわたって人間と付き合っており、現在、世界で最も人気のあるペットである。人間との親密な付き合いにより、居間や猫は地球上のほぼどこでも見受けられる。

【0166】

この自然言語テキストから、図９に示す構造化された知識表現が取得され得る。この知識表現は、次のように、例示の各知識表現種類の下で上述のルールを用いて処理され得る：
タクソノミ：Ｃ１ ｉｓ−ａ Ｃ５（階層）
シノニムリング：Ｃ１：Ｃ２：Ｃ３
シソーラス：Ｃ１はＣ４と付き合っている
オントロジー：Ｃ１はＣ６を狩猟し、Ｃ１はＣ７上で見受けられる。

【0167】

この例に合成を適用すると、更なる構造化データが取得され得る。例えば、ルール１（コヒーレント概念合成）を適用すると、更なる概念：
Ｃ８：家庭
Ｃ９：家
が取得され得る。

【0168】

そして、例えばルール３（シノニム概念合成）の適用により、新たな関係：
Ｃ８：：Ｃ９（“家庭”は“家”の同義語である）
が合成され得る。

【0169】

意味論的相互運用性の例
以下の例は、１つのＫＲでの入力が出力として異なるＫＲに変換される意味論的相互運用性を示すものである。以下に記載の例示の処理は、例えば、意味論的相互運用性の処理に関して上述した擬似コードの一般的なデータフローに従って実行され得る。

【0170】

入力（入力ＫＲはシソーラスであり、：：は“の同義語”を表し、｜−は、より狭いことを表す）
フィンチ：：スズメ：：アメリカゴガラ
鳥：：キツツキ：：フィンチ
キツツキ
｜− ズアカキツツキ
｜− セグロキツツキ
スズメ
｜− ゴールデンクラウンドスパロウ
色
｜− 赤
｜− 黒
｜− 金
生体構造
｜− 背部
｜− 頭部
｜− 頭頂部
上述の入力ＫＲから解析され得る要素的データ構造を図１０に例示する。図１０において、実線の矢印は“ｉｓ−ａ”関係を表し、破線の矢印は“ｃｏｍｐｒｉｓｅｄ−ｏｆ”関係を表す。

【0171】

出力（出力ＫＲは概念“ズアカキツツキ”のファセット階層である）
ファセット
ファセット１：鳥の種類
− キツツキ
− フィンチ
− アメリカゴガラ
− スズメ
ファセット２：彩色
− 赤
− 黒
− 金
ファセット３：命名生体構造
− 頭部
− とさか
− 背部
ラベル付け
“ズアカキツツキ”は｛鳥の種類：キツツキ，彩色：赤，命名生体構造：頭部｝である。

【0172】

なお、上述の例において、ＡＫＲＭ表現内のアトミックセマンティックは、各ＫＲにまたがる意味の交わり（意味論的相互運用性）を探索するために使用され得る。例えば、アトミック概念“とさか”及び“頭部”は、先に解体された概念である“スズメ”及び“キツツキ”にまたがる意味の接続を提供し得る。

【0173】

ＩＩＩ． 確率的解析処理
例えば要素的データ構造などの知識表現（ＫＲ）のユーザは、該ＫＲ内の概念及び／又は関係についての情報（例えば、該ＫＲ内の１つの概念の該ＫＲ内の他の１つの概念に対する関連性、又は当該ユーザが興味を示している概念に対する該ＫＲ内の概念の関連性）を突き止めることを望むことがある。例えば、或る個人が国際サッカーの歴史における得点王に関する情報に興味があることがある。その個人は、サッカーに関する情報を収容しているＫＲシステムに、例えば“これまでの得点王”などのクエリを投稿し得る。そのクエリに基づき、ＫＲシステムは、そのクエリに関連するＫＲにおけるアクティブ概念を特定あるいは生成し得る。そして、ＫＲシステムは、アクティブ概念に関連するＫＲ内の更なる概念を特定し得る。アクティブ概念に関連する概念の数は非常に大きくなり得るので、ＫＲシステムは、より関連する概念をあまり関連しない概念から区別し、或る一定数の、より関連する概念に関する情報をユーザに返そうと努め得る。

【0174】

一部の実施形態において、例えば図１８の例示的なＫＲシステム１８００などのＫＲシステムは、ＫＲをグラフ（又はネットワーク）としてモデル化し、そのグラフに関連付けられる様々なパラメータを用いて１つの概念の他の概念に対する関連性を評価し得る。一部の実施形態において、グラフのノードはＫＲの概念に対応し、グラフの辺（エッジ）は概念間の関係に対応し得る。一部の実施形態において、グラフは有向とし得る。とはいえ、一部の実施形態において、辺の一部又は全てが無向であってもよい。一部の実施形態において、システム１８００は、第１の概念の第２の概念に対する関連性を、第１の概念から第２の概念までの最短の経路長、平均経路長、又は経路の数として評価し得る。一部の実施形態において、システム１８００は、第１の概念の第２の概念に対する関連性を、最短経路長、平均経路長、及び／又は経路の数の関数として評価し得る。とはいえ、システム１８００の実施形態はこの点で限定されるものではない。システム１８００は、第１の概念の第２の概念に対する関連性を、如何なるフローアルゴリズム、ルーティング（経路選択）アルゴリズム、又はグラフ内の２つのノード間の関係を評価するのに好適な当該分野で知られるようなその他の適切なグラフアルゴリズムを用いて評価してもよい。しかしながら、一部のケースにおいて、上述の関連性評価技術はＫＲ内の概念及び関係に関する不確実さを考慮しないことがあるので、上述の技術は、アクティブ概念に一層関連する概念とアクティブ概念にあまり関連しない概念とを正確に区別できないことがある。一部のケースにおいて、従来のＫＲシステムは、例えば手動ＫＲ構築技術などの従来のＫＲ構築技術がそのような不確実性を特定あるいは定量化しないために、そのような不確実性を考慮することができない。例えば、従来技術は、第２の概念に対する第１の概念の関連例の強さを評価するのではなく、単に第１の概念が第２の概念に関連するか否かを決定するに過ぎないことがある。他の一例として、従来技術は、関係が存在する確率を見積もるのではなく、単に２つの概念が関連し合うかを決定するに過ぎないことがある。

【0175】

図１９Ａは、本発明の一部の実施形態に従った、複合的知識表現（ＫＲ）の解析及び合成に関与されるアトミック知識表現モデル（ＡＫＲＭ）を実現する一部の実施形態で使用され得る例示的なシステム１９００を示している。一部の実施形態において、統計エンジン１９０２が、要素的データ構造１９０６内の要素概念及び／又は要素概念関係に関する確率を推定し得る。一部の実施形態において、統計エンジン１９０２は、要素的データ構造１９０６を統計的なグラフとしてモデル化し、この統計的な図形的モデルのノード及び辺がそれぞれ要素的データ構造１９０６の要素概念及び要素概念関係に対応するようにしてもよい。一部の実施形態において、要素的データ構造１９０６の要素コンポーネントに関する確率は、統計的な図形モデルの、対応する図形コンポーネント（すなわち、ノード又は辺）に割り当てられ得る。一部の実施形態において、統計エンジン１９０２は、要素的データ構造１９０６の第１の要素概念の要素的データ構造１９０６の第２の要素概念に対する関連性を推定するために、且つ／或いは、データ消費者１９５、コンテキスト情報１８０又はアクティブ概念に対する要素的データ構造１９０６の要素概念の関連性を推定するために、この図形モデルに統計的推論技術を適用してもよい。一部の実施形態において、例示のシステム１９００は、これらの推定結果を用いて、データ消費者１９５、コンテキスト情報１８０又はアクティブ概念に一層関連する概念を、それらにあまり関連しない概念から区別し得る。

【0176】

一部の実施形態において、要素コンポーネントに関する確率は、その要素コンポーネントの関連性の見積もりを表し得る。一部の実施形態において、第１の要素概念と第２の要素概念との間の要素概念関係に関する確率は、第２の要素概念に対する第１の要素概念の関連性、及び／又は第１の要素概念に対する第２の要素概念の関連性、の見積もりを表し得る。一部の実施形態において、要素概念に関する確率は、データ消費者１９５、そのデータ消費者１９５に関連するコンテキスト情報１８０、及び／又はコンテキスト情報１８０から抽出されたアクティブ概念に対する該要素概念の関連性の見積もりを表し得る。一部の実施形態において、概念に関する確率は、該概念のラベルが参照データ１９０４内で出現する頻度を表し得る。一部の実施形態において、概念に関する確率は、データ消費者１９５によって割り当てられるか、あるいは参照データ１９０４に基づいて統計エンジン１９０２によって決定されるかし得る該概念の重要度を表し得る。

【0177】

一部の実施形態において、統計エンジン１９０２は、第１の要素概念と第２の要素概念との間の要素概念関係の関連性を、第１の要素概念に関連付けられるラベル、及び／又は第２の要素概念に関連付けられるラベルの、参照データ１９０４内での発生頻度を計算することによって推定し得る。一部の実施形態において、計算される頻度は、用語頻度、用語−文献頻度、又は逆文献頻度とし得る。例えば、統計エンジン１９０２は、第１の概念と第２の概念との間の関係に関する確率を、それぞれ第１及び第２の概念に関連付けられる第１及び第２のラベルを含んでいる参照データ１９０４内の文書の割合を計算することによって見積もり得る。用語頻度、用語−文書頻度、及び逆文献頻度を計算する方法については附録にて後述する。一部の実施形態において、概念に関連付けられる記号又はラベルの外部データ１９０４内での発生頻度を決定するために、検索エンジンが使用され得る。一部の実施形態において、概念の用語−文書頻度は、その概念のラベルに関する検索エンジンヒット数に一致し得る。それに加えて、あるいは代えて、統計エンジン１９０２の実施形態は、当該分野で知られた技術又はその他の好適技術を用いて要素概念関係の関連性を推定してもよい。

【0178】

一部の実施形態において、統計エンジン１９０２は、データ消費者１９５又はコンテキスト情報１８０に対する概念の関連性を、該概念に関連付けられるラベル及び／又はアクティブ概念に関連付けられるラベルの、参照データ１９０４内での発生頻度を計算することによって推定し得る。一部の実施形態において、アクティブ概念は、データ消費者１９５によって、コンテキスト情報１８０の部分として提供され得る。一部の実施形態において、アクティブ概念は、当該分野で知られた技術又はその他の好適技術を用いて、コンテキスト情報１８０から抽出されてもよい。例えば、アクティブ概念は、２０１１年１２月３０日に出願された米国特許出願第１３／１６２０６９号に開示されている技術を用いて抽出され得る。なお、この文献の全体をここに援用する。一部の実施形態において、アクティブ概念は、データ消費者１９５に関連付けられるデータ消費者モデルから抽出されてもよい。

【0179】

一部の実施形態において、統計エンジン１９０２は、概念がデータ消費者１９５に関係するか（例えば、推定関連度が１）無関係であるか（例えば、推定関連度が０）の何れであるかを推定し得る。一部の実施形態において、概念をデータ消費者１９５に関係する、あるいは無関係であるとして扱うことは、特定ユーザ向けのユーザ特定要素的データ構造の構築を容易化し得る。それは、例示のシステム１９００が、データ消費者が殆ど或いは全く関心のない概念を特定し、それらの概念をユーザ特定要素的データ構造から除去することが可能になることによる。

【0180】

例示のシステム１９００の一部の実施形態において、統計エンジン１９０２は、統計的推論技術を適用して、要素的データ構造１９０６に関連付けられる統計的な図形モデル内の２つ以上のノードの同時（ジョイント）確率分布を計算し得る。一部の実施形態において、統計的推論技術は、概念間の関係についての推測的仮定を考慮に入れてもよい。例えば、特定の概念が関係し合わないことが知られていたり、あるいは、一部の概念が強く関係し合うことが知られていたりすることがある。一部の実施形態において、例示のシステム１９００は、要素的データ構造１９０６内の概念間の関係についてのクエリに回答するために、あるいはコンテキスト情報１８０に関連する出力ＫＲ１９０を合成するために、統計的な図形モデルの２つ以上のノードの同時確率分布を使用し得る。一部の実施形態において、統計エンジン１９０２は、統計的な図形モデルに関する適切な周辺事後確率を計算することによって、２つの概念が関係し合う程度、意味論的にコヒーレントである程度、又は互いに関連する程度を見積もり得る。統計エンジン１９０２によって適用される統計的推論技術は、当該分野で知られた技術又はその他の好適技術とし得る。

【0181】

例示のシステム１９００の一部の実施形態において、参照データ１９０４は、例えば文書及び非構造化テキストなどの知識表現と、例えば画像及び音声などの非テキストデータ源とを含んでいてもよい。一部の実施形態において、参照データ１９０４内の文書は、フレーズ、文（センテンス）、複数の文、段落、及び／又は複数の段落を有し得る。参照データ１９０４は、１つ又は複数の、そのような知識表現のコーパスを含んでいてもよい。一部の実施形態において、参照データ１９０４は、解析ユニット１５０によって分解される入力ＫＲ１６０とは異なる。

【0182】

図１９Ａは、要素的データ構造１９０６に関連付けられるデータを格納するコンピュータ読み取り可能データ構造が、要素的データ構造１９０６に関連付けられる統計的な図形モデルに関するデータをも格納し得る例示的なシステム１９００を示している。例えば、要素的データ構造１９０６は、要素概念及び要素概念関係がそれぞれノードデータ構造及びエッジ（辺）データ構造として符号化されたグラフとして表現され得る。一部の実施形態において、要素的データ構造１９０６に関連付けられるノード及びエッジのデータ構造はまた、統計的な図形モデルとも関連付けられ得る。一部の実施形態において、要素的データ構造１９０６の要素コンポーネントに関する関連性も、ノード又はエッジのデータ構造に格納され得る。換言すれば、一部の実施形態において、統計的な図形モデルの符号化は、単純に、要素的データ構造１９０６又はその一部の符号化であってもよい。

【0183】

対照的に、図１９Ｂは、統計的な図形モデル１９０８の少なくとも一部が要素的データ構造１２０の符号化とは別に符号化される例示的なシステム１９００を示している。一部の実施形態において、要素的データ構造１２０は、概念及び関係がそれぞれノード及びエッジのデータ構造として符号化されたグラフとして表現され得る。とはいえ、一部の実施形態において、要素的データ構造１２０は、概念及び関係がテーブル（表）のエントリとして符号化されたテーブルとして表現されてもよい。例示のシステム１９００の実施形態はこの点で限定されるものではない。一部の実施形態において、要素的データ構造１２０の要素コンポーネントに関する関連性が、統計的な図形モデル１９０８に関連付けられる別個のデータ構造における確率として符号化されてもよい。

【0184】

一部の実施形態において、統計的図形モデル１９０８は、要素的データ構造１２０の概念及び関係に対応するノード及びエッジを有する。一部の実施形態において、統計的図形モデル１９０８は更に、要素的データ構造１２０の概念及び関係に対応しないノード及び／又はエッジを有していてもよい。従って、一部の実施形態において、統計的図形モデル１９０８は、グラフデータ構造として符号化され得る。グラフデータ構造は、統計的図形モデル１９０８のノード及びエッジに関するデータを有し得る。一部の実施形態において、符号化されたデータは、要素的データ構造１２０の概念及び関係に対応するデータを含み得る。一部の実施形態において、符号化されたデータは更に、その他の概念及び／又は関係に対応するデータを有し得る。一部の実施形態において、符号化されたデータは、統計的図形モデル１９０８のノード及びエッジに関連付けられる関連性の値に対応する確率を含んでいてもよい。

【0185】

一部の実施形態において、統計エンジン１９０２は、統計的図形モデル１９０８に関連付けられる確率に基づいて要素的データ構造１２０を変更し得る。例えば、統計的図形モデル１９０８が要素的データ構造１２０の２つの概念に対応する２つのノード間のエッジを含み、且つ該エッジに割り当てられた確率が第１の関係閾値を上回る場合、統計エンジン１９０２は、該エッジに対応する関係を要素的データ構造１２０に追加し、且つ該エッジの確率に対応する関連性を該関係に割り当ててもよい。同様に、統計的図形モデル１９０８が或るエッジを含み、且つ該エッジに割り当てられた確率が第２の関係閾値より低い場合、統計エンジン１９０２は、該エッジに対応する関係を要素的データ構造１２０から除去してもよい。

【0186】

一部の実施形態において、統計的図形モデル１９０８の或るノードに関連付けられる確率が第１の概念閾値を上回る場合、統計エンジン１９０２は、該ノードに対応する概念を要素的データ構造１２０に追加し、且つ該ノードの確率に対応する関連性を該概念に割り当ててもよい。同様に、統計的図形モデル１９０８が或るノードを含み、且つ該ノードに割り当てられた確率が第２の概念閾値より低い場合、統計エンジン１９０２は、該ノードに対応する概念を要素的データ構造１２０から除去してもよい。

【0187】

図１２は、従来のＫＲ構築技術に従って構築され且つグラフとして表現されたＫＲの一例を通じて、従来のＫＲの限界を例示している。図１２のグラフは、例えば“家”、“消防車”及び“警報”などの概念を表す一組の頂点と、例えば概念“消防車”と“トラック”との間の包摂関係などの、概念間の関係を表す一組の辺（エッジ）とを有している。図１２のグラフはＫＲ内の概念及び関係に関する不確実性を説明しないので、このグラフのユーザは、例えば概念“電話”又は概念“警報”が概念“家”に大きく関連しているかを決定することに困難を有し得る。

【0188】

図１４は、ＫＲに関連付けられる例示的な統計的図形モデルを示している。このモデルのノードは、図１２のグラフに示された概念に対応している。図示されたモデルは有向グラフであり、双方向のエッジが各端部に矢印を有する直線を用いて示されている。各ノード及び各エッジに確率が関連付けられている。概念“消防車”の概念“警報”に対する関連性を決定するため、統計エンジン１９０２は図１４の図形モデルに統計的推論技術を適用し得る。好適な統計的推論技術については附録にて説明する。

【0189】

一部の実施形態において、例示のシステム１９００の統計的図形モデルは、要素的データ構造に関連付けられるセマンティックネットワークを有し得る。セマンティックネットワークのノード及びエッジは要素的データ構造の概念及び関係に対応する。一部の実施形態において、統計エンジン１９０２は、セマンティックネットワークを用いて、要素的データ構造に関するセマンティックコヒーレンスを検査し得る。一部の実施形態において、要素的データ構造のセマンティックコヒーレンスを検査することは、要素的データ構造内の２つ以上の概念のセマンティックコヒーレンスを計算することを有し得る。一部の実施形態において、要素的データ構造内の２つ以上の概念のセマンティックコヒーレンスを計算することは、統計的図形モデルのノードに付随する確率を用いて、該２つ以上の概念に対応するノードに関する同時確率を計算することを有し得る。

【0190】

図３６は、要素的データ構造の構成要素に関する不確実性を説明するように要素的データ構造を変更する例示的な方法を示している。例示の方法のステップ３６０２にて、要素コンポーネントに関する関連性が推定され得る。ステップ３６０２において、要素コンポーネントに関する関連性を推定することは、該要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を評価することを有する。

【0191】

一部の実施形態において、ステップ３６０２で推定される関連性は、第１の要素概念の第２の要素概念に対する関連性とし得る。一部の実施形態において、第１及び第２の要素概念が要素的データ構造に含まれている場合、その関連性はこれら２つの概念間の関係に関連付けられ得る。一部の実施形態において、第１の要素概念は要素的データ構造に含まれているが、第２の要素概念は含まれていない場合、その関連性は第１の要素概念に関連付けられ得る。一部の実施形態において、関連性は、要素的データ構造の第１の要素概念の、データ消費者、コンテキスト情報、データ消費者モデル又はアクティブ概念に対する関連性であってもよい。

【0192】

一部の実施形態において、要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度は、用語頻度、用語−文献頻度、及び／又は逆文献頻度とし得る。一部の実施形態において、要素コンポーネントに関連付けられるラベルの発生頻度を評価することは、検索エンジンを用いて、そのラベルを含む文書を特定することを有し得る。

【0193】

例示の方法のステップ３６０４にて、計算された関連性を、該要素コンポーネントに関するデータ内に格納するように、要素的データ構造が変更され得る。とはいえ、一部の実施形態において、関連性に対応する確率は、要素的データ構造に対応する統計的図形モデルのノードに関するデータ内に格納されてもよい。

【0194】

図３７は、要素的データ構造の構成要素に関する確率を格納するように、要素的データ構造に関連付けられる図形モデルを変更する例示的な方法を示している。例示の方法のステップ３７０２にて、要素的データ構造に関連付けられる図形モデルが取得され得る。一部の実施形態において、図形モデルは、それぞれ要素的データ構造の概念及び関係に対応するノード及びエッジを用いて作成され得る。一部の実施形態において、ノードに関するデータは、対応する概念のセマンティックコヒーレンスに対応する確率を含み得る。一部の実施形態において、エッジに関するデータは、対応する関係のセマンティックコヒーレンスに対応する確率を含み得る。

【0195】

例示の方法のステップ３７０４にて、要素コンポーネントのセマンティックコヒーレンスが評価され得る。一部の実施形態において、この要素コンポーネントは要素的データ構造に含まれたものとし得る。とはいえ、一部の実施形態において、この要素コンポーネントは要素的データ構造の一部でなくてもよい。一部の実施形態において、要素コンポーネントのセマンティックコヒーレンスは、該要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を計算することによって評価され得る。一部の実施形態において、計算される頻度は、用語頻度、用語−文献頻度、及び／又は逆文献頻度とし得る。一部の実施形態において、２つ以上の要素コンポーネントに対応する図形コンポーネント（ノード及び／又はエッジ）の同時確率を計算することによって、２つ以上の要素コンポーネントのセマンティックコヒーレンスが評価されてもよい。

【0196】

例示の方法のステップ３７０６にて、該要素コンポーネントのセマンティックコヒーレンスに対応する確率を図形モデルの図形コンポーネントに割り当てることによって、図形モデルが変更され得る。一部の実施形態において、この図形コンポーネントは、要素的データ構造内の何れの要素コンポーネントにも対応しないものであってもよい。一部の実施形態において、そのような図形コンポーネントは、候補の概念又は関係のセマンティックコヒーレンスを決定するために使用され得る。候補概念のセマンティックコヒーレンスが第１セマンティックコヒーレンス閾値を上回る場合、該候補概念が要素的データ構造に追加されてもよい。候補関係のセマンティックコヒーレンスが第２セマンティックコヒーレンス閾値を上回る場合、該候補関係が要素的データ構造に追加されてもよい。同様に、或る要素的データ構造の或るコンポーネントに関するセマンティックコヒーレンスがセマンティックコヒーレンス閾値より低い場合、該コンポーネントが該要素的データ構造から除去されてもよい。

【0197】

上述の技術は、多様な手法のうちの何れで実装されてもよい。一部の実施形態において、上述の技術はソフトウェアにて実装され得る。例えば、少なくとも１つのプロセッサと少なくとも１つの有形メモリとを有するコンピュータ又はその他の装置が、上述の技術を実行するソフトウェア命令を格納・実行し得る。これに関連し、少なくとも１つのプロセッサによって実行されるときに上述の技術を実行させるコンピュータ実行可能命令が、少なくとも１つの持続的な有形コンピュータ読み取り可能媒体に格納され得る。

【0198】

ＩＶ． ユーザモデルの解析処理
図２０は、本発明の一部の実施形態に従った、複合的知識表現（ＫＲ）の解析及び合成に関与されるアトミック知識表現モデル（ＡＫＲＭ）を実現する一部の実施形態で使用され得る例示的なシステム２０００を示している。一部の実施形態において、例示のシステム２０００は、フィードバックエンジン２００２を介した複合的適応フィードバックループを実装し得る。一部の実施形態において、フィードバックループは、ＡＫＲＭデータセット１１０内の１つ以上の要素的データ構造の維持管理及び品質向上を支援し得る。一部の実施形態において、フィードバックループは、曖昧性除去（すなわち、ＡＫＲＭの曖昧性の検出及び解消）、クラウドソーシング（すなわち、母集団に関するデータを解析し、母集団の閾値部分に関する新たな概念及び／又は関係を含むようにＡＫＲＭを変更すること）、及び／又はテイラリング（すなわち、ユーザ特定データを解析し、異なるユーザに異なる要素的データ構造を維持管理すること）を支援し得る。

【0199】

例示のシステム２０００において、解析部１８０２がフィードバックエンジン２００２を含み得る。フィードバックエンジン２００２は、入力として、データ消費者モデル２００４を受信し得る。フィードバックエンジン２００２は、出力として、選択されたデータ消費者モデル２００４又はその一部を提供し得る。解析エンジン１５０が、入力として、フィードバックエンジン２００２によって提供される上記選択されたデータ消費者モデル２００４又はその一部を受信し得る。

【0200】

一部の実施形態において、データ消費者モデル２００４に関するデータは、図３のデータスキーマ３５０又はその他の好適データ構造を用いて符号化され得る。データ消費者モデル２００４に対応するデータ構造はコンピュータ読み取り可能媒体に格納され得る。

【0201】

一部の実施形態において、データ消費者モデル２００４（又は“ユーザモデル”２００４）は、１つ以上の情報源から取得されたデータを有し得る。例えば、ユーザモデル２００４は、合成エンジン１７０によって提供される１つ以上の出力ＫＲ１９０を有し得る。一部の実施形態において、ユーザモデル２００４は、出力ＫＲ１９０とのデータ消費者１９５のインタラクションから得られたデータを有し得る。出力ＫＲ１９０とのデータ消費者１９５の典型的なインタラクションは、合成エンジン１７０により提示される複数の出力ＫＲからの、データ消費者１９５による１つ以上の出力ＫＲ１９０の選択、ハイライト当て若しくは詳述、又は、１つの出力ＫＲ１９０の特定の観点若しくは部分のデータ消費者１９５による選択、ハイライト当て若しくは詳述を含み得る。とはいえ、ユーザモデル２００４は、出力ＫＲ１９０とのデータ消費者１９５の如何なるインタラクションから得られたデータを有していてもよい。例示のシステム２０００の実施形態はこの点で限定されるものではない。後述するように、出力ＫＲ１９０とのデータ消費者１９５のインタラクションから得られたデータの解析は、解析部１８０２の実施形態がＡＫＲＭの曖昧性を解消することを可能にし得る。

【0202】

一部の実施形態において、ユーザモデル２００４は、コンテキスト情報１８０、又はコンテキスト情報１８０に関連するデータを有し得る。上述のように、コンテキスト情報１８０は、テキストのクエリ若しくは要求、１つ以上の検索語、１つ以上のアクティブ概念の識別子などを含み得る。後述するように、コンテキスト情報１８０に関連するデータの解析は、解析部１８０２の実施形態がユーザ又はユーザグループに合わせて要素的データ構造を調整（テイラリング）することを可能にし得る。

【0203】

一部の実施形態において、１つのデータ消費者モデル２００４が１つのデータ消費者１９５に対応し得る。一部の実施形態において、或るデータ消費者１９５に対応するデータ消費者モデル２００４は、例示のシステム２０００との該データ消費者のセッションの継続時間にわたって存続し得る。データ消費者モデル２００４の一部の実施形態は、複数のセッションにまたがって存続してもよい。セッションは、データ消費者が例示のシステム２０００にログインあるいは接続するときに開始し、データ消費者が例示のシステム２０００からログアウトあるいは切断するときに終了し得る。とはいえ、セッションの範囲は、従来技術又は好適技術を用いて決定され得る。実施形態はこの点で限定されるものではない。

【0204】

一部の実施形態において、ユーザモデル２００４を解析部１８０２にフィードバックすることにより、例示のシステム２０００は、解析部１８０２をして、ユーザモデル２００４に含まれるデータに基づいて要素的データ構造１２０を変更させ得る。このような変更は、要素概念を要素的データ構造に追加すること、要素概念を除去すること、２つ以上の要素概念を単一の要素概念へと帰着させること、１つの要素概念を２つ以上の要素概念へと分割すること、２つの要素概念の間に要素概念関係を追加すること、及び／又は要素概念関係を除去することを含み得る。また、解析部１８０２がどのレベルまで要素的データ構造を分解するかは、ユーザモデル２００４に含まれる概念及び／又は関係に依存し得る。一部の実施形態において、解析部１８０２がそこまで要素的データ構造１２０を分解するレベルは、単語内レベル、又は、例えばフレーズやそれより大きい言語片などの単語間レベルとし得る。

【0205】

一態様において、解析部１８０２は、ユーザモデル２００４に含まれるデータに基づき、要素的データ構造１２０の曖昧性を解消し得る。一部の実施形態において、解析部１８０２は、コンテキスト情報１８０に含まれるデータに基づき、要素的データ構造１２０の曖昧性を解消し得る。例えば、ユーザモデル２００４は、データ消費者１９５が合成部１８５２に与えたクエリデータ又はアクティブ概念を含んだコンテキスト情報１８０を含み得る。ユーザモデル２００４は更に、そのクエリデータ又はアクティブ概念に応答して合成部１８５２がデータ消費者１９５に複数の出力ＫＲ１９０を提供したことを指し示すデータを含むことができる。ユーザモデル２００４は更に、データ消費者１９５が出力ＫＲ１９０のうちの１つを選択したことを指し示すデータを含むことができる。このデータに基づき、解析部１８０２は、コンテキスト情報１８０に関連する概念と選択された出力ＫＲ１９０に関連する概念との間の１つ以上の関係を解明し、該１つ以上の関係を要素的データ構造１２０に追加し得る。このような１つ以上の関係の追加は、要素的データ構造内の曖昧性を解消し、それにより、ユーザ供給コンテキスト情報１８０に応答して合成部１８５２によって合成される出力ＫＲの関連性を増大させ得る。

【0206】

第２の態様において、例示のシステム２０００は、フィードバックループを用いて、特定のデータ消費者又はデータ消費者グループ１９５に合わせて要素的データ構造を調整（テイラリング）し得る。一部の実施形態において、解析部１８０２は、ユーザ特定要素的データ構造を、対応するユーザモデル２００４に含まれるデータに基づいて変更することによって、テイラリングを実行し得る。一部の実施形態において、合成部１８５２は、コンテキスト情報１８０に関連付けられるデータ消費者１９５に特に関連する出力ＫＲを合成するために、ユーザ特定要素的データ構造を当てにし得る。

【0207】

例えば、第１のデータ消費者１９５に対応する第１のユーザモデル２００４は、野球に関連するデータを含み得る。第１のユーザモデル２００４に基づき、解析部１８０２は、第１のデータ消費者１９５に対応する第１のユーザ特定要素的データ構造１２０を、野球に関連する概念及び関係を含むように変更し得る。第１のデータ消費者１９５がコンテキスト情報１８０の一部として概念“バット（ｂａｔ）”を与えるとき、合成部１８５２は、（例えば）有翼コウモリ（ｗｉｎｇｅｄ−ｂａｔｓ）に関連する出力ＫＲではなく、野球バット（ｂａｓｅｂａｌｌ ｂａｔｓ）に関連する出力ＫＲを提供し得る。

【0208】

この例を続けるに、第２のデータ消費者１９５に対応する第２のユーザモデル２００４は、自然に関連するデータを含み得る。第２のユーザモデル２００４に基づき、解析部１８０２は、第２のデータ消費者１９５に対応する第２のユーザ特定要素的データ構造１２０を、自然に関連する概念及び関係を含むように変更し得る。第２のデータ消費者１９５がコンテキスト情報１８０の一部として概念“バット”を与えるとき、合成部１８５２は、（例えば）野球バットに関連する出力ＫＲではなく、有翼コウモリに関連する出力ＫＲを提供し得る。

【0209】

一部の実施形態において、ユーザ特定要素的データ構造は、特定のデータ消費者又はデータ消費者グループ１９５に対応する少なくとも１つのユーザモデル２００４を用いて構築される要素的データ構造とし得る。一部の実施形態において、ユーザ特定要素的データ構造は、他の要素的データ構造１２０とは独立に符号化され、あるいは、他の要素的データ構造１２０への１つ以上の変更として符号化され得る。

【0210】

第３の態様において、解析部１８０２は要素的データ構造１２０をクラウドソーシングし得る。クラウドソーシングは、情報を検証し、疑い、あるいは発見するために、母集団（クラウド）に関するデータを当てにすることによって情報を突き止めるプロセスを意味し得る。一部の実施形態において、解析部１８０２は、ユーザモデル２００４上で例えば数学処理又は統計処理などの処理を実行して、母集団における概念又は関係の流行を推定し得る。一部の実施形態において、母集団は全てのデータ消費者を有し得る。一部の実施形態において、母集団は、例えば共通の興味又は属性を有するデータ消費者の集団など、データ消費者のグループを有していてもよい。一部の実施形態において、複数のユーザモデル２００４のうち、母集団の統計サンプルを表すサブセットが、合成部１８５２からフィードバックされ得る。母集団の閾値部分に関連する概念又は関係を特定すると、解析部１８０２の実施形態は、該概念又は関係を含むように要素的データ構造１２０を変更し得る。一部の実施形態において、クラウドソーシングされた要素的データ構造は、クラウドに関連する概念及び関係の集合がクラウドの個々のメンバーとは関連しないものであるとしても、そのような概念及び関係の集合を含み得る。

【0211】

一部の実施形態において、解析部１８０２によって実行される処理は、複数のユーザモデル２００４のうち或る概念又は関係を含む部分（数又は割合）を計算することを有し得る。一部の実施形態において、フィードバックエンジン２００２によって実行される処理は、母集団メンバーのうち該概念又は関係に関連する部分（数又は割合）を推定することを有し得る。一部の実施形態において、計算あるいは推定された部分が閾値を上回る場合、フィードバックエンジン２００２は、該概念又は関係を含んだ知識表現を解析エンジン１５０に与え得る。この閾値は固定であってもよいし、設定可能であってもよい。

【0212】

例えば、複数のユーザモデルのうちの閾値部分が概念“バット”と概念“野球”との間の第１の関係の兆候を含む場合、フィードバックエンジン２００２は、概念“バット”と概念“野球”との間の関係を含んだ知識表現を解析エンジン１５０に与えることができ、解析エンジンは、知識処理ルール１３０を適用して、第１の関係を含むように要素的データ構造１２０を変更し得る。

【0213】

要素的データ構造が既に概念“野球”及び“バット”を含んでいるが、これらの概念間の関係を含んでいない場合、“バット”と“野球”との間の第１の関係を含むように要素的データ構造を変更することは、第１の関係を要素的データ構造に追加することを有し得る。図２６は、このような状況を例示している。図２６において、関係２６５０が要素的データ構造２６００に追加される。関係２６５０は、要素的データ構造２６００内に既に存在していた野球２６１２及びバット２６２４という２つ概念に関係するものである。

【0214】

要素的データ構造が概念“野球”を含んでいるが“バット”を含んでいない場合、“バット”と“野球”との間の第１の関係を含むように要素的データ構造を変更することは、概念“バット”と第１の関係とを要素的データ構造に追加することを有し得る。図２７は、このような状況を例示している。図２７において、概念“バット”２７２４及び関係２７５０が要素的データ構造２７００に追加される。関係２７５０は、新たな概念“バット”２７２４と既存の概念“野球”２６１２とに関係するものである。

【0215】

一部の実施形態において、クラウドソーシングされた知識表現への解析エンジン１５０による知識処理ルール１３０の適用は、第１の概念と第２の概念とを融合させる（すなわち、２つの概念を単一の概念へと帰着させる）ことをもたらし得る。第１及び第２の概念は、第１及び第２のラベルに関連付けられ得る。一部の実施形態において、第１及び第２のラベルは相等しいことがある。一部の実施形態において、（融合処理後の）単一の概念に関連する関係は、（融合処理前の）第１及び第２の概念に関連する関係の和集合を有し得る。例えば、要素的データ構造１２０は、概念“木製”に関係する第１の概念“バット”と、概念“スイング”に関係する第２の概念“バット”とを含み得る。これら第１及び第２の概念は、“木製”及び“スイング”の双方に関係する単一の概念“バット”に融合され得る。

【0216】

図２８Ａ及び２８Ｂは、第１の概念“バット”２８２２と第２の概念“バット”２８２４とを、融合された概念“バット”２９２４へと帰着させる一例を示している。図２８Ａにおいて、例示的な要素的データ構造２８００は、第１の概念“バット”２８２２と第２の概念“バット”２８２４とに関係する概念“野球”２６１２を含んでいる。第１の概念“バット”２８２２は概念“木製”２８３２にも関係し、第２の概念“バット”２８２４は概念“スイング”２８３４にも関係している。図２８Ｂは、２つの“バット”概念が融合概念“バット”２９２４へと帰着された後の例示的な要素的データ構造２８００を示している。図２８Ｂにおいて、融合概念“バット”２９２４は、概念“野球”２６１２、“木製”２８３２、及び“スイング”２８３４に関係している。

【0217】

このような概念帰着処理は、一部の手法によれば、例えばデータ消費者モデル２００４などの、フィードバックエンジン２００２によって提供されるデータに応答して行われ得る。図２８Ａ及び２８Ｂの例を続けるに、データ消費者モデル２００４は、３つの概念“バット”、“スイング”及び“木製”を含み得る。これらの概念は、例えばデータ消費者モデル２００４が概念“木製バット”及び“スイング”を含んでいる状況などにおいて、他の概念の構成要素であり得る。他の例では、これら３つの概念の各々は、データ消費者モデル２００４内で独立に共起し得る。データ消費者モデル２００４内でのこれら３つの概念の共起は、概念“バット”２８２２が、それが“スイング”２８３４に関係するよう、及び概念“バット”２８２４が、それが“木製”に関係するよう、１つのエンティティ“バット”２９２４として表現され得ることを示唆し得る。

【0218】

一部の態様によれば、フィードバックエンジン２００２は、別々のデータ消費者モデル２００４のうちの閾値数が、２つの概念が単一の概念として表現され得ることの兆候を提供するときに、このような概念帰着を開始し得る。更なる他の態様において、概念帰着は、ユーザ特定要素的データ構造内で行われてもよい。例えば、融合された概念は、２つの概念が単一の概念として表現され得ることの兆候を提供したデータ消費者１９５に関連付けられるユーザ特定要素的データ構造に格納され得る。

【0219】

図２４は、フィードバックに基づいて要素的データ構造を変更する例示的な方法を示している。例示の方法のステップ２４０２にて、１つ以上のデータ消費者モデル（ユーザモデル）が知識表現システムの出力から知識表現システムの入力にフィードバックされる。一部の実施形態において、該ユーザモデルは、この知識表現システムに関連する一人以上のデータ消費者１９５に対応し得る。一部の実施形態において、ユーザモデルをフィードバックすることは、知識表現システムの解析部１８０２にユーザモデルを送ることを有し得る。一部の実施形態において、解析部は解析エンジン１５０及び／又はフィードバックエンジン２００２を含み得る。一部の実施形態において、ユーザモデルをフィードバックすることは、ユーザモデルを直接的に解析エンジン１５０に送ることを有していてもよい。一部の実施形態において、ユーザモデルをフィードバックすることは、ユーザモデルをフィードバックエンジン２００２に送ること（すなわち、ユーザモデルをフィードバックエンジン２００２に該エンジン２００２への入力として供給すること）を有していてもよい。一部の実施形態において、フィードバックエンジン２００２は、ユーザモデルの少なくとも一部を解析エンジン１５０に送ってもよい（すなわち、ユーザモデルを解析エンジン１５０に該エンジン１５０への入力として供給してもよい）。一部の実施形態において、ユーザモデルの該一部は、１つのユーザモデルの一部を有していてもよい。

【0220】

例示の方法のステップ２４０４にて、知識表現システムによってフィードバックされたユーザモデル（又は、ユーザモデルの一部）に知識処理ルールが適用される。一部の実施形態において、適用されるルールは知識処理ルール１３０とし得る。一部の実施形態において、入力ＫＲ１６０に適用されるのと同じ知識処理ルールがユーザモデルに適用され得る。一部の実施形態において、入力ＫＲに適用されない知識処理ルールがユーザモデルに適用されてもよい。知識処理ルールをユーザモデルに適用することにより、解析部１８０２はユーザモデルを要素コンポーネントへと分解し得る。一部の実施形態において、要素コンポーネントは要素概念及び／又は要素概念関係を有し得る。

【0221】

例示の方法のステップ２４０６にて、解析エンジン１５０によって提供された要素コンポーネントの表現を含むように、要素的データ構造１２０が変更され得る。このような変更は、要素概念を要素的データ構造に追加すること、要素概念を除去すること、２つ以上の要素概念を単一の要素概念へと帰着させること、１つの要素概念を２つ以上の要素概念へと分割すること、２つの要素概念の間に要素概念関係を追加すること、及び／又は要素概念関係を除去することを含み得る。

【0222】

図２５は、要素的データ構造をクラウドソーシングする例示的な方法を示している。ステップ２４０２、２４０４及び２４０６については、上述のステップ２４０２、２４０４及び２４０６の実施形態の説明を参照し得る。例示の方法のステップ２５１２にて、解析部１８０２は、母集団のどれだけの部分が、ステップ２４０４で提供された要素コンポーネントに関連するかを評価し得る。一部の実施形態において、母集団は複数のデータ消費者１９５とすることができ、合成部１８５２からフィードバックされるユーザモデル２００４は、複数のデータ消費者に関するユーザモデル２００４の統計サンプルを有し得る。一部の実施形態において、母集団は、或る属性又は興味を共有するデータ消費者１９５のグループとすることができ、合成部１８５２からフィードバックされるユーザモデル２００４は、そのようなユーザ消費者１９５のグループに関するユーザモデル２００４の統計サンプルを有し得る。

【0223】

例示の方法のステップ２５１４にて、解析部１８０２は、評価した上記要素コンポーネントに関連する母集団の部分が、クラウドソーシング閾値を超えているかを決定し得る。一部の実施形態において、該部分は、複数のデータ消費者１９５のうちの割合として表され得る。一部の実施形態において、該部分は、データ消費者１９５の量として表されてもよい。

【0224】

図２５の例示の方法のステップ２４０６において、上記要素コンポーネントに関連する母集団の部分がクラウドソーシング閾値を超えているので、上記要素コンポーネントに関連するデータを含むように要素的データ構造１２０が変更される。例示の方法のステップ２５１６においては、上記要素コンポーネントに関連する母集団の部分がクラウドソーシング閾値を超えていないので、上記要素コンポーネントに関連するデータを含むように要素的データ構造１２０が変更されることは行われない。

【0225】

図２９は、要素的データ構造をテイラリングする例示的な方法を示している。例示の方法のステップ２９０２にて、知識表現システムの出力から知識表現システムの入力にデータ消費者モデルがフィードバックされる。一部の実施形態において、このデータ消費者モデルは一人のデータ消費者に関連する。例示の方法のステップ２９０４にて、知識処理ルールが適用されて、データ消費者モデルが要素コンポーネントへと分解される。

【0226】

例示の方法のステップ２９０６にて、該データ消費者に関連する要素的データ構造が選択される。一部の実施形態において、ＡＫＲＭデータセット１１０は複数の要素的データ構造を有し得る。一部の実施形態において、一部の要素的データ構造は全てのデータ消費者に関連し得る。一部の実施形態において、一部の要素的データ構造はデータ消費者のグループに関連し得る。一部の実施形態において、一部の要素的データ構造は個々のデータ消費者に関連し得る。要素的データ構造とデータ消費者との間の関連性は、当該分野で知られた技術又はその他の好適技術を用いて追跡され得る。同様に、或るデータ消費者に関連する要素的データ構造の選択は、当該分野で知られた技術又はその他の好適技術を用いて実行され得る。実施形態はこの点で限定されるものではない。

【0227】

例示の方法のステップ２９０８にて、選択された要素的データ構造が、ステップ２９０４で提供された要素コンポーネントに関連するデータを含むように変更され得る。

【0228】

Ｖ． 推論的解析処理
手動作成される知識表現（ＫＲ）において、一部の概念及び関係は省略されたり、少なく示されたりすることがある。例えば、生物学に関する手動作成ＫＲは、生物学は科学の一分野であっても、概念“生物学”と概念“科学”との間の関係を明示的に指し示さないことがある。このような関係が省かれ得るのは、例えば、ＫＲを手動作成する個人が、このような関係は自明であると見なすことがあるためである。特定の概念又は関係を省略したり過少表示したりする手動作成ＫＲの自動分解は、関連する省略又は過少表示を有するアトミック知識表現モデル（ＡＫＲＭ）を生み出し得る。

【0229】

自然言語コミュニケーションは、概念又は関係に関連するデータを暗示的に（言外で）伝えることがある。コミュニケーションの言外意味に関連する概念及び関係は、推論的解析技術によって検出可能になることがある。自然言語コミュニケーションに対して、要素概念及び要素概念関係を解明するために、推論的解析技術が適用され得る。一部の実施形態において、推論的解析技術によって解明される要素的な概念及び関係は、知識表現を分解する技術によって解明される要素的な概念及び関係を増補あるいは補完し得る。とはいえ、実施形態はこの点で限定されるものではない。

【0230】

図２１は、本発明の一部の実施形態に従った、複合的知識表現（ＫＲ）の解析及び合成に関与されるアトミック知識表現モデル（ＡＫＲＭ）を実現する一部の実施形態で使用され得る例示的なシステム２１００を示している。一部の実施形態において、例示のシステム２１００は、推論エンジン２１０２により、推論的解析技術を実装し得る。一部の実施形態において、推論エンジン２１０２は、１つ以上のプロセッサによって実行されるソフトウェアとして、ハードウェアとして、あるいはソフトウェアとハードウェアとの組み合わせとして実装され得る。一部の実施形態において、推論エンジン２１０２は、概念及び関係を解明するために、且つ／或いは概念及び関係に関する確率を推定するために、参照データ１９０４及び／又は要素的データ構造１２０に推論ルール（又は、“言外意味のルール”）を適用し得る。

【0231】

一部の実施形態において、参照データ１９０４は自然言語文書を有し得る。自然言語文書は、テキストベースの文書、音声（オーディオ）記録、又は視聴覚（オーディオビジュアル）記録を含み得る。一部の実施形態において、自然言語文書は、基準となる１つ以上のコーパス内で収集され得る。一部の実施形態において、自然言語文書は、文及び／又は段落に編成される単語を含み得る。一部の実施形態において、自然言語文書は１つ以上のコンピュータ読み取り可能媒体上のデータとして符号化され得る。

【0232】

一部の実施形態において、推論エンジン２１０２は、参照データ１９０４に言語学的推論ルールを適用することによって要素コンポーネントを特定し得る。一部の実施形態において、言語学的推論ルールは言語パターンと抽出ルールとを有し得る。一部の実施形態において、参照データ１９０４に言語学的推論ルールを適用することは、言語パターンに合致する言葉に関して参照データ１９０４を検索することと、そのような言葉の検出を受け、抽出ルールを適用して、検出された言葉から要素コンポーネントを抽出することとを有し得る。

【0233】

一部の実施形態において、言語パターンは、１つ以上の言語要素と該言語要素に関連する１つ以上の制約との記述を有し得る。言語要素は、単語、フレーズ、又はその他の言語学的単位とし得る。言語パターン内の要素は、完全あるいは部分的に制約され得る。例えば、要素の品詞などの要素の１つ以上の属性（例えば、要素の品詞など）は指定されるが、要素のその他の属性（例えば、要素のスペルなど）は指定されないことがある。他の一例として、言語パターンは、指定の順序で現れるように１つ以上の要素を制約したり、単に同じ文章内で現れるように１つ以上の要素を制約したりすることがある。言語パターンは、当該分野で知られた技術又はその他の好適技術を用いて表現され得る。当業者が認識するように、検索のパターン、テンプレート又は文字列を表現するためにＡＳＣＩＩ文字を使用する技術が、言語パターンを表現するために使用されてもよい。とはいえ、実施形態はこの点で限定されるものではない。

【0234】

単純な例示として、以下のテキストは言語パターンを表現し得る：シーケンス（要素１．名詞，要素２．単語（“ｉｓ ａ”），要素３．名詞）。この例示パターンは３つの要素を含んでいる。第１の要素である要素１は名詞であるように制約されている。第２の要素である要素２は“ｉｓ ａ”という単語を含むように制約されている。第３の要素である要素３は、名詞であるように制約されている。この例示パターンは、これらの要素が特定のシーケンス（順序）で検出されなければならないという制約を課している。故に、“生物学 ｉｓ ａ 科学）”という文の断片を含んだ参照データ１９０４の部分は、名詞“生物学”、単語“ｉｓ ａ”及び名詞“科学”を順に含んでいるので、この例示パターンに合致することになる。

【0235】

第２の例示として、以下のテキストは言語パターンを表現し得る：センテンス（要素１．名詞，要素２．名詞）。この例示パターンは２つの要素を含んでいる。第１の要素である要素１は名詞であるように制約されている。第２の要素である要素２も、名詞であるように制約されている。この例示パターンは更に、これらの要素が同じセンテンス（文）内で検出されなければならないという制約を課している。故に、名詞“生物学”及び“科学”を有する文を含んだ参照データ１９０４の部分は、この例示パターンに合致することになる。

【0236】

一部の実施形態において、抽出ルールは、言語パターンに合致する参照データの部分に基づいて要素コンポーネントを構築するための命令を有し得る。一部の実施形態において、抽出ルールは、要素概念、要素概念関係、又は要素概念と関係、を有する要素コンポーネントの構築を規定し得る。一部の実施形態において、抽出ルールは、例えば要素概念のラベル又は要素概念関係の種類などの、要素コンポーネントの属性を設定するための命令を有し得る。抽出ルールは、当該分野で知られた技術又はその他の好適技術を用いて表現され得る。

【0237】

例えば、上述の第１の例示的な言語パターン（シーケンス（要素１．名詞，要素２．単語（“ｉｓ ａ”），要素３．名詞））に抽出ルールが関連付けられ得る。関連付けられる抽出ルールは、この言語パターンに合致するテキストの検出時に要素概念関係が構築されるべきであることを指定し得る。この抽出ルールは、関係の種類が包摂であること、すなわち、要素３が要素１を包含することを指定し得る。

【0238】

一部の実施形態において、推論エンジン２１０２は、要素的データ構造１２０に要素推論ルールを適用することによって要素コンポーネントを特定し得る。要素推論ルールは、要素的データ構造１２０に関連するデータから要素コンポーネントを推論するためのルールを有し得る。

【0239】

一部の実施形態において、要素推論ルールは、２つの要素概念間の包摂関係を、それら２つの要素概念に関連する特性概念を比較することによって検出するためのルールを有し得る。一部の実施形態において、概念Ａ_１は概念Ａを定義するというように概念ＡとＡ_１とが定義関係を有する場合、概念Ａ_１は概念Ａの特性概念であるとし得る。一部の実施形態において、要素推論ルールは、概念Ａの各特性概念Ａ_ｉが概念Ｂの特性概念Ｂ_ｊでもあるか、あるいは概念Ｂの特性概念Ｂ_ｊを包摂するかする場合に、概念Ａは概念Ｂを包摂すると指定し得る。

【0240】

例えば、図３０は、概念Ａ（３００２）及び概念Ｂ（３０１０）を示している。図３０が示すように、概念Ａは２つの特性概念Ａ_１（３００４）及びＡ_２（３００６）を有し、概念Ｂは３つの特性概念Ｂ_１（３０１２）、Ｂ_２（３０１４）及びＢ_３（３０１６）を有する。上述の要素推論ルールによれば、（１）概念Ａ_１がＢ_１、Ｂ_２又はＢ_３のうちの１つを包摂し（あるいは、同じであり）、且つ（２）概念Ａ_２がＢ_１、Ｂ_２又はＢ_３のうちの１つを包摂する（あるいは、同じである）場合、概念Ａは概念Ｂを包摂する。

【0241】

図３１は、上述の要素推論ルールを更に例証している。図３１の例において、概念“フルーツ”３１０２は、３つの特性概念“植物”３１０４、“皮”３１０６及び“種”３１０８を有している。この例において、概念“リンゴ”３１１０は、４つの特性概念“木”３１１２、“皮”３１１４、“種”３１１６及び“丸い”３１１８を有している。上述の要素推論ルールによれば、概念“フルーツ”は概念“リンゴ”を包摂する（あるいは、等価的に、“リンゴ”は“フルーツ”である）。何故なら、“フルーツ”３１０２の特性概念のうちの２つ（“皮”３１０６及び“種”３１０８）は、“リンゴ”３１１０の特性概念（それぞれ、“皮”３１１４及び“種”３１１６）と同じであり、“フルーツ”３１０２の第３の特性概念（“植物”３１０４）は、“リンゴ”３１１０の特性概念である“木”３１１２を包摂するからである。とはいえ、一部の実施形態において、定義関係は、或る概念と、その概念の構成要素との間のみに存在してもよい。

【0242】

一部の実施形態において、推論エンジン２１０２は、要素的データ構造１２０に要素推論ルールを適用することによって、要素コンポーネントに関連する確率を推定し得る。一部の実施形態において、要素推論ルールは、２つの概念ＡとＢとの間の包摂関係の確率を、Ａ及びＢの特性概念（それぞれ、Ａ_ｉ及びＢ_ｊ）に関連する確率に基づいて推定するためのルールを有し得る。例えば、要素推論ルールは、要素概念ＡとＢとの間の包摂関係の確率を：
Ｐｒ（概念Ａが概念Ｂを包摂する）
＝Ｐｒ（オブジェクトがＡのインスタンスである｜それがＢのインスタンスである）

【0243】

【数5】

のように見積もり得る。ただし、ｍは概念Ａの特性概念Ａ_ｉの個数であり、Ｐｒは確率を表し、Ｂ_ｊ（ｉ）は、Ａ_ｉとＢの残りの特性概念とが独立であるようなＢの特性概念である。

【0244】

特性概念Ｂ_ｊ（ｉ）は、当該分野で知られる統計パラメータ推定技術又はその他の好適技術を用いて特定され得る。実施形態はこの点で限定されるものではない。一部の実施形態において、最大事後確率又は最小平均二乗誤差推定量が使用され得る。一部の実施形態において、適切な損失関数を最小化することによって得られる推定量が用いられてもよい。一部の実施形態において、特性概念Ｂ_ｊ（ｉ）は、最尤推定手法：

【0245】

【数6】

によって特定され得る。ただし、Ｂ_ｋは概念Ｂの特性概念であり、Ｐｒ（Ａ_ｉ｜Ｂ_ｋ）は、例えば上述の統計エンジン１９０２に関する統計的図形モデルなどの、要素的データ構造１２０内の要素概念及び関係に関連する確率のモデルに基づいて計算され得る。とはいえ、Ｐｒ（Ａ_ｉ｜Ｂ_ｋ）は、例えば最大事後誤差推定量、最小平均二乗誤差推定量、その他の統計パラメータ推定技術などの当該分野で知られる技術、又はその他の好適技術を用いて計算されてもよい。実施形態はこの点で限定されるものではない。

【0246】

一態様において、或る要素概念関係に関連する確率が閾値を上回る場合、その要素概念関係が要素的データ構造に追加され得る。この閾値は、ユーザの確実性に関する嗜好及び誤差に対する嫌悪に基づいて調整されてもよい。他の一態様において、推論エンジン２１０２によって計算された確率は、統計エンジン１９０２と共有されて、要素的データ構造の統計的図形モデルに統合されてもよい。

【0247】

一部の実施形態において、複数の言語学的推論ルール及び複数の要素推論ルールは個別に使用され得る。すなわち、一部の実施形態において、第１の言語学的推論ルール又は要素推論ルールによって特定された要素コンポーネントは、該第１のルールを適用することによって得られた推論を裏付けるために第２の言語学的推論ルール又は要素推論ルールを適用することなしで、要素的データ構造に追加され得る。

【0248】

一部の実施形態において、複数の言語学的推論ルール及び複数の要素推論ルールは連帯して使用され得る。すなわち、一部の実施形態において、第１の言語学的推論ルール又は要素推論ルールによって特定された要素コンポーネントは、該第１のルールを適用することによって得られた推論が第２の言語学的推論ルール又は要素推論ルールの適用によって裏付けられるまで要素的データ構造に追加されないとし得る。

【0249】

一部の実施形態において、推論的ルールは、トリガーイベントの発生に応答して、参照データ１９０４又は要素的データ構造１２０に適用され得る。一部の実施形態において、トリガーイベントは、要素的データ構造１２０の要素コンポーネントに関与する解析活動又は合成活動に関連する事象とし得る。一部の実施形態において、新たな要素概念又は新たな要素概念関係を要素的データ構造１２０に追加することがトリガーイベントであってもよい。それに加えて、あるいは代えて、要素コンポーネントをデータ構造１２０から除去することがトリガーイベントであってもよい。それに代えて、あるいは加えて、出力ＫＲ１９０の合成中にデータ構造１２０の要素コンポーネントを使用することがトリガーイベントであってもよい。

【0250】

例えば、解析エンジン１５０などの解析部１８０２が要素概念を要素的データ構造１２０に追加するとき、推論エンジン２１０２は要素推論ルールを要素的データ構造１２０に適用して、この新たな要素概念とその他の要素概念との間の関係を推論し得る。それに代えて、あるいは加えて、推論エンジン２１０２は、要素推論ルールを適用して、この新たな要素概念に関係する概念とその他の要素概念との間の関係を推論してもよい。それに代えて、あるいは加えて、推論エンジン２１０２は、言語学的推論ルールを参照データ１９０４に適用して、この新たな要素概念とその他の要素概念との間の関係を推論してもよい。それに代えて、あるいは加えて、推論エンジン２１０２は、言語学的推論ルールを参照データ１９０４に適用して、この新たな要素概念に関係する概念とその他の要素概念との間の関係を推論してもよい。

【0251】

一部の実施形態において、トリガーイベントは、要素的データ構造１２０の要素コンポーネントに関連するコンテキスト情報１８０を取得することに関連する事象とし得る。例えば、アクティブ概念を含んだコンテキスト情報１８０を合成エンジン１７０が受信するとき、推論エンジン２１０２は、推論ルールを適用して、該アクティブ概念に関係する要素概念を推論し得る。

【0252】

一部の実施形態において、言語学的推論ルールは、トリガーイベントに応答してではなく適用され得る。例えば、言語学的推論ルールは、要素的データ構造１２０を監督あるいはリファインするために、継続的あるいは周期的に適用され得る。

【0253】

図３２は、推論に基づいて要素的データ構造を変更する例示的な方法を示している。例示の方法のステップ３２０２にて、第１の解析ルールが適用されて、知識表現が要素コンポーネントへと分解される。例示の方法のステップ３２０４にて、第１の解析ルールを適用することによって得られた要素コンポーネントが要素的データ構造に追加される。

【0254】

例示の方法のステップ３２０６にて、要素的データ構造に関連する候補データが推論される。一部の実施形態において、候補データは、例えば要素概念及び／又は要素概念関係などの要素コンポーネントを有する。一部の実施形態において、候補データは、要素概念又は要素概念関係に関連する確率を有する。この確率は、要素的データ構造内に既に存在する要素コンポーネントに関連するものであってもよいし、該データ構造内に存在しない要素コンポーネントに関連するものであってもよい。

【0255】

ステップ３２０６において、候補データを推論するステップは、或る言語パターンに対応する言葉を参照データ内で検出することを有する。一部の実施形態において、言語パターンは、該言語パターンに関連するデータを格納するコンピュータ読み取り可能なデータ構造として符号化される。一部の実施形態において、言語パターンは、１つ以上の言語要素の記述を有する。一部の実施形態において、言語要素の記述は、単一の所定の単語又はフレーズがその指定を満足し得るように、その言語要素を完全に指定し得る。一部の実施形態において、言語要素の記述は、複数の単語又はフレーズがその指定を満足し得るように、その言語要素を部分的に指定し得る。一部の実施形態において、言語パターンは更に、上記言語要素に関連する１つ以上の制約を有する。一部の実施形態において、或る制約は、２つ以上の言語要素に全体的あるいは部分的な順序を課し得る。例えば、該制約は、言語要素のうちの２つ以上が順に現れることを要求し得る。一部の実施形態において、或る制約は、２つ以上の言語要素に近接性の制約を課し得る。例えば、該制約は、言語要素のうちの２つ以上が互いに指定の単語数内、同じ文内、又は同じ段落内で現れることを要求し得る。

【0256】

ステップ３２０６で、一部の実施形態において、所定の言語パターンに対応する言葉を検出することは、第１の単語又はフレーズと、それに続く包摂表現と、それに続く第２の単語又はフレーズとを検出することを有する。一部の実施形態において、第１の単語又はフレーズは第１の要素概念に関連する。一部の実施形態において、第１の単語又はフレーズは第１の要素概念のラベルである。一部の実施形態において、第２の単語又はフレーズは第２の要素概念に関連する。一部の実施形態において、第２の単語又はフレーズは第２の要素概念のラベルである。一部の実施形態において、この包摂表現は、包摂関係を表す単語又はフレーズを有する。一部の実施形態において、この包摂表現は“である（ｉｓ ａ）”、“である（ｉｓ ａｎ）”、“の一種である（ｉｓ ａ ｔｙｐｅ ｏｆ）”、“の一分野である（ｉｓ ａ ｆｉｅｌｄ ｏｆ）”、又はこれら列挙した表現の意味と同様若しくは同義の意味を有するその他の表現を有する。

【0257】

ステップ３２０６で、一部の実施形態において、所定の言語パターンに対応する言葉を検出することは、第１の単語又はフレーズと、それに続く定義表現と、それに続く第２の単語又はフレーズとを検出することを有する。一部の実施形態において、この定義表現は、定義関係を表す単語又はフレーズを有する。一部の実施形態において、この定義表現は“を有する（ｈａｓ ａ）”、“を有する（ｈａｓ ａｎ）”、“によって特徴付けられる（ｉｓ ｃｈａｒａｃｔｅｒｉｚｅｄ ｂｙ）”、“を含む（ｉｎｃｌｕｄｅｓ ａ）”、“を含む（ｉｎｃｌｕｄｅｓ ａｎ）”、又は同様若しくは同義の意味を有するその他の表現を有する。

【0258】

ステップ３２０６で、一部の実施形態において、候補データを推論するステップは更に、上記言語パターンに関連する抽出ルールを適用して、検出された言葉に関連するデータを取得することを有する。一部の実施形態において、候補データは、取得されたデータを有する。

【0259】

例示の方法のステップ３２０８にて、候補データと、要素的データ構造に関連するデータとを組み合わせるように、要素的データ構造が変更される。一部の実施形態において、要素的データ構造に候補データが追加される。一部の実施形態において、候補データに基づいて、要素的データ構造に要素コンポーネントが追加され、あるいは要素的データ構造から要素コンポーネントが除去される。一部の実施形態において、要素的データ構造の要素コンポーネントの属性として候補データが割り当てられる。

【0260】

一部の実施形態において、図３２の例示方法は更に、要素的データ構造に関連する第２の候補データを推論することを有する。図３３は、第２の候補データを推論する例示的な方法を示している。例示の方法のステップ３３０２にて、要素的データ構造内で第１の要素概念が特定される。一部の実施形態において、図３３の方法のステップ３３０２で特定される第１の要素概念は、図３２の方法のステップ３２０６で検出される第１の単語又はフレーズに関連する。例示の方法のステップ３３０４にて、要素的データ構造内で第２の要素概念が特定される。一部の実施形態において、図３３の方法のステップ３３０４で特定される第２の要素概念は、図３２の方法のステップ３２０６で検出される第２の単語又はフレーズに関連する。とはいえ、図３３のステップ３３０２及び３３０４で特定される第１及び第２の要素概念は如何なる要素概念であってもよい。一部の実施形態において、第１の要素概念は、１つ以上の第１の特性概念によって定義され得る。一部の実施形態において、第２の要素概念は、１つ以上の第２の特性概念によって定義され得る。

【0261】

例示の方法のステップ３３０６にて、第２の特性概念の各々が、第１の特性概念でもある、あるいは１つの第１の特性概念を包摂している、ことが決定される。一部の実施形態において、この決定は、第２の要素概念が第１の要素概念を包摂しているとの推論を生じさせる。

【0262】

図３４は、推論に基づいて要素的データ構造を変更する例示的な別の方法を示している。例示の方法のステップ３２０２及び３２０４については上述されている。例示の方法のステップ３４０６にて、要素概念関係に関連する候補確率が推論される。一部の実施形態において、該要素概念関係は、第１の要素概念と第２の要素概念との間の関係を表現し得る。一部の実施形態において、該要素概念関係は、例えば包摂型又は定義型などのタイプを有し得る。一部の実施形態において、候補確率は、指定されたタイプの関係が第１の要素概念と第２の要素概念との間に存在する確率の見積もりを有し得る。

【0263】

例示の方法のステップ３４０６において、候補確率を推論することは、要素的データ構造に要素推論ルールを適用することを有する。図３５は、要素的データ構造に要素推論ルールを適用する例示的な方法を示している。例示の方法のステップ３５０２にて、要素的データ構造内で第１の要素概念が特定される。一部の実施形態において、図３５の方法のステップ３５０２で特定される第１の要素概念は、図３４の方法のステップ３４０６での候補確率に関連する要素概念関係に関連する第１の要素概念である。例示の方法のステップ３５０４にて、要素的データ構造内で第２の要素概念が特定される。一部の実施形態において、図３５の方法のステップ３５０４で特定される第２の要素概念は、図３４の方法のステップ３４０６での候補確率に関連する要素概念関係に関連する第２の要素概念である。一部の実施形態において、第１及び第２の要素概念は、それぞれ、１つ以上の第１及び第２の特性概念によって定義され得る。

【0264】

例示の方法のステップ３５０６にて、第２の特性概念の各々が、第１の特性概念でもある、あるいは１つの第１の特性概念を包摂している、ことの確率を計算することによって、候補確率が見積もられ得る。

【0265】

推論に基づいてデータ構造を変更する更なる他の一手法において、参照データ又は要素的データ構造の少なくとも一方に１つ以上の推論的解析ルールを適用することによって、要素的データ構造に関連する候補データが推論され得る。推論される候補データは、要素コンポーネント、要素コンポーネントに関連する確率、又はこれらの双方を有し得る。上記１つ以上の推論的解析ルールは、言語学的推論ルール、要素推論ルール、又はこれらの双方を有し得る。また、この例示的な方法において、要素的データ構造は、候補データを要素的データ構造に組み込むことによって変更され得る。候補データを要素的データ構造に組み込むことは、候補データを要素的データ構造に追加すること、候補データに基づいて要素コンポーネントを要素的データ構造から除去すること、候補データを要素的データ構造に関連するデータと組み合わせること、等々を有し得る。

【0266】

ＶＩ． 嗜好表現
上述のように、例えば図１８のシステム１８００などの例示のシステムにおいて、合成エンジン１７０の実施形態は、要素的データ構造１２０に知識処理ルール１３０を適用することによって出力知識表現を合成し得る。また、上述のように、合成エンジン１７０の実施形態は、データ消費者１９５に関連するコンテキスト情報１８０を提供され得る。一部の実施形態において、コンテキスト情報１８０は、例えば、テキストのクエリ若しくは要求、１つ以上の検索語、１つ以上のアクティブ概念の識別子、特定の形態の出力ＫＲ１９０の要求などを含み得る。一部の実施形態において、コンテキスト情報１８０の受信は、明示的な要求の必要なく、コンテストを伴う出力ＫＲの要求として解釈され得る。

【0267】

一部の実施形態において、入力された要求及び／又はコンテキスト情報１８０に応答して、合成エンジン１７０は、ＡＫＲＭデータセット１１０内に符号化された１つ以上の適切な知識処理ルール１３０を要素的データ構造１２０に適用して、要素的データ構造１２０内に明示的に符号化されていない１つ以上の更なる概念及び／又は概念関係を合成し得る。一部の実施形態において、合成エンジン１７０は、受信した入力要求及び／又はコンテキスト情報１８０に従って、要素的データ構造１２０の適切な部分に適切な知識処理ルール１３０を適用し得る。例えば、コンテキスト情報１８０が、出力されるべき複合的ＫＲの具体的な種類を指定する場合、一部の実施形態において、その種類の複合的ＫＲを合成することに適用される知識処理ルール１３０のみが要素的データ構造１２０に適用され得る。一部の実施形態において、複合的ＫＲの具体的な種類が指定されていない場合、合成エンジン１７０は、例えばタクソノミなどのデフォルトの種類の複合的ＫＲ、又はランダムに選択した種類の複合的ＫＲを合成し得る。一部の実施形態において、コンテキスト情報１８０が関心ある１つ以上の特定のアクティブ概念を指定している場合、合成エンジン１７０は例えば、要素的データ構造１２０のうちそれらのアクティブ概念に関係する（すなわち、概念関係を介して接続されている）部分のみを選択し、それら選択した部分に知識処理ルール１３０を適用して出力ＫＲを合成し得る。一部の実施形態において、出力される複合的ＫＲの大きさ及び／又は複雑さについての所定の制限が、例えば、含まれる概念の数、要素的データ構造内でのアクティブ概念と選択された関連概念との間の階層的距離、得られる出力複合的ＫＲの符号化されたデータサイズ、処理要件、関連性などを条件にして、例えばシステム１８００の開発者によって設定され得る。

【0268】

一部の実施形態において、出力ＫＲは、受信された入力内で指し示される指定のＫＲ
種類に従って符号化され得る。一部の実施形態において、出力ＫＲはデータ消費者１９５に提供され得る。上述のように、データ消費者１９５は、例えば、出力ＫＲをソフトウェアユーザインタフェースにより閲覧且つ／或いは利用し得るソフトウェアアプリケーション又は人間ユーザとし得る。

【0269】

一部の実施形態において、データ消費者１９５は、合成処理を導くためにコンテキスト１８０を提供し得る。例えば、出力ＫＲ１９０の要求とともにコンテキスト情報１８０を入力することにより、データ消費者は、コンテキスト情報１８０に関連する出力ＫＲ１９０を生成するように例示のシステム１８００を導き得る。例えば、コンテキスト情報１８０は、データ消費者１９５にとって関心ある概念にマッピング可能な検索語を含み得る。一部の実施形態において、合成エンジン１７０は例えば、要素的データ構造１２０のうち、コンテキスト情報１８０に関連する概念に一層大きく関係する部分に、知識処理ルールを適用し得る。

【0270】

図３８は、本発明の一部の実施形態に従った、複合的知識表現（ＫＲ）の解析及び合成に関与されるアトミック知識表現モデル（ＡＫＲＭ）を実現する一部の実施形態で使用され得る例示的なシステム３８００を示している。一部の実施形態において、コンテキスト情報１８０は嗜好情報を有し得る。一部の実施形態において、嗜好情報は嗜好モデルを有し得る。一部の実施形態において、合成エンジン１７０は、ＫＲを合成してＫＲをデータ消費者に提示するとき、嗜好情報及び／又は嗜好モデルを当てにし得る。

【0271】

例示のシステム３８００の一部の実施形態は嗜好エンジン３８０２を含み得る。一部の実施形態において、合成部１８５２が嗜好エンジン３８０２を有し得る。一部の実施形態において、嗜好エンジン３８０２は、嗜好情報を含んだコンテキスト情報１８０を受信し得る。一部の実施形態において、該嗜好情報が嗜好モデルを有し得る。一部の実施形態において、嗜好エンジン３８０２が嗜好情報に基づいて嗜好モデルを作成してもよい。一部の実施形態において、嗜好エンジン３８０２は嗜好情報及び／又は嗜好モデルを合成エンジン１７０に提供し得る。一部の実施形態において、合成エンジン１７０は、嗜好エンジン３８０２によって提供された嗜好情報及び／又は嗜好モデルを頼りに、データ消費者１９５の嗜好に従った複合的ＫＲの合成を導き得る。一部の実施形態において、嗜好エンジン３８０２が、嗜好情報及び／又は嗜好モデルを頼りに、データ消費者１９５の嗜好に従った、複合的ＫＲ内の概念の提示及び出力ＫＲの提示を導き得る。

【0272】

一部の実施形態において、嗜好エンジン３８０２は、アクティブ概念又は要素的データ構造内の要素概念に、データ消費者１９５に対する該概念の関連性を表す重み又は確率を割り当て得る。嗜好エンジン３８０２は、概念に割り当てられる重みを、コンテキスト情報１８０、及び／又は嗜好情報、及び／又は嗜好モデルに基づいて計算し得る。

【0273】

嗜好エンジン３８０２の態様及び実施形態例は、２０１１年６月２０日に出願された米国仮出願第６１／４９８８９９号に記載されている。なお、この文献の全体をここに援用する。嗜好エンジン３８０２の一部の実施形態は、例えばアイテム群の中且つ／或いはそれらアイテム群の属性の中での、様々な種類のユーザ嗜好をデータ消費者１９５が指定することを可能にし得る。

【0274】

一部の実施形態において、嗜好エンジンは、データ消費者１９５の嗜好に従った複合的ＫＲの合成を支援するため、嗜好情報及び／又は嗜好モデルを合成エンジン１７０に提供し得る。一部の実施形態において、嗜好モデルは、重み付けられた概念を有し得る。一部の実施形態において、嗜好モデル内の重み付けられた概念は、要素的データ構造１２０内の概念に対応し得る。

【0275】

一部の実施形態において、嗜好モデルは合成プロセスに様々に影響を及ぼし得る。例えば、一部の実施形態において、合成エンジン１７０は、より重く重み付けられている嗜好モデル内の概念（“より好まれる”概念）に関連する概念をより多く合成し、嗜好モデルのあまり重く重み付けられていない概念（“あまり好まれない”概念）をより少なく合成し得る。合成エンジン１７０は、多様な手法で、概念に関連する合成の度合いを制御し得る。一部の実施形態において、合成エンジン１７０は、より好まれる概念に関して、より多くの知識処理ルールを適用してもよい。一部の実施形態において、合成エンジン１７０は、より好まれる概念に関して知識処理ルールを適用するときに、あまり厳しくない閾値を使用してもよい。例えば、合成エンジン１７０は、関連性ルール、コヒーレンスルール、連合関係ルール、又はシノニムルールを適用するときに、より低い、関連性閾値、コヒーレンス閾値、意味類似性閾値、又は同義閾値を使用し得る。

【0276】

また、一部の実施形態において、合成エンジン１７０は、より好まれる概念に関する合成を、あまり好まれない概念に関する合成よりも時間的に優先し得る。例えば、合成エンジン１７０は、あまり好まれない概念に関する概念を合成する前に、より好まれる概念に関する概念を合成し得る。合成エンジン１７０が最大でも或る一定の最大数の概念を生成するように構成される場合、このように合成に時間的な優先順位を付けることは、あまり好まれない概念に関する合成が、より好まれる概念に関する合成を犠牲にしてまで行わるようなことがないことを保証する。一部の実施形態において、合成エンジン１７０は、より好まれる概念に関する合成を最初に完了しても上記一定の最大数の概念が生成されない場合にのみ、あまり好まれない概念に関する合成を開始し得る。

【0277】

同様に、合成エンジン１７０は、より好まれる概念に関する合成処理に、より多くの処理資源及び／又は処理時間を充て、その一方で、あまり好まれない概念に関する合成処理に、より少ない処理資源及び／又は処理時間を充ててもよい。

【0278】

それに加えて、あるいは代えて、嗜好エンジン３８０２の一部の実施形態は、嗜好情報及び／又は嗜好モデルを当てにして、データ消費者１９５の嗜好に従った出力ＫＲの概念の提示を導き得る。一部の実施形態において、嗜好情報は、データ消費者１９５の嗜好に従ったアイテム又は概念のランキングを作成するために使用され得る一般的嗜好モデルを含んでいてもよい。嗜好エンジン３８０２は、そのようなランキング情報を用いて、出力ＫＲ１９０内の概念に順序付けを与え得る。

【0279】

換言すれば、一部の実施形態において、出力ＫＲ１９０はデータ消費者１９５に、例えばグラフなど、ランク順でない形式で提示され得る。他の実施形態において、出力ＫＲ１９０はデータ消費者１９５に、例えば嗜好情報に基づいてランキングが割り振られたリストなど、ランク順形式で提示され得る。

【0280】

上述の技術は、多様な手法のうちの何れで実装されてもよい。一部の実施形態において、上述の技術は、１つ以上のプロセッサ上で実行されるソフトウェアにて実装され得る。例えば、少なくとも１つのプロセッサと少なくとも１つの有形メモリとを有するコンピュータ又はその他の装置が、上述の処理を実行するソフトウェア命令を格納・実行し得る。これに関連し、少なくとも１つのプロセッサによって実行されるときに上述の処理を実行させるコンピュータ実行可能命令が、少なくとも１つの持続的な有形コンピュータ読み取り可能媒体に格納され得る。

【0281】

ＶＩＩ． 例示システム
図２２及び２３は、それぞれ、本発明の一部の実施形態に従った、複合的知識表現（ＫＲ）の解析及び合成に関与されるアトミック知識表現モデル（ＡＫＲＭ）を実現する一部の実施形態で使用され得る例示的なシステム２２００及び２３００を示している。例示システム２２００は、推論エンジン２１０２、統計エンジン１９０２、フィードバックエンジン２００２、及び嗜好エンジン３８０２を有している。

【0282】

図２２に示される様々なエンジンは、協働して、複合的ＫＲの解析及び／又は合成を実行する。例えば、ウェブページなどのドキュメント、又はデータ消費者１９５によって閲覧あるいは使用されるその他のデジタルコンテンツが、データ消費者モデル２００４に含められ得る。フィードバックエンジン２００２が、そのようなドキュメント又はその他のデジタルコンテンツを参照データ１９０４に追加し得る。推論エンジン２１０２が、そのようなドキュメント内の概念の間の包摂関係を検出し得る。統計エンジン１９０２が、そのようなドキュメントを用いて、概念同士の関連性を推定し得る。他の一例として、推論エンジン２１０２が、要素的データ構造１２０内の２つの概念間に或る関係が存在することを推論し得る。統計エンジン１９０２が、その関係に関する関連性を評価し得る。それに加えて、あるいは代えて、推論エンジン２１０２が、統計エンジン１９０２によって作成された統計的図形モデルに要素推論ルールを適用し得る。ここに開示される様々なエンジンによる協働的あるいは相補的な更なる機能も、当業者に明らかになるものであり、本開示の範囲内にある。

【0283】

図２３の例示システム２３００は更に、推論エンジン２１０２及び／又は統計エンジン１９０２が解析処理及び／又は合成処理に参画し得ることを例証している。

【0284】

図２２及び２３に示されるように、参照データ１９０４は、要素的データ構造１２０のコンポーネントに関する関連性の値を推定するため、及び／又は解析エンジン１５０によって検出されない概念及び関係を検出するために使用され得る。例えば、解析エンジン１５０による入力ＫＲ１６０への知識処理ルール１３０の適用は、２つの概念間に関係が存在しないこと、又は第１の概念の第２の概念に対する関連性が低いことを示唆することがある。その一方で、参照データ１９０４への統計的推論法及び推論的解析ルールの適用が、それら２つの概念間に関係が存在すること、又は第１の概念の第２の概念に対する関連性が高いことを示唆することがある。多重のデータソースの解析は、関係及び概念の一層正確な検出と、それらの関係及び概念に関する関連性の値の一層正確な計算とをもたらし得るという意味で、推論エンジン２１０２及び／又は統計エンジン１９０２から得られた結果は、解析エンジン１５０から得られた結果を補完し得る。一部の実施形態において、例示のシステムは、参照データ１９０４（又は入力ＫＲ１６０）の一部を評価して、該データ（又はＫＲ）の解析が要素的データ構造１２０の品質を高めそうか否かを決定し得る。

【0285】

ＶＩＩＩ． 附録：ＡＫＲＭの確率モデル
１． 動機
一部の実施形態において、ＡＫＲＭ（アトミック知識表現モデル）は、有向グラフＧ_０＝＜Ｖ_０，Ｅ_０＞によって表現される要素的データ構造を有し得る。ただし、Ｖ_０は、概念のセットを表す頂点セットである。Ｅ_０は、有向エッジ（辺）セットであり、Ｖ_０内の２つの概念（順序事項）間の関係（それらがＥ_０内の１つのエッジによって接続される場合）を表す。ＡＫＲＭ内に巡回（サイクル）が存在してもよい。一部の実施形態において、ＡＫＲＭはＤＡＧ（directed acyclic graph；有向非巡回グラフ）ではないとし得る。ＡＫＲＭ内のエッジには‘である（ｉｓ−ａ）’及び‘によって定義される（ｉｓ ｄｅｆｉｎｅｄ ｂｙ’という２つの取り得るタイプの関係が存在し得る。ＡＫＲＭ内の各頂点はアトミック概念とし得る。

【0286】

図１２は、単純なＡＫＲＭの一実施形態を示している。

【0287】

図１２においては、エッジタイプ‘ｉｓ−ａ’のみがマークされている。その他のエッジは、タイプ‘ｉｓ ｄｅｆｉｎｅｄ ｂｙ’を有する。‘消防車’は‘警報’にどれだけ関連する？という質問を考える。この質問がＡＫＲＭに対するクエリを生じさせ得る。このような質問に回答するため、ＡＫＲＭから得られる有向グラフ上で確率モデルの一般解を解き得る。一部の実施形態において、確率モデルは統計的な図形モデルとし得る。なお、このモデルは、ＡＫＲＭによって動機付けられ得るが、ＡＫＲＭとは独立であり得る。

【0288】

２． 確率モデル−ＰＡＫＲＭ
便宜上、ＡＫＲＭの確率モデルをＰＡＫＲＭで示す。このモデルを築き上げることは３つのステップを有し得る。第１は、ＡＫＲＭから双方向有向グラフを構築することである。第２は、グラフの各ノード及び各エッジに関係するイベントを定め、且つ関係するベース確率を見積もることである。第３は、ベース確率を用いて、任意の２つのノードに関する同時確率を計算することである。これらのステップについては、モデルを概説した後に紹介する。

【0289】

２．１． モデルの概説
専門用語やモデルを得るための技術を紹介する前に、概説のために、ＰＡＫＲＭのフレームワーク（骨組み）を図１５に示す。なお、このフレームワークの詳細な説明は以下のサブセクションにて行う。

【0290】

ＰＡＫＲＭは以下の特徴を有し得る。

【0291】

対象範囲：例えそれらの間にエッジが存在しない（すなわち、関係が存在しない）場合であっても、ＡＫＲＭ内の任意の２つの概念の関連性を測定する。

【0292】

一貫性：統計的な推論により、このモデルは、概念の関連性に関する一般的な質問に回答することができる（すなわち、全ての回答が同一モデルに由来し得る）。

【0293】

効率：各クエリ時間中にオリジナルの知識ベース（すなわち、コーパス）をチェックする必要がない。

【0294】

２つの概念の意味論的関係を測定することには、文献的に、既に幾つかの手法が存在している［６，４，１５，３］。概念の類似性指標を定義する上での試みにより、様々な仮定及び機構に基づく手法がもたらされる。そのような手法の選択はその場的である。

【0295】

ＰＡＫＲＭは図形モデルである。ベイジアン（Bayesien）ネットワーク［１，２］及びマルコフ（Markov）ネットワーク［１１］という２つのタイプの図形モデルが存在する。ベイジアンネットワークはＤＡＧ（有向非巡回グラフ）上に構築され、マルコフネットワークは無向グラフ上に構築される。ＡＫＲＭのグラフはＤＡＧ又は無向グラフの何れでもないことがあるので、これら２つの典型的な図形モデルの手法はＡＫＲＭには適さないものとなり得る。

【0296】

ＰＡＫＲＭは、ＡＫＲＭから得られる双方向有向グラフ上に構築され得る。このグラフは、概念グラフ（conceptual graph；ＣＧ）でもないものとなり得る。縮小ＣＧ（概念ノードセットを有するが関係ノードセットを有しない）と見なされ得るものの、ＣＧ上での概念類似性又はその他の取り組み［１３］はあまり関連がない。セマンティックネットワークも、概念類似性を測定するために構築され得る。セマンティックネットワークによる一部の取り組みは、ツリー状構造と何らかの情報理論とを当てにしている［１２］。通常、それらは確率的アプローチではない。

【0297】

確率モデルは、或る文献及びクエリに関連する条件付き確率によって複数の文献をランク付ける文献検索の場で使用されることがある［５，１７］。そのような確率モデルは、概念間のグローバル関係ではなくコーパスに頼るものであり得る。グローバル関係によって概念間の関連性を測定するＰＡＫＲＭを提案する。これは、文献検索の手法と密に関係するものではない。

【0298】

２．２． グラフの構築
一部の実施形態において、ＡＫＲＭに対するクエリに関して有向グラフＧ＝＜Ｖ，Ｅ＞上に確率モデルを築き上げる。グラフＧは以下のようにＡＫＲＭから取得され得る。頂点セットＶはＡＫＲＭからの全ての概念の組である。ＡＫＲＭ内の例えばＣ_１及びＣ_２といった２つの概念の間に関係（‘ｉｓ−ａ’又は“ｉｓ ｄｅｆｉｎｅｄ ｂｙ”を問わず）が存在する場合、一方がＣ_１で始まってＣ_２を指し、他方がＣ_２で始まってＣ_１を指す２つの有向エッジをエッジセットＥ内に有する。Ｅ内の各エッジｅに関し、ｅがＣ_１で始まってＣ_２を指す場合、Ｃ_１とＣ_２との間にＡＫＲＭから或る関係が存在する。エッジセットＥの以上の説明が暗示することには、Ｇ内のＥの例えばｅといった各有向エッジに関し、ｅがＣ_１で始まってＣ_２を指す場合、Ｅ内にＣ_２で始まってＣ_１を指すエッジが存在するとともに、Ｃ_１とＣ_２との間でＡＫＲＭ内に或る関係が存在する。図１６は、図１２の単純なＡＫＲＭから得られるグラフの一例を示している。なお、エッジのそれぞれの端部の２つの矢印は、２つの関連ノードの間の２つの有向エッジを表している。

【0299】

一部の実施形態において、ＰＡＫＲＭがグラフＧ上に築き上げられ、故に、ＡＫＲＭに対するクエリは、モデルに対する質問に転写され得る。この確率モデルは、グラフ上に構築されるので、該グラフに関連するイベントに関係し得る。１つのイベントに対し、それからの複数の結果が存在し、故に、そのイベントが起こった場合にどの結果を見ることになるかは不確実である。結果の不確実性は確率によって測られ得る。

【0300】

２．３． ベース確率の推定
ＡＫＲＭは例えばコーパスなどの何らかの知識ベースから構築され得るので、その知識ベースが置き換えられると、大きく異なるＡＫＲＭを有することになり得る。これは、ＡＫＲＭに関係する不確実性を意味する。真であるが未知のＫＲモデルが存在する場合、ＡＫＲＭは、そのモデルの１つの推定結果であり、そのコーパスである１つのサンプルによって推定されたものであり得る。図１３に示すように、或るコーパスから構築されるＡＫＲＭは、多数のコーパス全体を表現する真のＡＫＲＭの１つの推定結果となり得る。

【0301】

１つのコーパスから真のモデルを推定する推定関数はなく、また、複数のコーパスの分布は不明であり得るので、或る特定のコーパスから構築されるＡＫＲＭに関する不確実性に焦点を当てる。ＡＫＲＭからのグラフＧは頂点とエッジとによって画成される。ＡＫＲＭからの不確実性を捕捉するため、各ノードに１つのイベントを割り当て、各エッジに１つのイベントを割り当て得る。そのようなイベントの定め方は唯一ではない。ＡＫＲＭはユーザクエリに使用され得るので、ユーザに関してイベントを定め得る。これらのイベントに関する推定結果がモデルのピース（断片）を形成する。便宜上、コーパスに関する幾つかの定義を導入する。

【0302】

コーパスＲ＝｛Ｒ_１，Ｒ_２，・・・，Ｒ_ＮＲ｝は一組の文献／ＲＤＦとし得る。Ｃ_ｉは、Ｒ_ｉに含まれる全ての概念の集まりとし得る。一部の実施形態において、概念は単語又は単語シーケンスであり、故に、それらは文献内で連続して現れる。

【0303】

Ｃは全てのＣ_ｉからの概念の集まりであり、ＳＣは全てのＣ_ｉからの概念のセットであるとし得る。なお、Ｃは繰り返しとなる概念を有し得るが、ＳＣはそうではない。ＮＲはコーパス内の文献の総数とし得る。Ｃ内の概念の総数はＮ_Ｃとし得る。さらに、Ｃ_{ｔ１，ｔ２}＝｛Ｃ_ｉ｜ｔ_１∈ｃ_ｉｔ_２∈Ｃ_ｉ， ｉ＝１，２，・・・，Ｎ_Ｃ｝は、各々が概念ｔ_１及びｔ_２の双方を含むような全ての概念集まりのセットであり、Ｃ_ｔ１＝｛Ｃ_ｉ｜ｔ_１∈ｃ_ｉ， ｉ＝１，２，・・・，Ｎ_Ｃ｝は、各々が概念ｔ_１を含むような全ての概念集まりのセットであるとする。｜Ｃ_{ｔ１，ｔ２}｜をセットＣ_{ｔ１，ｔ２}のサイズ（要素数）とする。

【0304】

２．３．１． ノード
概念Ａを表すノードについて、一般ユーザがＡに関心を見出すかを検査するイベントを定め得る。Ａに関するこのイベントは、ユーザが関心を見出す、及びユーザが関心を見出さない、という２つの取り得る結果を有し得る。更なる情報がない場合、関連する確率（すなわち、ユーザがＡに関心を見出す確率）を理解するための何らかの既存手法を考えることになる。それらの手法は、‘頻度’によって評価されることが可能な別のイベントを頼りにする。ここでは、そのようなイベントを‘参照’イベントと呼ぶ。

【0305】

コーパスを‘一袋の単語’又は‘一袋の概念’と見なすと［８］、コーパスから１つの単語／概念をランダムに取り出すことは１つのイベントである。このイベントの結果は、そのコーパス内の何れかの単語／概念になり得る。或る特定のコーパス内でＡがＢより頻繁に現れる場合、特定の単語／概念Ａを得る可能性はＢより高いということは理に適っている。故に、或る特定のコーパス内の単語／概念の頻度は、上記イベントの結果が特定の単語／概念である確率の妥当な見積もりであり得る。実際には、そのような頻度は確率の最尤推定値（maximum likelihood estimate；ＭＬＥ）である［１４］。

【0306】

特定の情報がないと、或る特定のコーパスからＡを取り出す確率がより高い場合、ユーザは概念Ａにより多くの関心を見出すと考えられる。これが意味することには、ユーザがＡに関心を見出す確率を推定するための主要な因子として、Ａの‘頻度’を使用し得る。

【0307】

ユーザが概念ｔ_ｉに関心を見出す確率を表すものとして、Ｐｒ（user ＾indetifies ｔ_ｉ）を用いることにする。或るノードに関する‘参照’イベントのＭＬＥを使用すると：

【0308】

【数7】

という、Ｐｒ（user ＾indetifies ｔ_ｉ）の単純な推定値が得られる。右辺の分子は、‘Ｃ内で概念ｔｉが現れる回数’である。この推定値は、コーパス内での用語頻度（ｔｆ）を使用する［７，９］。代替的な推定値は逆文献頻度（ｉｄｆ）を含む［５，１６，１０］。先ず、該コーパスに対する概念ｔの関連性（relevance）を測定する関数を：

【0309】

【数8】

として定義する。ただし、

【0310】

【数9】

である。故に、

【0311】

【数10】

が得られる。

【0312】

２．３．２． ノードからのエッジの選択
１つの有向エッジは１つのスタートノードと１つのエンドノードとによって決定され得る。例えばＡとするスタートノードを知っているのみでは、Ａから始まる複数のエッジが存在する場合、Ｇ内の１つのエッジを一意に決定することができない。ユーザの関心の観点で、Ａがユーザが関心を見出す概念である場合、ユーザが別の概念にも関心を見出すかを調べるため、ユーザは、先ず、例えばＢとする概念を選択あるいは意図し、次いで、自身がＢにも関心を見出すかを決定し得る。この関連イベントは、‘ユーザがＡに関心を見出す場合にユーザは概念Ｂを意図する’とし得る。ユーザがＡに関心を見出した場合にユーザが意図する候補概念のセットは全て、Ａの子ノードであり得る。Ａの子ノードとは、Ａから始まる有向エッジが指すノードである。

【0313】

上述のように、ユーザが既に或る概念ｔ_ｉに関心を見出したとき、ユーザが意図する候補概念は全て、ｔ_ｉの子ノードであり得る。このときｔ_ｊがｔ_ｉの子ノードであるかの関連確率を、

【0314】

【数11】

によって表す。これらの子ノードを特定する更なる手段がない場合、各候補が意図されたものである可能性は相等しいと見なすことになる。全部でｍ個の子ノードｔ_ｊが存在する場合、

【0315】

【数12】

である。この推定値はユーザの意図についての他の情報がないことに基づく。この部分はｔ_ｉの子ノードの数に関してｔ_ｉの周りの密度を考慮する。例えば、ｔ_ｉが唯一の子ノードｔ_ｊを有する場合、

【0316】

【数13】

が得られる。ｔ_ｉが２つ以上の子ノードを有する場合には、ｔ_ｉからその子ノードへの、より多くの選択を有するので、

【0317】

【数14】

が得られる。

【0318】

２．３．３． エッジ
Ｇのノードにイベントを定めた手法と同様に、ユーザの関心に関して１つのエッジに１つのイベントを定め得る。

【0319】

ノードＡから始まってＢを指すエッジｅが存在する場合、対応するイベントは、ユーザが既にＡに関心を見出し且つＢを意図している場合に、ＡＫＲＭ内の関係を介して、ユーザがＢに関心を見出すかの検査とし得る。このイベントには、関心を見出すか否かの２つの結果が存在し得る。このイベントには依存性が含まれ、Ｂに関心を見出すことはＡに依存する。

【0320】

ノードに関連する確率を推定するために使用した方法に従って、概念を取り出すイベントを‘参照’イベントとして使用し得る。エッジに関して、‘参照’イベントは、コーパスから取り出され且つ概念Ａを有する複数の‘袋’の壺から、概念Ｂを有する概念の‘袋’を取り出すことであるとし得る。１つの‘袋’が１つの文献と見なされ得る。これが意味することには、エッジに関連する確率を推定するための主要な因子として文献頻度を使用し得る。

【0321】

ｔ_ｉ→ｔ_ｊを、ｔ_ｉとｔ_ｊとの間のＡＫＲＭ内の関係を介してユーザが概念ｔ_ｊに関心を見出すイベントとする。なお、２つの概念の間でＡＫＲＭ内に２つ以上の関係が存在することがある。イベントｔ_ｉ→ｔ_ｊは、ユーザが先ず概念ｔ_ｉに関心を見出した後にｔ_ｉからｔ_ｊへのＧ内の有向エッジを介してユーザが概念ｔ_ｊに関心を見出すことをｔ_ｉが暗示することを特定する。ユーザがｔ_ｉに関心を見出し且つｔ_ｊに関心を見出す確率：

【0322】

【数15】

に関心がある。上述の説明に従って、この確率は、文献頻度によって、

【0323】

【数16】

と見積もられ得る。ただし、｜Ｃ_{ｔｉ，ｔｊ}｜はｔ_ｉ及びｔ_ｊを含むコーパス内の文献の数を表し、｜Ｃ_ｔｉ｜も同様である。

【0324】

動機に戻るに、このモデルの目的は、例えば、概念‘消防車’は‘警報’にどれだけ関連する？などの、ＡＫＲＭに対するクエリに回答することとし得る。２つの概念の共起の確率を測ることは、このようなクエリに回答するための良好な手段であり得る。これは、ユーザが‘消防車’及び‘警報’に関心を見出す同時確率Ｐｒ（user identifies ‘消防車’ and ‘警報’）をもたらす。

【0325】

我々は既に、この同時確率を見積もるための２つのピースを有している。

【0326】

２．４． 同時確率の計算
ｔ_ｉ及びｔ_ｋはＧからの２つのノードであるとする。一部の実施形態において、Ｐｒ（user identifies ｔ_ｉ and ｔ_ｋ）を見積もるために、幾つかの仮定を行う。

【0327】

２．４．１． 幾つかの仮定
便宜上、ユーザがｔ_ｉからｔ_ｋへの全てのパス（経路）を介してｔ_ｋに関心を見出すイベントを、

【0328】

【数17】

を用いて表す。単純化のため、Ｐｒ（user identifies ｔ_ｉ and ｔ_ｋ）を、Ｐｒ（ｔ_ｉ∩ｔ_ｋ）を用いて表す。パスは、最後のエッジを除くエッジのエンドノードがその直後に続くエッジのスタートノードであるようにされた、有向エッジのリストを意味する。これはまた、ある順序を有した、ユーザが関心を見出す概念のシーケンスを意味する。故に、パスを形成するには、ユーザは先ず該シーケンスの最初の概念に関心を見出し、次いで、２番目の概念に、意図するだけでなく、関心をも見出す、等々しなければならない。

【0329】

パスに関する確率を機能させ且つ対応する計算を可能にするため、以下の５つの基本的な仮定を行う。

【0330】

１．２つのノード間のＧ内のパスは全て、互いに対するそれらの関連性に寄与するが、その他のパスは関連しない。これは、

【0331】

【数18】

を与える。

【0332】

２．

【0333】

【数19】

３．パスは互いに排他的である。

【0334】

４．１つのパス内のエッジは互いに独立である。

【0335】

５．パスに関する：

【0336】

【数20】

というＭａｒｋｏｖ的な仮定。

【0337】

２．４．２． 同時確率
確率不毛仮定１の総合ルールにより、

【0338】

【数21】

が得られる。

【0339】

（１）の右辺の第２項：

【0340】

【数22】

は、第１項を解いた場合に、然るべく解くことができる。単純化のため、確率の式から用語‘user’を省略する。仮定２により、

【0341】

【数23】

が得られる。

【0342】

式（２）において、Ｐｒ（identifies ｔ_ｉ）は、セクション２．３．１における手法によって見積もられ得る。式（２）内の条件付き確率：

【0343】

【数24】

は、ユーザがｔ_ｉに関心を見出した場合にユーザがどれだけｔ_ｋに関心があるかを説明し得る。この確率を見積もるため、仮定３により、

【0344】

【数25】

が得られる。ただし、ｔ_{ｉ１，ｊ１}はｔ_ｉの子ノードであり、ｍ_ｉは｜child(ｔ_ｉ)｜である。式（３）内のＰｒ（intends ｔ_{ｉ１，ｊ１}｜identifies ｔ_ｉ）は、セクション２．３．２で紹介した方法によって見積もられ得る。式（３）にこの確率を含めることは、

【0345】

【数26】

の見積もりが１より大きくならないことを保証し、仮定３を妥当なものにする。

【0346】

式（３）内の総和（Σ）の第１の部分については、仮定４により、

【0347】

【数27】

となる。

【0348】

Ｐｒ（ｔｉ→ｔ_{ｉ１，ｊ１}｜identifies ｔ_ｉ and intends ｔ_{ｉ１，ｊ１}）はｍ￥、セクション２．３．３で紹介した方法によって見積もられ得る。仮定５により、

【0349】

【数28】

となる。式（５）の右辺の確率は、式（３）の左辺と同様の形態を有しており、式（３）と同様にして見積もられ得る。これは、

【0350】

【数29】

を解くための再帰計算を与える。

【0351】

式（３）、（４）及び（５）を合わせると、

【0352】

【数30】

が得られる。式（６）をもう１ステップ展開すると、

【0353】

【数31】

が得られる。ただし、

【0354】

【数32】

である。なお、式（７）の第２の総和が実在するかは、

【0355】

【数33】

である制約Ａに依存し得る。

【0356】

最大ｐステップの更なる展開により、

【0357】

【数34】

という一般形態が与えられる。ただし、

【0358】

【数35】

は対応する総和に関する制約であり、故に、この総和及びそれに従属する後続の如何なる総和も、

【0359】

【数36】

である場合にのみ存在する。

【0360】

図１７は、概念ＡからＢへのパス（経路）を例示している。一部の実施形態において、これらのパスは、先ずＡの全ての子ノードに至り、その後、Ａの子ノードの各々（Ｃとする）に関して、Ｃの全ての子ノードに至り、等々と続く。各パスは、Ｂに至るか、あるいはそれ以上進まないか、の何れかによって終了し得る。

【0361】

確率モデルＰＡＫＲＭは、同時確率が定められた後に完成する。‘消防車（firetruck）’は‘警報（alarm）’にどれだけ関連する？という質問に対し、‘関連性’の意味に関する条件に従って複数の解を有し得る。関連性の程度が共起の程度によって測られる場合には、Ｐｒ（‘firetruck’∩‘alarm’）を使用し、関連性の程度が、ユーザが‘alarm’に関心を見出すことを条件として測られる場合には、Ｐｒ（‘firetruck’∩‘alarm’｜user identifies ‘alarm’）を使用し得る。関連性の程度が、ユーザが‘alarm’から‘firetruck’へのＧの全てのパスを解して‘firetruck’に関心を見出すことに依存する場合には、

【0362】

【数37】

を使用し、関連性の程度がパスに依存し且つユーザが‘alarm’に関心を見出す条件が与えられる場合には、

【0363】

【数38】

を使用し得る。

【0364】

２．５． 計算コストの低減
再帰アルゴリズムは式（８）を計算するのに適している。これはまた、高い計算コストを示す。コストを低減するため、

【0365】

【数39】

に、更なる制約、すなわち、

【0366】

【数40】

が追加され得る。

【0367】

このｔｈの値は、ＡＫＲＭ上での実験から学習され得る。ｐ及びｔｈの値を制御することで、式（８）の計算コストが調整され得る。双方向有向グラフＧには巡回が存在し得るので、巡回を自動的に断つために、ｐ及びｔｈに基づく可能な停止基準を用いられ得る（なお、ｐは各パスにおける最大ステップである）。巡回を取り扱う代替的な一手法は、可能なパスで探索しながら現在パス内のノードを記憶しておき、現在パスが巡回を有するときに探索を停止させるものである。

【0368】

２．６． 更なる用途
このモデルに可能な更なる用途に関心がある。

【0369】

２．６．１． 融合による新たなノード
一部の実施形態において、ｔ_ｉとｔ_ｊとを組み合わせることによって構築される新たなノードｔ_ｉｊが、Ｐｒ（ｔ_ｉ∩ｔ_ｊ）が閾値τに従って高い場合にＡＫＲＭに追加され得る。τの値は、ＡＫＲＭ上での実験から学習され得る。ｔ_ｉｊが追加される場合、によってＰｒ（ｔ_ｉｊ）を割り当て得る。ｔ_ｉｊをｔ_ｉ及びｔ_ｊそれぞれに接続するように、２つの有向エッジも追加され得る。明らかなように、Ｐｒ（ｔ_ｉｊ→ｔ_ｉ｜identifies ｔ_ｉｊ and intends ｔ_ｉ）＝Ｐｒ（ｔ_ｉｊ→ｔ_ｊ｜identifies ｔ_ｉｊ and intends ｔ_ｊ）＝１である（なお、確率により、Ｐｒ（ｔ_ｊ｜ｔ_ｉ∩ｔ_ｊ）＝Ｐｒ（ｔ_ｊ｜ｔ_ｉ∩ｔ_ｊ）＝１である）。しかしながら、Ｐｒ（ｔ_ｉ→ｔ_ｉｊ｜identifies ｔ_ｉ and intends ｔ_ｉｊ）及びＰｒ（ｔ_ｊ→ｔ_ｉｊ｜identifies ｔ_ｊ and intends ｔ_ｉｊ）を計算することは、幾らかの検討を要する。１つの選択肢は、Ｐｒ（ｔ_ｉ→ｔ_ｉｊ｜identifies ｔ_ｉ and intends ｔ_ｉｊ）として、ｔ_ｉに開始点を有するエッジに関する確率の平均を用いることである。確率Ｐｒ（ｔ_ｊ→ｔ_ｉｊ｜identifies ｔ_ｊ and intends ｔ_ｉｊ）はそれに従って見積もることができる。

【0370】

２．６．２． 近傍
この確率モデルにより、ＡＫＲＭのノードｔの近傍が、該近傍内の各ノードｔ’に対しＰｒ（ｔ’｜ｔ）＞ａを有するように見出され得る。さらに、そのような近傍をＮ_ａ（ｔ）によって表す。明らかなように、Ｎ_ａ（ｔ）＝｛ｔ’∈Ｖ｜Ｐｒ（ｔ’｜ｔ）＞ａ｝である。Ｎ_ａ（ｔ）は、条件付き確率の閾値の観点で該概念に密な関係を有する全ての概念のセットを表し得る。この近傍は、ユーザのクエリからのアクティブ概念に関連する概念を検索するときに有用であり得る。ｔの近傍を計算する代替的な一手法は、Ｐｒ（ｔ’｜ｔ）の代わりに、

【0371】

【数41】

を用いるものである。

【0372】

２．６．３． その他の用途
この確率モデルは、例えば、ユーザが或るアクティブ概念に関心の見出したときに、一組の概念のユーザの関心をランク付けするなど、ランキングを行う良い理由を与え得る。このモデルはまた、概念間の類似性を測る手法を提供し得る。これらの類似性は、概念のクラスタリング及び視覚化などを行うために使用され得る。

【0373】

３． アルゴリズム
一部の実施形態において、このモデルを築き上げるために、３つの確率セットが見積もられる。このモデルに基づき、或るノードの統計的な近傍を計算することができる。この近傍は、合成を行うときに有用となり得る。また、これらのアルゴリズムで使用される閾値の値を得る方法が提案される。

【0374】

３．１． ノード確率
ＡＫＲＭの全ての概念のセットをＶとする。コーパスからの一袋の単語をＣとする。ＣはＶの概念のみを含み、且つ或る概念がＣ内で現れる回数が、それがコーパス内で現れる回数であるようにされる。アルゴリズム１が、Ｖ内の各概念ｔについてＰｒ（user identifies ｔ）を計算する。少なくとも３つのオプションが利用可能である。

【0375】

アルゴリズム１：各概念の確立を見積もる
入力：コーパス、ＡＫＲＭから得られるグラフＧ＝＜Ｖ，Ｅ＞
出力：ノードの確率
（オプション１）
（１）Ｃ内で全ての概念が現れる回数の和をＮ_Ｃとする。
（２）Ｖ内の各概念ｔに対し、

【0376】

【数42】

とする。なお、右辺の分子には、“Ｃ内で概念ｔ_ｉが現れる回数”と記載されている。

【0377】

（オプション２）
（１）Ｃ内で全ての概念が現れる回数の和をＮ_Ｃとする。
（２）totRelev＝０と設定する。
（３）Ｖ内の各概念ｔに対し、
関連性Relevance（ｔ）＝
（Ｃ内でｔが現れる回数／Ｎｃ）（−log（ｔを有する文献の数／コーパス内の文献の総数）），
totRelev＝totRelev＋Relevance（ｔ）
とする。
（４）Ｖ内の各概念ｔに対し、

【0378】

【数43】

とする。

【0379】

（オプション３）
（１）totRelev＝０と設定する。
（３）Ｖ内の各概念ｔに対し、
関連性Relevance（ｔ）＝
（ｔを有する文献の数／コーパス内の文献の総数）（−log（ｔを有する文献の数／コーパス内の文献の総数）），
totRelev＝totRelev＋Relevance（ｔ）
とする。
（４）Ｖ内の各概念ｔに対し、

【0380】

【数44】

とする。

【0381】

アルゴリズム１のこれら３つのオプションの各々の計算複雑度は、Ｎ_Ｃの計算を除いて、Ｏ（Ｎ）である。第１のオプションは最尤推定である。第２のオプションはコーパス幅のｔｆ−ｉｄｆである。第３のオプションは、文献頻度のみを用いることによって第２のオプションを簡略化するものであり、必ずしもＮ_Ｃを知る必要がない。

【0382】

３．２． エッジ確率
各有向エッジに関する確率は、アルゴリズム２によって見積もられ得る。

【0383】

アルゴリズム２：
入力：コーパス、ＡＫＲＭから得られるグラフＧ＝＜Ｖ，Ｅ＞
出力：エッジの確率
（１）Ｇを以下によって双方向有向グラフに変形：
ａ．Ｅ内の全てのエッジｅに関し、ｅがノードＡをノードＢに接続すると仮定し、ＢをＡに接続するエッジが存在するかを検査、
ｂ．そのようなエッジが存在しない場合、ｅがＢをＡに接続するようにエッジｅをＥに追加、
ｃ．この双方向有向グラフをＧ_ｂと表示する、
（２）Ｇ_ｂ内の各エッジｅに対し、
ｅがノードｔ_ｉをノードｔ_ｊに接続すると仮定し、

【0384】

【数45】

を計算。なお、右辺には、“ｔ_ｉ及びｔ_ｊの双方を有する文献の数／ｔ_ｉを有する文献の数”と記載されている。計算複雑度は、Ｅ内のエッジの数に依存する。最悪の場合はＯ（Ｎ^２）であるが、ＡＫＲＭのエッジは非常に疎らであるので、これは滅多に起こらない。

【0385】

３．３． ２つのノードの同時確率
２つのノードｔ_ｉ及びｔ_ｋの同時確率は、

【0386】

【数46】

から計算され得る。これら２つの条件付き確率を計算するために、以下のアルゴリズムによって記述される再帰関数を使用し得る。

【0387】

アルゴリズム３：leadsto（Ｃ_１，Ｃ_２，Ｇ_ｂ，pathsofar，pathprob，th）
入力パラメータ：
ａ．Ｃ_１はパスのスタートノードであり、Ｃ_２はパスのエンドノードである
ｂ．双方向有向グラフＧ_ｂ（アルゴリズム２のステップ（１）参照）
ｃ．pathsofarは、これまでのパス内のノードを記録する
ｄ．pathprobは、これまでのパスに関する確率である
ｅ．thは、pathprobがそれより小さい場合に現在パスを切除する値である
出力：Ｃ_１がＣ_２につながる確率であり、この確率は、

【0388】

【数47】

と記述される。
（１）Ｃ_１の全ての子ノードを取得し、それらをChildren（Ｃ_１）と表す
（２）Childrennew（Ｃ_１）＝Children（Ｃ_１）−pathsofarとする
（３）m＝｜Children（Ｃ_１）｜、すなわち、Ｃ_１の子の数とする
（４）ｍｎ＝｜Childrennew（Ｃ_１）｜、すなわち、pathso far内にはないＣ_１の子の数とする
（５）val＝０とする
（６）mn＝０がTRUEである場合、valを戻して終了
（７）probchoose＝1/mとする
（８）Childrennew（Ｃ_１）内の各ノードＣ_１ｊに対し、
ａ．

【0389】

【数48】

とする（アルゴリズム２参照）
ｂ．Stepprob＝probchoose×probedgeとする
ｃ．Curpathprob＝pathprob×stepprobとする
ｄ．Curpathprob＞thである場合、
ｉ．Ｃ_１ｊ＝Ｃ_２がTRUEである場合、val＝val＋stepprob
ｉｉ．そうでない場合、curpathsofar＝pathsofar＋｛Ｃ_１ｊ｝、且つ
val＝val stepprob×leadsto（C_1j，C₂，G_b，curpathsofar，curpathprob，th）
（９）valを戻して終了。

【0390】

以上のアルゴリズムは縦型（深さ優先）探索に基づく。同時確率は、以下のアルゴリズムで記述される関数によって計算されてもよい。

【0391】

アルゴリズム４：joint（Ｃ_１，Ｃ_２，Ｇ_ｂ，th）
入力パラメータ：
ａ．Ｃ_１及びＣ_２は同時確率に関するノードの対である
ｂ．双方向有向グラフＧ_ｂ（アルゴリズム２のステップ（１）参照）
ｃ．thは、関連する確率がそれより小さい場合に現在パスを切除する値である
出力：Ｃ_１及びＣ_２の同時確率であり、この確率はＰｒ（Ｃ_１∩Ｃ_２）と記述される。
（１）pathsofar＝｛Ｃ_１｝とする
（２）pathprob＝１とする
（３）ｖ_１＝leadsto（Ｃ_１，Ｃ_２，Ｇ_ｂ，pathsofar，pathprob，th）を計算する
（４）pathsofar＝｛Ｃ_２｝とする
（５）ｖ_２＝leadsto（Ｃ_２，Ｃ_１，Ｇ_ｂ，pathsofar，pathprob，th）を計算する
（６）

【0392】

【数49】

とする（アルゴリズム１参照）
（７）

【0393】

【数50】

とする。

【0394】

３．４． 統計的近傍
一部の実施形態において、以下のアルゴリズムは、依存性（条件付き確率）の観点でアクティブ概念／ノードの近傍を築き上げる方法を規定する。

【0395】

アルゴリズム５：
入力：それに対して近傍を見出すアクティブ概念
出力：該アクティブ概念の近傍としての概念のセット
（１）Ｃ_１をアクティブ概念とする
（２）Ｇ_ｂを双方向有向グラフとする（アルゴリズム２のステップ（１）参照）
（３）ｔｈを近傍の閾値とする
（４）Ｓを、それらの間で探索すべき候補概念のセットとする
（５）Neighbour（Ｃ_１）をエンプティセットに設定する
（６）

【0396】

【数51】

を取得する（アルゴリズム１参照）
（７）Ｓ内の各概念Ｃ_２に対し、
ａ．

【0397】

【数52】

を取得（アルゴリズム４参照）
ｂ．

【0398】

【数53】

とする
ｃ．

【0399】

【数54】

である場合に、Ｃ_２をセットNeighbour（Ｃ_１）に追加
（８）セットNeighbour（Ｃ_１）をＣ_１の近傍として採用。

【0400】

代替的な一アルゴリズムは、Ｃ_１の近傍を計算するために、Ｐｒ（Ｃ_２｜Ｃ_１）の代わりに、

【0401】

【数55】

を使用し得る。これは、アルゴリズム３からの関数‘leadsto’によって見積もられ得る。

【0402】

３．５． 閾値の値
これらの閾値はアルゴリズム３、４及び５で使用される。それらには２つの種類が存在し得る。第１は、‘leads to’の確率を計算するときにパスを切除するための閾値である。第２は、アクティブ概念の近傍を決定するときに使用され得る。（恐らくは、合成を行うときにユーザのために一時的に）２つの概念を融合することによって新たなノードが追加されるかを決定するために使用される第３の閾値が存在してもよい。さらに、これらの閾値を設定する方法が提案される。

【0403】

３．５．１ パスを切除するための閾値
AKRMの双方向有向グラフ内のノードの子ノードの平均数をｍとし得る（この平均は、先ずノードのうちのサンプルを取り、それらの子ノードの数の平均を取ることによって計算され得る）。エッジに関する平均確率をｐ_０とし得る（この平均は、先ずエッジのうちのサンプルを取り、それらのエッジに関する確率の平均を取ることによって計算され得る）。なお、エッジに関する確率とは、アルゴリズム２によって計算される確率である。

【0404】

我々がパスを有することを望むエッジの平均数をγとする。グラフを探索するときのパスの平均長はγによって制限され得る。閾値を（ｐ_０／ｍ）^γとし得る。

【0405】

この閾値はまた、関数‘leadsto’の平均あるいは期待計算コストがＯ（ｍ^γ）であることを意味する。なお、この閾値は、全てのパスの長さを、γを超えないように制限するものではなく、全ての探索パスの平均長がγであるといったものである。或るパスの第１の部分が、より大きい確率に関係する場合、そのパスは、γより長くされることに関して、より大きいチャンスを有する。

【0406】

関数‘leadsto’に関するパスの探索は局所的（例えば、候補ノードの中、すなわち、ＡＫＲＭからのサブセット）であり得るので、その局所領域内の一対のノード間の非巡回パスの平均長は大きくない。この平均値をＬと仮定すると、この場合の期待計算コストはＯ（ｍ^{ｍｉｎ（γ，Ｌ）}）となる。

【0407】

３．５．２ 近傍の閾値
この閾値は以下のアルゴリズムによって設定されることができる。

【0408】

アルゴリズム６：
（１）アクティブ概念のサンプルＳＣをとる
（２）ＳＰをエンプティセットとする
（３）ＳＣ内の各概念ｃに対し、
ａ．Ｓをｃの候補概念のセットとする
ｂ．Ｓ内の各概念ｃ’に対し、
ｉ．

【0409】

【数56】

を計算する（アルゴリズム５のステップ７ｂ参照）
ｉｉ．これをＳＰに追加する
（４）ＳＰ内の要素の１−α変位値を閾値としてとる（０＜α＜１）。

【0410】

この閾値によって見出される近傍は、該近傍内の全ての概念が、対応するアクティブ概念が与えられたときの確率に関して全ての候補のうちの上からα＊１００パーセントの間にあることを意味する。

【0411】

以下は、Ｎ要素を有する有限のセットから変位量を推定する方法である。
（１）該セットを最低から最高まで順序付ける
（２）０≦ｋ≦１００として、インデックスｉ＝round（Ｎｋ／１００）を取る
（３）ｋ／１００変位量が、順序付けられたセットのｉ番目の要素であると推定される。

【0412】

３．５．３． ２つの概念を融合するときの閾値
近傍の閾値を設定するとき（アルゴリズム６参照）と同様の方策を使用することができる。その考えは以下の通りである。先ず、概念のうちのサンプルを取り、次いでサンプル内の各概念対の同時確率（アルゴリズム４参照）を計算する。閾値を設定するために、全ての同時確率のセットの変位量を用いることができる。

【0413】

４． ２つの単純な例
このモデルがどのように機能するかを理解するために、２つの単純な例を示す。第１の例は、図１２に示したものに相当するＡＫＲＭを架空のコーパスとともに使用する。第２の例のコーパスは、段落をドキュメントとして見なして１つの記事から生成される。対応するＡＫＲＭを構築するための関係は、その記事から手動で取得される。

【0414】

４．１． 例１
この例を築き上げるため、先ず、６個のドキュメントを含む単純なコーパスを構築する。各ドキュメントは‘一袋の概念’によって表される。なお、この例では、各概念は単語である。そして、図１２に示した８個のエッジを有する単純なＡＫＲＭに相当するものを使用する。

【0415】

以下が、単純なコーパスである。
１．‘house’，‘house’，‘water’，‘house’，‘phine’，‘alarm’，‘lights’
２．‘firehouse’，‘firetruck’，‘fire’，‘house’，‘phone’，‘alarm’，‘firetruck’，‘water’
３．‘truck’，‘water’，‘truck’，‘firetruck’
４．‘firetruck’，‘firehouse’，‘house’，‘water’，‘truck’
５．‘electro’，‘water’，‘house’，‘garage’，‘alarm’，‘lights’，‘phone’，‘truck’
６．‘vehicle’，‘truck’，‘phone’
我々のモデルを築き上げるため、先ず、上記単純なＡＫＲＭを双方向有向グラフへと変換し、次いで、上記単純なコーパスから全てのノードに関する確率及び全てのエッジの各向きに関する確率を計算する。図１４はその結果を示している。なお、各ノードの内部の値はそのノードに関する確率である。各エッジに２つの値が存在し、各値は、それに近い方の矢印の向きに関する確率を表している。

【0416】

‘firetruck（消防車）’の‘alarm（警報）’に対する関連性に関心がある場合、つまり、ユーザが既に‘firetruck（消防車）’に関心を見出したことを所与としてユーザが‘alarm（警報）’にどれくらい関心を見出すかに関心がある場合、先ず、

【0417】

【数57】

を見積もる。この単純な例において、‘消防車’から‘警報’まで２つのパスが存在している。第１のパスは‘消防車’→‘水’→‘家’→‘警報’である。我々のモデルによれば、このパスに関する確率は、１／４×１×１／２×０．８×１／４×０．７５である。第２のパスは‘消防車’→‘消防署’→‘家’→‘警報’である。これに関する確率は、１／４×０．６７×１／２×１×１／４×０．７５である。これらを足し合わせると、見積もられた確率は０．０３４である。同様に、

【0418】

【数58】

は０．１３７５であると見積もられる。さらに、条件付き確率：

【0419】

【数59】

が０．１４であると見積もられる。この条件付き確率は、ユーザが既に‘fire truck（消防車）’に関心を見出したことを所与として、ユーザが‘alarm（警報）’にどれくらい関心を見出すかを説明するものである。このＡＫＲＭ内には少ないノードしか存在しないので、このケースでは閾値（セクション３．５参照）は計算していない。

【0420】

４．２． 例２
消防車についてのＷｉｋｉｐｅｄｉａ記事から、１１個の段落を、この例でのコーパスを形成する１１個のドキュメントとして収集した。なお、その記事では元々は用語“fire engine”が論じられている。便宜上、“fire engine”は“fire truck”と違わないと見なし、コーパス内の全箇所で“fire engine”を“fire truck”で置換する。さらに、ＡＫＲＭを構築するために４０個の関係を生成する。図１８は、各ノード及びエッジの各向きについて計算された確率を有する双方向有向グラフを示している。

【0421】

この記事において、“warining”は音声及び映像の警報を指し示している。第１の例と同様に、このケースにおける“firetruck”と“warning”との関連性に興味がある。

【0422】

我々のモデルからの計算により、

【0423】

【数60】

及び

【0424】

【数61】

が得られる。上記コーパス及びＡＫＲＭから、“warning”を特定した後に“firetruck”を特定する可能性は、“firetruck”を特定した後に“warning”を特定する可能性より低いと思われる。これらの値の更なる意味を知るため、

【0425】

【数62】

を計算した。“traffic（トラフィック）”内で“firetruck”を特定する可能性が更に低いことは妥当であると思われる。

【0426】

以上の計算に基づき、同時確率：

【0427】

【数63】

と、条件付き確率：

【0428】

【数64】

とを得た。閾値（セクション３．５参照）を用いて、これらの値が有意であるかを検査する。計算により、ＡＫＲＭ内の全てのノード対からの同時確率の８８％及び９０％変位量は、それぞれ、０．００９及び０．０１２である。同様に、全てのノード対からの条件付き確率の８８％及び９０％変位量は、それぞれ、０．２０３及び０．３０１である。故に、“firetruck”及び“warning”に関して以上にて計算した同時確率及び条件付き確率は何れも、全ての可能な対のうちの上位１２％以内である。これは、比較的高い関連性の、ある程度の証拠を示すものである。

【0429】

参考文献
［１］I.Ben-Gal，“Bayesian networks，Encyclopedia of Statistics in Quality & Relialibility”，2007
［２］J.M.Bernardo，M.J.Bayarri，J.O.Berger，A.P.Dawid，D.Heckerman，A.F.M.Smith，M.West（eds，David M.Blei，Michael I.Jordan，Andrew Y.Ng.），“Hierarchical bayesian models for applications in information retrieval”， BAYESIAN STATISTICS 7，pp.25-43，2003
［３］D.Bollegala，Y.Matsuo，M.Ishizuka，“Measuring semantic similarity between words using web search engines”， Proceedings of 16th international conference on World Wide Web，pp.757-766，2007
［４］E.Gabrilovich，S.Markovitch，“Computing semantic relatedness using wikipedia-based explicit semantic analysis”，Proceedings of 20th International Joint Conference on Artificial Intelligence，pp.1606-1611，2007
［５］D.Hiemstra，“A probabilistic justification for using tf-idf term weighting in information retrieval”，International Journal on Digital Libraries，3(2):131-139，2000
［６］J.Jiang，D.Conrath，“Semantic similarity based on corpus statistics and lexical taxonomy. In Proceedings of International Conference Research on Computational Linguistics”，1997
［７］K.S.Jones，“A statistical interpretation of term specificity and its application in retrieval”，Journal of Documentation，60(5):493-502，2004
［８］D.Lewis，“Naive (bayes) at forty: The independence assumption in information retrieval”，Lecture Notes in Computer Science，1398:4-15，1998
［９］D.Metzler，W.Croft，“A markov random field model for term dependencies”，Proceedings of SIGIR 2005，pp.472-479， 2005
［１０］S.Robertson，“Understanding inverse document frequency: On theoretical arguments for idf”，Journal of Documentation，60(5):503-520，2004
［１１］H.Rue，L.Held，“Gaussian Markov Random Fields: Theory and Applications”，volume 104 of Monographs on Statistics and Applied Probability，Chapman Sz Hall，London，2005
［１２］N.Seco，T.Veale，J.Hayes，“An intrinsic information content metric for semantic similarity in wordnet”，Proceedings of 16th European Conference on Artificial Intelligence，pp.1089-1090，2004
［１３］W.Song，X.Du，M.Munro，“A conceptual graph approach to semantic similarity computation method for e-service discovery”，International Journal on Knowledge Engineering and Data Mining，1(1):50-68，2010
［１４］E.Terra，C.Clarke，“Frequency estimates for statistical word similarity measures”，Proceedings of 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology，pp.165-172，2003
［１５］H.Wang，F.Azuaje，O.Bodenreider，J.Dopazo，“Gene expression correlation and gene ontology-based similarity: An assessment of quantitative relationships”，Proceedings of IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology，pp.25-31，2004
［１６］H.C.Wu，W.P.Luk，K.F.Wong，K.L.Kwok，“Interpreting tf-idf term weights as making relevance decisions”，ACM Transations on Information Systems，26(3)，2008
［１７］C.Zhai，“Statistical language models for information retrieval − a critical review”，Foundations and Trends in Information Retrieval，2(3):137-213，2008
ＶＩＩＩ． 付記
以上の説明及び例から認識されるように、本発明の態様は、知識表現における非常に喫緊且つチャレンジングな適用領域（ブレインストーミング及び認知強化のためのツールを含む）のうちの一部に関係し、動的且つ緊急な知識を支援し、様々な複合的知識表現の共通の意味論的語彙への変換によって意味論的相互運用性を提供し得る。

【0430】

ここに記載の様々な発明態様は、複合的知識表現の解析及び合成にアトミック知識表現モデルを使用するための上述の動作のうちの何れかを行うようにプログラムされ得る１つ以上のプロセッサを各々が有する１つ以上のコンピュータ及び／又は装置とともに使用され得る。例えば、サーバ及びクライアントの双方のコンピューティングシステムが、上述のように１つ以上のコンピュータとして実現され得る。図１１は、本開示に係る様々な発明態様が実装され得る例示的なコンピュータ１１００を模式的に示している。コンピュータ１１００は、プロセッサ又は処理ユニット１１０１と、揮発性メモリ及び／又は不揮発性メモリを含み得るメモリ１１０２とを含んでいる。コンピュータ１１００はまた、システムメモリ１１０２に加えて、ストレージ１１０５（例えば、１つ以上のディスクドライブ）を含み得る。

【0431】

メモリ１１０２及び／又はストレージ１１０５は、ここに記載の機能のうちの何れかを実行するように処理ユニット１１０１をプログラムする１つ以上のコンピュータ実行可能命令を格納し得る。ストレージ１１０５はまた、必要に応じて、１つ以上の必要なデータセットを格納し得る。例えば、サーバシステム１００を実装するために使用されるコンピュータは、一部の実施形態において、ＡＫＲＭデータセット１１０をストレージ１１０５内に格納し得る。他の例では、このようなデータセットは、サーバシステム１００を実装するために使用されるコンピュータとは別に実装されてもよい。

【0432】

ここでのコンピュータへの言及は、プログラムされたプロセッサを有する如何なる装置をも含み得るものであり、例えば、ラックマウントコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、又は、プログラムされたプロセッサを含んだ、一般にはコンピュータと見なされないこともある数多くの装置（例えば、ＰＤＡ、ＭＰ３プレイヤ、携帯電話、無線式ヘッドフォンなど）の何れかを含む。

【0433】

例示のコンピュータ１１００は、例えば図１１に示された装置１１０６及び１１０７などの、１つ以上の入力装置及び／又は出力装置を有し得る。これらの装置は、とりわけ、ユーザインタフェースを提供するために使用され得る。ユーザインタフェースを提供するために使用されることが可能な出力装置の例は、出力の視覚提示のためのプリンタ又は表示スクリーン、又は出力の聴覚提示のためのその他の音声生成装置を含む。ユーザインタフェースのために使用されることが可能な入力装置の例は、キーボード、例えばマウスなどのポインティング装置、タッチパッド、及び離散化タブレットを含む。他の一例として、コンピュータは入力情報を、音声認識により、あるいはその他の可聴形式にて受信してもよい。

【0434】

図１１に示すように、コンピュータ１１００はまた、様々なネットワーク（例えば、ネットワーク１１２０）を介した通信を可能にするため、１つ以上のネットワークインタフェース（例えば、ネットワークインタフェース１１１０）を有し得る。ネットワークの例は、例えば企業ネットワーク又はインターネットなどの、ローカルエリアネットワーク又はワイドエリアネットワークを含む。このようなネットワークは、好適な如何なる技術に基づくものであってもよく、好適な如何なるプロトコルに従って動作するものであってもよく、また、無線ネットワーク、有線ネットワーク又は光ファイバネットワークを含んでいてもよい。

【0435】

斯くして本発明の少なくとも１つの実施形態の幾つかの態様を説明したが、認識されるように、様々な改変、変更及び改良が当業者に容易に浮かぶことになる。そのような改変、変更及び改良は、本開示の一部であり、本発明の精神及び範囲の中にあることが意図されるものである。従って、以上の説明及び図面は単なる例示である。

【0436】

本発明の上述の実施形態は、数多くある手法のうちの何れかで実装されることができる。例えば、これらの実施形態は、ハードウェア、ソフトウェア、又はこれらの組合せを用いて実装され得る。ソフトウェアで実装されるとき、そのソフトウェアコードが、好適な１つのプロセッサ又は複数プロセッサ（単一のコンピュータ内に配設されていてもよいし、複数のコンピュータ間に分散されていてもよい）の集合上で実行され得る。このようなプロセッサは、集積回路コンポーネント内に１つ以上のプロセッサを備えた集積回路として実装され得る。とはいえ、プロセッサは、好適な如何なる形態の回路を用いて実装されてもよい。

【0437】

また、認識されるように、コンピュータは、例えばラックマウントコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ又はタブレットコンピュータなど、数多くある形態のうちの何れで具現化されてもよい。また、コンピュータは、一般にはコンピュータと見なされないが好適な処理能力を有する装置（携帯情報端末（ＰＤＡ）、スマートフォン、又はその他の好適な可搬式あるいは固定式の電子装置を含む）にて具現化されてもよい。

【0438】

また、コンピュータは、１つ以上の入出力装置を有し得る。これらの装置は、とりわけ、ユーザインタフェースを提供するために使用され得る。ユーザインタフェースを提供するために使用されることが可能な出力装置の例は、出力の視覚提示のためのプリンタ又は表示スクリーン、又は出力の聴覚提示のためのその他の音声生成装置を含む。ユーザインタフェースのために使用されることが可能な入力装置の例は、キーボード、例えばマウスなどのポインティング装置、タッチパッド、及び離散化タブレットを含む。他の一例として、コンピュータは入力情報を、音声認識により、あるいはその他の可聴形式にて受信してもよい。

【0439】

このような複数のコンピュータは、例えば企業ネットワーク又はインターネットなど、ローカルエリアネットワーク又はワイドエリアネットワークを含む何らかの好適な形態の１つ以上のネットワークによって相互接続され得る。このようなネットワークは、好適な如何なる技術に基づくものであってもよく、好適な如何なるプロトコルに従って動作するものであってもよく、また、無線ネットワーク、有線ネットワーク又は光ファイバネットワークを含んでいてもよい。

【0440】

また、ここに概説された様々な方法又はプロセスは、多様なオペレーティングシステム又はプラットホームのうちの何れかを採用する１つ以上のプロセッサ上で実行可能なソフトウェアとしてコード化され得る。また、そのようなソフトウェアは、数多くの好適なプログラミング言語及び／又はプログラムツール若しくはスクリプトツールのうちの何れを用いて記述されてもよく、また、フレームワーク又は仮想マシン上で実行される実行可能な機械語又は中間コードとしてコンパイルされることができる。

【0441】

これに関し、本発明は、１つ以上のコンピュータ又はその他のプロセッサ上で実行されるときに上述の本発明の様々な実施形態を実現する方法を実行する１つ以上のプログラムがエンコードされた、有形で持続的な、１つ以上のコンピュータ読み取り可能記憶媒体（例えば、コンピュータメモリ、１つ以上のフロッピー（登録商標）ディスク、コンパクトディスク（ＣＤ）、光ディスク、デジタルビデオディスク（ＤＶＤ）、磁気テープ、フラッシュメモリ、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）若しくはその他の半導体デバイスの回路構成、又はその他の持続的な有形コンピュータ読み取り可能記憶媒体）として具現化されてもよい。該１つ以上のコンピュータ読み取り可能記憶媒体は輸送可能なものにすることができ、故に、それに格納された１つ以上のプログラムを１つ以上の異なるコンピュータ又はその他のプロセッサにロードして、上述の本発明の様々な態様を実現することができる。ここでは、用語“持続的なコンピュータ読み取り可能記憶媒体”は、製造物（すなわち、製造品）又は機械であると考えられることが可能なコンピュータ読み取り可能媒体のみを包含するものとして使用される。

【0442】

用語“プログラム”又は“ソフトウェア”は、ここでは、上述の本発明の様々な態様を実行するようにコンピュータ又はその他のプロセッサをプログラムするために使用されることが可能な、如何なる種類のコンピュータコード又はコンピュータ実行可能命令のセットをも意味するよう、包括的な意味で使用される。また、認識されるように、この実施形態の一態様によれば、実行されるときに本発明に係る方法を実行する１つ以上のコンピュータプログラムは、必ずしも単一のコンピュータ又はプロセッサ上に存在する必要はなく、本発明の様々な態様を実行するように多数の異なるコンピュータ又はプロセッサ間にモジュール的に分散されてもよい。ｐコンピュータ実行可能命令は、例えばプログラムモジュールなど、１つ以上のコンピュータ又はその他の装置によって実行される数多くの形態を取り得る。一般に、プログラムモジュールは、特定のタスクを実行したり特定の抽象的なデータ型を実現したりするルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。典型的に、プログラムモジュールの機能は、様々な実施形態において、望ましく結合あるいは分散され得る。

【0443】

また、データ構造は、好適な如何なる形態でコンピュータ読み取り可能媒体に格納されてもよい。説明を単純にするため、データ構造はそのデータ構造内の位置によって関係付けられる複数のフィールドを有するように示され得る。そのような関係は、同様に、コンピュータ読み取り可能媒体内の位置を有するこれらフィールドに、フィールド間の関係を伝達するストレージを割り当てることによって達成され得る。しかしながら、データ構造のフィールド内の情報間の関係を構築することには、ポインタ、タグ、又はデータ要素間の関係を定めるその他の機構の使用によるものを含め、好適な如何なる機構が用いられてもよい。

【0444】

本発明の様々な態様は、単独で、組み合わせて、あるいは上述実施形態では詳述されていない多様な構成で使用されることができ、故に、以上の記載にて説明されるか図面に示されるかした構成要素の詳細及び構成への適用に限定されるものではない。例えば、１つの実施形態で説明された態様が、その他の実施形態で説明された態様と何らかの手法で組み合わされてもよい。

【0445】

また、本発明は方法（ここではその一例を提示した）として具現化されてもよい。方法の部分として実行されるステップ群は、どのように好適に順序付けられてもよい。従って、ステップ群が例示とは異なる順序で実行される実施形態が構成されてもよい。それには、例示の実施形態では順次のステップ群として示されたものを同時に実行するものも含まれ得る。

【0446】

請求項中でクレーム要素を修飾する例えば“第１”、“第２”、“第３”などの序数用語の使用は、それ自体、何らかの優先順位、順位、１つのクレーム要素の別のクレーム要素に対する順番、又は方法のステップ群が実行される順序を含意するものではなく、単に、特定の名称を有する１つのクレーム要素を（序数用語の使用を除いて）同じ名称を有する別の要素から区別してこれらのクレーム要素を区別するためのラベルとして使用されているに過ぎない。

【0447】

ここで定義されて使用される全ての定義は、辞書での定義、援用した文献における定義、及び／又は定義された用語の通常の意味を掌握するものとして理解されるべきである。

【0448】

不定冠詞“ａ”及び“ａｎ”は、ここでは、別のことが明示されない限り、“少なくとも１つ”を意味すると理解されるべきである。

【0449】

１つ以上の要素を含んだリストを参照しての“少なくとも１つ”というフレーズの使用は、ここでは、その要素リスト内の要素のうちの１つ以上から選択される少なくとも１つを意味するものとして理解されるべきであり、必ずしもその要素リスト内に具体的に列挙された全ての要素各々を少なくとも１つ含むわけではなく、また、その要素リスト内の複数の要素の組合せを排除するわけでもない。この定義はまた、“少なくとも１つ”というフレーズが参照する要素リスト内に具体的に特定された要素以外の要素が、具体的に特定された要素に関係していようと無関係であろうと、場合によって存在し得ることを許すものである。故に、非限定的な一例として、“Ａ及びＢのうちの少なくとも１つ”（又は、等価的に、“Ａ又はＢのうちの少なくとも１つ”、“Ａ及び／又はＢのうちの少なくとも１つ”）は：一実施形態において、Ｂが存在せずに（場合により、Ｂ以外の要素を含む）、場合により２つ以上である少なくとも１つのＡ；他の一実施形態において、Ａが存在せずに（場合により、Ａ以外の要素を含む）、場合により２つ以上である少なくとも１つのＢ；更なる他の一実施形態において、場合により２つ以上である少なくとも１つのＡ、及び場合により２つ以上である少なくとも１つのＢ（及び、場合によりその他の要素を含む）；などを意味することができる。

【0450】

“及び／又は”（又は、“且つ／或いは”）というフレーズは、そのように結合された要素のうちの“何れか又は双方”、すなわち、或る場合には結合して存在し、他の場合には分離して存在する要素、を意味すると理解されるべきである。“及び／又は”を用いて列挙された複数の要素は、同じように、すなわち、そのように結合された要素のうちの“１つ以上”として解釈されるべきである。“及び／又は”節によって具体的に特定された要素以外の要素が、具体的に特定された要素に関係していようと無関係であろうと、場合により存在し得る。故に、非限定的な一例として、“Ａ及び／又はＢ”への言及は、例えば“有する”などの非限定語とともに使用されるとき：一実施形態において、Ａのみ（場合により、Ｂ以外の要素を含む）；他の一実施形態において、Ｂのみ（場合により、Ａ以外の要素を含む）；更なる他の一実施形態において、Ａ及びＢの双方（場合により、その他の要素を含む）；などを意味することができる。

【0451】

“又は”（又は、“若しくは”、“或いは”）は、ここでは、上で定義した“及び／又は”と同じ意味を有すると理解されるべきである。例えば、リスト内で複数のアイテムを区切るとき、“又は”及び“及び／又は”は包含的であるとして、すなわち、複数の要素又はリストにされた要素のうちの、１つだけでなく、２つ以上をも含み、場合により、リストにない更なる要素をも含む、として解釈されるべきである。

【0452】

また、ここで使用される言葉の使用法及び専門用語は、説明を目的としたものであり、限定的なものと見なされるべきでない。“含み”、“有する”、“持つ”、“含有する”、“伴う”、及びこれらの変形の使用は、ここでは、その後に列挙されるアイテム及びそれに均等なもの、並びに更なるアイテムを包含することを意味する。

【0453】

本発明の幾つかの実施形態を詳細に説明したが、様々な変更及び改良が当業者に容易に浮かぶことになる。そのような変更及び改良は、本発明の精神及び範囲の中にあることが意図されるものである。従って、以上の説明は単なる例示であり、限定を意図したものではない。
（１） 知識表現システムのコンピュータ読み取り可能な要素的データ構造を変更する方法であって、
前記知識表現システムの出力から前記知識表現システムの入力に１つ以上のデータ消費者モデルをフィードバックするステップであり、前記１つ以上のデータ消費者モデルはそれぞれの前記知識表現システムの一人以上のデータ消費者に対応し、前記１つ以上のデータ消費者モデルは第１のデータ消費者モデルを含み、前記一人以上のデータ消費者は第１のデータ消費者を含む、ステップと、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上のルールを適用して、前記１つ以上のデータ消費者モデルを、第１の要素コンポーネントを含む少なくとも１つの要素コンポーネントへと分解するステップと、
前記第１の要素コンポーネントに関連するデータを含むように前記要素的データ構造を変更するステップと
を有し、
前記１つ以上のデータ消費者モデルは、前記１つ以上のデータ消費者モデルに関連するデータを格納する１つ以上のコンピュータ読み取り可能データ構造として符号化され、且つ
前記少なくとも１つの要素コンポーネントは、前記少なくとも１つの要素コンポーネントに関連するデータを格納する少なくとも１つのコンピュータ読み取り可能データ構造として符号化される、
方法。
（２） 前記第１のデータ消費者モデルは、前記第１のデータ消費者に関連するコンテキスト情報を有する、上記（１）に記載の方法。
（３） 前記第１のデータ消費者モデルは、前記第１のデータ消費者に関連するコンテキスト情報に応答して前記知識表現システムによって前記第１のデータ消費者に提供された１つ以上の知識表現を有する、上記（１）に記載の方法。
（４） 前記第１のデータ消費者モデルは、前記第１のデータ消費者に提供された前記１つ以上の知識表現との前記第１のデータ消費者のインタラクションに対応するインタラクションデータを有する、上記（３）に記載の方法。
（５） 前記第１のデータ消費者の前記インタラクションは、前記第１のデータ消費者に提供された前記１つ以上の知識表現の中から前記第１のデータ消費者が第１の知識表現を選択したことを有する、上記（４）に記載の方法。
（６） 前記第１のデータ消費者の前記インタラクションは、前記第１のデータ消費者に提供された前記１つ以上の知識表現の中から前記第１のデータ消費者が第１の知識表現の一部を選択したことを有する、上記（４）に記載の方法。
（７） 前記第１のデータ消費者モデルは、前記第１のデータ消費者に関連する、クエリ情報、人口学的情報、経歴情報、雇用情報、家族情報、嗜好情報、興味情報、経済的情報、地理位置情報、閲覧履歴情報、ウェブサイトプロフィール情報、又はソーシャルネットワーキングプロフィール情報、のうちの少なくとも１つを有する、上記（１）に記載の方法。
（８） 前記第１のデータ消費者は個人である、上記（１）に記載の方法。
（９） 前記第１のデータ消費者はソフトウェアモジュールである、上記（１）に記載の方法。
（１０） 前記第１の要素コンポーネントに関連する前記データを含むように前記要素的データ構造を変更するステップは、前記第１の要素コンポーネントに関連する前記データを前記要素的データ構造に追加することを有する、上記（１）に記載の方法。
（１１） 前記第１の要素コンポーネントは、第１の要素概念、第１の要素概念関係、又は第１の要素概念と第１の要素概念関係、のうちの少なくとも１つを有する、上記（１）に記載の方法。
（１２） 第１の要素概念に関連するデータと第２の要素概念に関連するデータとを融合して、融合された要素概念に関連するデータを形成することによって、該第１の要素概念と該第２の要素概念との要素概念帰着を実行するステップ、を更に有する上記（１）に記載の方法。
（１３） 知識表現システムのコンピュータ読み取り可能な要素的データ構造を変更する方法であって、
前記知識表現システムの出力から前記知識表現システムの入力に１つ以上のデータ消費者モデルをフィードバックするステップであり、前記１つ以上のデータ消費者モデルはそれぞれの前記知識表現システムの一人以上のデータ消費者に対応し、前記１つ以上のデータ消費者モデルは第１のデータ消費者モデルを含み、前記一人以上のデータ消費者は第１のデータ消費者を含む、ステップと、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上のルールを適用して、前記１つ以上のデータ消費者モデルを、第１の要素コンポーネントを含む少なくとも１つの要素コンポーネントへと分解するステップと、
前記第１の要素コンポーネントが母集団の一部と関連するかを評価するステップであり、該一部は閾値部分を超えるステップと、
前記一部が前記閾値部分を超える場合に、前記第１の要素コンポーネントに関連するデータを含むように前記要素的データ構造を変更するステップと
を有し、
前記１つ以上のデータ消費者モデルは、前記１つ以上のデータ消費者モデルに関連するデータを格納する１つ以上のコンピュータ読み取り可能データ構造として符号化され、且つ
前記少なくとも１つの要素コンポーネントは、前記少なくとも１つの要素コンポーネントに関連するデータを格納する少なくとも１つのコンピュータ読み取り可能データ構造として符号化される、
方法。
（１４） 知識表現システムの１つ以上のコンピュータ読み取り可能要素的データ構造を変更する方法であって、
前記知識表現システムの出力から前記知識表現システムの入力に１つ以上のデータ消費者モデルをフィードバックするステップであり、前記１つ以上のデータ消費者モデルはそれぞれの前記知識表現システムの一人以上のデータ消費者に対応する、ステップと、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上のルールを適用して、前記１つ以上のデータ消費者モデルのうちの第１のデータ消費者モデルを少なくとも１つの要素コンポーネントへと分解するステップであり、前記第１のデータ消費者モデルは前記一人以上のデータ消費者のうちの第１のデータ消費者に対応する、ステップと、
前記１つ以上のコンピュータ読み取り可能要素的データ構造のうちの１つの要素的データ構造を選択するステップであり、選択された要素的データ構造は前記第１のデータ消費者に対応する、ステップと、
前記少なくとも１つの要素コンポーネントのうちの第１の要素コンポーネントに関連するデータを含むように、前記選択された要素的データ構造を変更するステップと、
を有する方法。
（１５） 前記１つ以上のデータ消費者モデルのうちの第２のデータ消費者モデルは、前記一人以上のデータ消費者のうちの第２のデータ消費者に対応し、
前記１つ以上のコンピュータ読み取り可能要素的データ構造のうちの第２の要素的データ構造は、前記選択された要素的データ構造とは異なり、且つ
前記選択された要素的データ構造と前記第２の要素的データ構造との間の相違は、前記第１のデータ消費者モデルと前記第２のデータ消費者モデルとの間の相違に対応する、
上記（１４）に記載の方法。
（１６） コンピュータ読み取り可能な要素的データ構造を変更する知識表現装置であって、
当該知識表現装置の出力から当該知識表現装置の入力に１つ以上のデータ消費者モデルを送るように構成されたフィードバックエンジンであり、前記１つ以上のデータ消費者モデルはそれぞれの前記知識表現装置の一人以上のデータ消費者に対応し、前記１つ以上のデータ消費者モデルは第１のデータ消費者モデルを含み、前記一人以上のデータ消費者は第１のデータ消費者を含む、フィードバックエンジンと、
解析エンジンであり、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上のルールを適用して、前記１つ以上のデータ消費者モデルを、第１の要素コンポーネントを含む少なくとも１つの要素コンポーネントへと分解し、且つ
前記第１の要素コンポーネントに関連するデータを含むように前記要素的データ構造を変更する
ように構成された解析エンジンと
を有し、
前記１つ以上のデータ消費者モデルは、前記１つ以上のデータ消費者モデルに関連するデータを格納する１つ以上のコンピュータ読み取り可能データ構造として符号化され、且つ
前記少なくとも１つの要素コンポーネントは、前記少なくとも１つの要素コンポーネントに関連するデータを格納する少なくとも１つのコンピュータ読み取り可能データ構造として符号化される、
知識表現装置。
（１７） コンピュータ読み取り可能な要素的データ構造を変更する方法であって、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、前記要素的データ構造の要素コンポーネントに関する関連性を推定するステップであり、前記要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を評価することを有するステップと、
前記要素的データ構造を変更するステップであり、前記要素コンポーネントに関連するデータ内に前記関連性を格納することを有するステップと
を有し、
前記要素コンポーネントは、前記要素コンポーネントに関連する前記データを格納するコンピュータ読み取り可能データ構造として符号化される、
方法。
（１８） 当該方法は更に、格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上のルールを適用して、知識表現を、前記要素コンポーネントを含む１つ以上の要素コンポーネントへと分解するステップを有し、前記要素的データ構造を変更するステップは更に、前記１つ以上の要素コンポーネントに関連するデータを前記要素的データ構造に追加することを有する、上記（１７）に記載の方法。
（１９） 前記１つ以上のラベルの前記発生頻度を評価することは、参照データに関する統計を得ることを有する、上記（１７）に記載の方法。
（２０） 前記要素的データ構造の前記要素コンポーネントに関する前記関連性は、前記要素的データ構造の要素概念に関する概念関連性を有し、且つ
前記要素コンポーネントに関連付けられる前記１つ以上のラベルは、前記要素概念に関連付けられるラベルを有する、
上記（１７）に記載の方法。
（２１） 前記要素的データ構造の前記要素コンポーネントに関する前記関連性は、前記要素的データ構造の要素概念関係に関する関係関連性を有する、上記（１７）に記載の方法。
（２２） 前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、前記参照データの少なくとも一部内での前記ラベルの用語頻度を評価することを有する、上記（２０）に記載の方法。
（２３） 前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、前記参照データの少なくとも一部内での前記ラベルの用語−文献頻度を評価することを有する、上記（２０）に記載の方法。
（２４） 前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、前記参照データの少なくとも一部内での前記ラベルの逆文献頻度を評価することを有する、上記（２０）に記載の方法。
（２５） 前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、Ｄｏｃｓ（Ｌ１及びＬ２）／ＮｕｍＤｏｃｓなる式に従って用語−文献頻度を評価することを有し、ただし、
前記要素概念関係は、第１の要素概念と第２の要素概念と２関係し、
Ｌ１は、前記第１の要素概念に関連付けられる第１のラベルを表し、
Ｌ２は、前記第２の要素概念に関連付けられる第２のラベルを表し、
Ｄｏｃｓ（Ｌ１及びＬ２）は、前記第１のラベルと前記第２のラベルとを含んだ、前記参照データの少なくとも一部内の文献の数を表し、且つ
ＮｕｍＤｏｃｓは、前記参照データの前記少なくとも一部内の文献の数を表す、
上記（２１）に記載の方法。
（２６） 文献は、文、複数の文、段落、又は複数の段落、のうちの少なくとも１つからなる、上記（２５）に記載の方法。
（２７）
ＮｕｍＤｏｃｓは、前記第１のラベル及び前記第２のラベルのうちの少なくとも一方を含んだ前記参照データの前記少なくとも一部内の文献の数を表す、上記（２５）に記載の方法。
（２８） 前記要素コンポーネントに関連付けられる前記１つ以上のラベルの前記参照データ内での前記発生頻度を評価することは、検索エンジンを用いて、前記要素コンポーネントに関連付けられる前記１つ以上のラベルを含んだ文献について前記参照データを検索することを有する、上記（１７）に記載の方法。
（２９） 要素的データ構造に関連付けられるコンピュータ読み取り可能な図形モデルを変更する方法であって、前記要素的データ構造は１つ以上の要素コンポーネントを有し、前記１つ以上の要素コンポーネントは１つ以上の要素概念と１つ以上の要素概念関係とを有し、当該方法は、
前記要素的データ構造に関連付けられる前記図形モデルを取得するステップであり、前記図形モデルは１つ以上の図形コンポーネントを有し、前記１つ以上の図形コンポーネントは、
前記要素的データ構造の前記１つ以上の要素概念に対応する１つ以上のノードと、
前記１つ以上のノードに付随する１つ以上のエッジであり、前記要素的データ構造の前記１つ以上の要素概念関係に対応する１つ以上のエッジと
を有する、取得するステップと、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、要素コンポーネントのセマンティックコヒーレンスを評価するステップと、
前記セマンティックコヒーレンスに対応する確率を前記図形モデルの図形コンポーネントに割り当てることによって、前記図形モデルを変更するステップと
を有し、
前記１つ以上の要素コンポーネントは、前記１つ以上の要素コンポーネントに関連するデータを格納する１つ以上のそれぞれのコンピュータ読み取り可能データ構造として符号化され、
前記１つ以上の図形コンポーネントは、前記１つ以上の図形コンポーネントに関連するデータを格納する１つ以上のそれぞれのコンピュータ読み取り可能データ構造として符号化され、
前記要素コンポーネントは、前記要素コンポーネントに関連するデータを格納するコンピュータ読み取り可能データ構造として符号化され、且つ
前記図形コンポーネントは、前記図形コンポーネントに関連するデータを格納するコンピュータ読み取り可能データ構造として符号化される、
方法。
（３０） 前記セマンティックコヒーレンスを評価するステップは、前記要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を評価することを有する、上記（２９）に記載の方法。
（３１） 前記要素コンポーネントは要素概念関係を有し、該要素概念関係は、第１の要素概念と第２の要素概念とに関係し、且つ
前記要素コンポーネントの前記セマンティックコヒーレンスを評価するステップは、前記第１の要素概念と前記第２の要素概念とに関する同時確率を計算することを有する、
上記（２９）に記載の方法。
（３２） 当該方法は更に、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念関係を有し、該要素概念関係は、前記１つ以上の要素概念のうちの第１の要素概念と第２の要素概念との間にあり、
前記１つ以上のラベルは、前記第１の要素概念に関連付けられる第１のラベルと、前記第２の要素概念に関連付けられる第２のラベルとを有し、
前記図形コンポーネントは前記図形モデルのエッジを有し、該エッジは該要素概念関係に対応し、且つ
前記要素的データ構造を変更するステップは、前記セマンティックコヒーレンスが閾値を上回る場合に該要素概念関係を前記要素的データ構造に追加することを有する、
上記（２９）に記載の方法。
（３３） 当該方法は更に、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念関係を有し、該要素概念関係は、前記１つ以上の要素概念のうちの第１の要素概念と第２の要素概念との間にあり、
前記１つ以上のラベルは、前記第１の要素概念に関連付けられる第１のラベルと、前記第２の要素概念に関連付けられる第２のラベルとを有し、
前記図形コンポーネントは前記図形モデルのエッジを有し、該エッジは該要素概念関係に対応し、
前記要素的データ構造は該要素概念関係を有し、且つ
前記要素的データ構造を変更するステップは、該要素概念関係の前記セマンティックコヒーレンスが閾値より低い場合に該要素概念関係を前記要素的データ構造から除去することを有する、
上記（２９）に記載の方法。
（３４） 当該方法は更に、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念を有し、
前記１つ以上のラベルは、該要素概念に関連付けられる第１のラベルを有し、
前記図形コンポーネントは前記図形モデルのノードを有し、該ノードは該要素概念に対応し、且つ
前記要素的データ構造を変更するステップは、前記セマンティックコヒーレンスが閾値を上回る場合に該要素概念を前記要素的データ構造に追加することを有する、
上記（２９）に記載の方法。
（３５） 当該方法は更に、前記要素的データ構造を変更するステップを有し、
前記要素コンポーネントは要素概念を有し、
前記１つ以上のラベルは、該要素概念に関連付けられる第１のラベルを有し、
前記図形コンポーネントは前記図形モデルのノードを有し、該ノードは該要素概念に対応し、
前記要素的データ構造は該要素概念を有し、且つ
前記要素的データ構造を変更するステップは、該要素概念の前記セマンティックコヒーレンスが閾値より低い場合に該要素概念を前記要素的データ構造から除去することを有する、
上記（２９）に記載の方法。
（３６） コンピュータ読み取り可能な要素的データ構造を変更する知識表現装置であって、
確率ユニットであり、
前記要素的データ構造の要素コンポーネントに関する確率を推定し、該確率の推定は、前記要素コンポーネントに関連付けられる１つ以上のラベルの、参照データ内での発生頻度を評価することを有し、
前記要素コンポーネントに関連するデータ内に前記確率を格納して、前記要素的データ構造を変更する
ように構成された確率ユニット、
を有し、
前記要素コンポーネントは、前記要素コンポーネントに関連する前記データを格納するコンピュータ読み取り可能データ構造として符号化される、
知識表現装置。
（３７） 知識表現システムのコンピュータ読み取り可能な要素的データ構造を変更する方法であって、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上の第１の解析ルールを適用して、知識表現を１つ以上の要素コンポーネントへと分解するステップと、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、前記１つ以上の要素コンポーネントに関連するデータを前記要素的データ構造に追加するステップと、
前記要素的データ構造に関連する候補データを推論するステップであり、格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、所定の言語パターンに対応する言葉を参照データ内で検出することを有するステップと、
前記候補データと前記１つ以上の要素コンポーネントに関連するデータとを組み合わせるように前記要素的データ構造を変更するステップと、
を有し、
前記１つ以上の要素コンポーネントは、前記１つ以上の要素コンポーネントに関連するデータを格納する１つ以上のコンピュータ読み取り可能データ構造として符号化され、且つ
前記参照データは、前記参照データに関連するデータを格納する１つ以上のコンピュータ読み取り可能データ構造として符号化される、
方法。
（３８） 前記候補データは、第２の要素概念が第１の要素概念を包摂することを指し示す第１の要素概念関係を有する、上記（３７）に記載の方法。
（３９） 前記所定の言語パターンに対応する前記言葉を検出することは、前記第１の要素概念に関連付けられる第１のラベルと、それに続く包摂表現と、それに続く前記第２の要素概念に関連付けられる第２のラベルとを、前記参照データ内で検出することを有し、前記包摂表現が、前記第２の要素概念が前記第１の要素概念を包摂することを示す、上記（３８）に記載の方法。
（４０） 前記包摂表現は、１つ以上の所定の単語、又は１つ以上の所定の記号、のうちの少なくとも一方を有する、上記（３９）に記載の方法。
（４１） 前記包摂表現は、“である”、“の一分野である”、又は“の一種である”のうちの少なくとも１つを有する、上記（３９）に記載の方法。
（４２） 前記所定の言語パターンに対応する前記言葉を前記参照データ内で検出することは、前記第１の要素概念に関連付けられる第１のラベルと前記第２の要素概念に関連付けられる第２のラベルとを前記参照データ内で検出することを有し、前記第１のラベルと前記第２のラベルとの近接性が近接性閾値内にある、上記（３８）に記載の方法。
（４３）
前記近接性閾値は、単語の数、文の数、又は段落の数、のうちの少なくとも１つである、上記（４２）に記載の方法。
（４４） 前記候補データは、第２の要素概念が第１の要素概念を定義することを指し示す第１の要素概念関係を有する、上記（３７）に記載の方法。
（４５） 前記所定の言語パターンに対応する前記言葉を前記参照データ内で検出することは、前記第１の要素概念に関連付けられる第１のラベルと、それに続く定義表現と、それに続く前記第２の要素概念に関連付けられる第２のラベルとを、前記参照データ内で検出することを有し、前記定義表現が、前記第１の要素概念が前記第２の要素概念によって定義されることを示す、上記（４４）に記載の方法。
（４６） 当該方法は更に、前記要素的データ構造に関連する第２の候補データを推論するステップを有し、該第２の候補データを推論するステップは、
前記要素的データ構造内で、１つ以上の第１の特性概念によって定義される第１の要素概念を特定し、
前記要素的データ構造内で、１つ以上の第２の特性概念によって定義される第２の要素概念を特定し、且つ
前記１つ以上の第２の特性概念内の各特性概念が、前記１つ以上の第１の特性概念内にあるか、前記１つ以上の第１の特性概念内の１つの特性概念を包摂するか、であることを決定する
ことを有する、上記（３７）に記載の方法。
（４７） 前記要素的データ構造は、前記第１の要素概念及び前記第２の要素概念を有し、且つ
前記候補データと前記１つ以上の要素コンポーネントに関連するデータとを組み合わせるように前記要素的データ構造を変更するステップは、前記第１の要素概念関係を前記要素的データ構造に追加することを有する、
上記（３８）に記載の方法。
（４８） 前記候補データは、第２の要素概念が第１の要素概念を包摂しないことを指し示す、上記（３７）に記載の方法。
（４９） 前記要素的データ構造は、前記第１の要素概念と前記第２の要素概念との間の要素概念関係を有し、該要素概念関係は、前記第２の要素概念が前記第１の要素概念を包摂することを指し示し、且つ
前記候補データと前記１つ以上の要素コンポーネントに関連するデータとを組み合わせるように前記要素的データ構造を変更するステップは、該要素概念関係を前記要素的データ構造から除去すること、又は該要素概念関係に関連する確率を低下させること、のうちの一方を有する、
上記（４８）に記載の方法。
（５０） 知識表現システムのコンピュータ読み取り可能な要素的データ構造を変更する方法であって、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上の第１の解析ルールを適用して、知識表現を１つ以上の要素コンポーネントへと分解するステップと、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、前記１つ以上の要素コンポーネントに関連するデータを前記要素的データ構造に追加するステップと、
或る要素概念関係の候補確率を推論するステップであり、格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上の要素推論ルールを前記要素的データ構造に適用することを有するステップと、
前記候補確率と前記１つ以上の要素コンポーネントに関連するデータとを組み合わせるように前記要素的データ構造を変更するステップと、
を有し、
前記１つ以上の要素コンポーネントは、前記１つ以上の要素コンポーネントに関連するデータを格納する１つ以上のコンピュータ読み取り可能データ構造として符号化される、
方法。
（５１） 前記要素概念関係は、第２の要素概念が第１の要素概念を包摂することを指し示す、上記（５０）に記載の方法。
（５２） 前記１つ以上の要素推論ルールを前記要素的データ構造に適用することは、
前記要素的データ構造内で、第１の特性概念を含む１つ以上の第１の特性概念によって定義される第１の要素概念を特定し、
前記要素的データ構造内で、第２の特性概念を含む１つ以上の第２の特性概念によって定義される第２の要素概念を特定し、且つ
前記候補確率として、前記１つ以上の第２の特性概念内の各特性概念が、前記１つ以上の第１の特性概念内にあるか、前記１つ以上の第１の特性概念内の１つの特性概念を包摂するか、である確率を計算すること
を有する、上記（５１）に記載の方法。
（５３） 前記要素概念関係は、第２の要素概念が第１の要素概念を定義することを指し示す、上記（５０）に記載の方法。
（５４） 前記１つ以上の要素推論ルールは、前記第１の特性概念又は前記第２の特性概念のうちの少なくとも一方に関連するコンテキスト情報をユーザから受信したことに応答して、前記要素的データ構造に適用される、上記（５１）に記載の方法。
（５５） 前記１つ以上の要素推論ルールは、前記第１の特性概念又は前記第２の特性概念のうちの少なくとも一方に関連付けられるラベルが参照データ内で閾値レートを上回るレートで出現することを指し示すデータを得たことに応答して、前記要素的データ構造に適用される、上記（５１）に記載の方法。
（５６） 前記要素的データ構造は、前記要素概念関係と、前記要素概念関係に関連する確率とを有し、且つ
前記候補確率と前記１つ以上の要素コンポーネントに関連するデータとを組み合わせるように前記要素的データ構造を変更するステップは、前記要素概念関係に関連する前記確率を、前記候補確率、前記候補確率と前記要素概念関係に関連する前記確率との平均、又は前記候補確率と前記要素概念関係に関連する前記確率との関数、のうちの１つで置換することを有する、
上記（５０）に記載の方法。
（５７） コンピュータ読み取り可能な要素的データ構造を変更する知識表現装置であって、
推論ユニットであり、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、参照データ又は前記要素的データ構造のうちの少なくとも一方に１つ以上の推論的解析ルールを適用することによって、前記要素的データ構造に関連する候補データを推論し、且つ
前記候補データを前記要素的データ構造に組み入れることによって前記要素的データ構造を変更する
ように構成された推論ユニット、
を有する装置。
（５８） 当該装置は更に解析ユニットを有し、該解析ユニットは、
格納されたプログラム命令を実行する少なくとも１つのプロセッサにより、１つ以上の第１の解析ルールを適用して、知識表現を１つ以上の要素コンポーネントへと分解し、且つ
前記１つ以上の要素コンポーネントに関連するデータを前記要素的データ構造に追加する
ように構成される、上記（５７）に記載の装置。

【図1】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19A】

【図19B】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図27】

【図28A】

【図28B】

【図29】

【図30】

【図31】

【図32】

【図33】

【図34】

【図35】

【図36】

【図37】

【図38】