知財求人 - 知財ポータルサイト「IP Force」
特開2022-160151発話辞書学習装置、発話文生成装置及び発話辞書学習プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022160151
(43)【公開日】2022-10-19
(54)【発明の名称】発話辞書学習装置、発話文生成装置及び発話辞書学習プログラム
(51)【国際特許分類】
G06F 40/242 20200101AFI20221012BHJP
【ＦＩ】
G06F40/242
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2021064728
(22)【出願日】2021-04-06
(71)【出願人】
【識別番号】000004352
【氏名又は名称】日本放送協会
(74)【代理人】
【識別番号】100106002
【弁理士】
【氏名又は名称】正林 真之
(74)【代理人】
【識別番号】100120891
【弁理士】
【氏名又は名称】林 一好
(72)【発明者】
【氏名】金子 豊
(72)【発明者】
【氏名】上村 真利奈
(72)【発明者】
【氏名】山本 正男
(72)【発明者】
【氏名】萩尾 勇太
(72)【発明者】
【氏名】星 祐太
【テーマコード（参考）】
5B091
【Ｆターム（参考）】
5B091CC02
(57)【要約】
【課題】コミュニケーションロボットが話すことの出来る単語を次第に増やしていくことができる発話辞書学習装置及び発話文生成装置を提供すること。
【解決手段】発話辞書学習装置１００は、過去に入力された入力文Ｉを保管した入力文履歴Ｃと、入力文履歴Ｃに保管されている文に所定以上の頻度で出現する単語の特徴ベクトルを、文中の単語を予測するための文モデルＤにより学習し、特徴ベクトルを学習済みの既知語を、既知語辞書Ａに登録する文モデル学習部５と、入力文Ｉに出現し、かつ、既知語辞書Ａに登録されていない未知語を、未知語辞書Ｂに登録する未知語辞書更新部３と、を備え、文モデル学習部５は、所定のタイミングで文モデルＤの学習を繰り返し、既知語辞書Ａに登録された既知語を、未知語辞書Ｂから削除する。
【選択図】図１
【解決手段】発話辞書学習装置１００は、過去に入力された入力文Ｉを保管した入力文履歴Ｃと、入力文履歴Ｃに保管されている文に所定以上の頻度で出現する単語の特徴ベクトルを、文中の単語を予測するための文モデルＤにより学習し、特徴ベクトルを学習済みの既知語を、既知語辞書Ａに登録する文モデル学習部５と、入力文Ｉに出現し、かつ、既知語辞書Ａに登録されていない未知語を、未知語辞書Ｂに登録する未知語辞書更新部３と、を備え、文モデル学習部５は、所定のタイミングで文モデルＤの学習を繰り返し、既知語辞書Ａに登録された既知語を、未知語辞書Ｂから削除する。
【選択図】図１
【特許請求の範囲】
【請求項1】
過去に入力された入力文を保管した入力文履歴と、
前記入力文履歴に保管されている文に所定以上の頻度で出現する単語の特徴ベクトルを、文中の単語を予測するための文モデルにより学習し、前記特徴ベクトルを学習済みの既知語を、既知語辞書に登録する文モデル学習部と、
前記入力文に出現し、かつ、前記既知語辞書に登録されていない未知語を、未知語辞書に登録する未知語辞書更新部と、を備え、
前記文モデル学習部は、所定のタイミングで前記文モデルの学習を繰り返し、前記既知語辞書に登録された前記既知語を、前記未知語辞書から削除する発話辞書学習装置。
前記入力文履歴に保管されている文に所定以上の頻度で出現する単語の特徴ベクトルを、文中の単語を予測するための文モデルにより学習し、前記特徴ベクトルを学習済みの既知語を、既知語辞書に登録する文モデル学習部と、
前記入力文に出現し、かつ、前記既知語辞書に登録されていない未知語を、未知語辞書に登録する未知語辞書更新部と、を備え、
前記文モデル学習部は、所定のタイミングで前記文モデルの学習を繰り返し、前記既知語辞書に登録された前記既知語を、前記未知語辞書から削除する発話辞書学習装置。
【請求項2】
前記未知語の出現回数に基づいて、前記文モデル学習部に再学習を要求する再学習要求部を備える請求項１に記載の発話辞書学習装置。
【請求項3】
前記再学習要求部は、前記未知語辞書に、出現回数が所定以上の前記未知語が所定以上登録された場合に、前記文モデル学習部に再学習を要求する請求項２に記載の発話辞書学習装置。
【請求項4】
前記入力文に出現する単語の前記文モデルに基づく予測結果により、前記未知語の近似語を推定する未知語予測部を備え、
前記未知語辞書更新部は、前記未知語と前記近似語とを対応付けて前記未知語辞書に登録する請求項１から請求項３のいずれかに記載の発話辞書学習装置。
前記未知語辞書更新部は、前記未知語と前記近似語とを対応付けて前記未知語辞書に登録する請求項１から請求項３のいずれかに記載の発話辞書学習装置。
【請求項5】
請求項１から請求項４のいずれかに記載の発話辞書学習装置により学習された前記既知語辞書及び前記未知語辞書を参照し、発話文を生成する発話文生成装置であって、
入力文に含まれ、前記既知語辞書に登録されている前記既知語、又は前記未知語辞書に登録されている前記未知語を、テンプレート文に組み合わせて発話文を生成する発話文生成部を備える発話文生成装置。
入力文に含まれ、前記既知語辞書に登録されている前記既知語、又は前記未知語辞書に登録されている前記未知語を、テンプレート文に組み合わせて発話文を生成する発話文生成部を備える発話文生成装置。
【請求項6】
請求項４に記載の発話辞書学習装置により学習された前記既知語辞書及び前記未知語辞書を参照し、発話文を生成する発話文生成装置であって、
前記既知語辞書に登録されている前記既知語を含む入力文を、テンプレート文として登録するテンプレート作成部と、
入力文に含まれ、前記既知語辞書に登録されている前記既知語、又は前記未知語辞書に登録されている前記未知語に対して、前記テンプレート文を選択するテンプレート選択部と、
選択された前記テンプレート文に前記既知語又は前記未知語を組み合わせて発話文を生成する発話文生成部と、を備え、
前記テンプレート選択部は、
前記既知語に対して、前記特徴ベクトルが類似する類義語を選択し、当該類義語に対応する前記テンプレート文を選択し、
前記未知語に対して、前記未知語辞書において対応付けられている前記近似語に対応する前記テンプレート文を選択する発話文生成装置。
前記既知語辞書に登録されている前記既知語を含む入力文を、テンプレート文として登録するテンプレート作成部と、
入力文に含まれ、前記既知語辞書に登録されている前記既知語、又は前記未知語辞書に登録されている前記未知語に対して、前記テンプレート文を選択するテンプレート選択部と、
選択された前記テンプレート文に前記既知語又は前記未知語を組み合わせて発話文を生成する発話文生成部と、を備え、
前記テンプレート選択部は、
前記既知語に対して、前記特徴ベクトルが類似する類義語を選択し、当該類義語に対応する前記テンプレート文を選択し、
前記未知語に対して、前記未知語辞書において対応付けられている前記近似語に対応する前記テンプレート文を選択する発話文生成装置。
【請求項7】
前記近似語は、前記未知語に対して前記未知語予測部により推定された複数の単語のうち、推定頻度が高い単語が優先される請求項６に記載の発話文生成装置。
【請求項8】
請求項１から請求項４のいずれかに記載の発話辞書学習装置としてコンピュータを機能させるための発話辞書学習プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、コミュニケーションロボットが視聴中の番組をきっかけに発話するための発話文生成装置に関する。
【背景技術】
【0002】
従来、人と一緒にテレビ番組などの映像を視聴するコミュニケーションロボットに関する技術が提案されている。
例えば、特許文献１では、映像に関連するソーシャルメディアコメントを利用し、ロボットの内部的なパーソナリティ、感情状態などに応じて、発話文を生成させ、ロボットを動作させることで、ロボットがユーザとともに映像を視聴しているかのような共感するアクションを実現する技術が提案されている。
また、特許文献２では、テレビ視聴中に、ロボットが人からのチャンネル切り替えなどの命令対話に応じるとともに、テレビの方向を向きながらつぶやくことで、ロボットが自律してテレビを視聴しているかのような動作をさせるロボットの制御技術が提案されている。
例えば、特許文献１では、映像に関連するソーシャルメディアコメントを利用し、ロボットの内部的なパーソナリティ、感情状態などに応じて、発話文を生成させ、ロボットを動作させることで、ロボットがユーザとともに映像を視聴しているかのような共感するアクションを実現する技術が提案されている。
また、特許文献２では、テレビ視聴中に、ロボットが人からのチャンネル切り替えなどの命令対話に応じるとともに、テレビの方向を向きながらつぶやくことで、ロボットが自律してテレビを視聴しているかのような動作をさせるロボットの制御技術が提案されている。
【0003】
このようなコミュニケーションロボットでは、人からの話しかけに対して応答や共感のように受動的に反応する動作だけでなく、人に対して話のきっかけを提供するような能動的な動作も必要となる。能動的な動作の１つとして、ロボットが自動的に発話文を生成して人に話しかける機能がある。
視聴中のテレビ番組をきっかけとして発話文を生成する手法として、例えば、特許文献３では、視聴中のテレビ番組の字幕情報からキーワードを抽出し、このキーワードを元に発話文を生成する手法が提案されている。この手法では、発話文は、保管されているテンプレート文に抽出したキーワードをはめ込むことで生成される。ところが、抽出されるキーワードは、予め辞書に登録されているものとしているため、決められたキーワードに基づく文章しか生成できないという課題がある。
視聴中のテレビ番組をきっかけとして発話文を生成する手法として、例えば、特許文献３では、視聴中のテレビ番組の字幕情報からキーワードを抽出し、このキーワードを元に発話文を生成する手法が提案されている。この手法では、発話文は、保管されているテンプレート文に抽出したキーワードをはめ込むことで生成される。ところが、抽出されるキーワードは、予め辞書に登録されているものとしているため、決められたキーワードに基づく文章しか生成できないという課題がある。
【0004】
また、画像から文章を自動生成する手法としては、ビジュアルキャプショニングと呼ばれる技術が数多く開発されている。これらは、画像と対となる説明文の学習データを大量に用い、深層学習により画像から文章を生成するモデルを構築することで、入力画像から説明文を自動生成する手法である。
例えば、非特許文献１の手法では、画像からテンプレート文を生成し、画像内の検出オブジェクトでテンプレート文を埋めることで、検出オブジェクトに関する文章を生成している。ところが、深層学習に基づくビジュアルキャプショニング技術では、検出オブジェクトの種類（クラス数）が学習時に決まってしまい、発話文に用いるキーワードの種類が限定されてしまうという課題がある。また、新たな検出オブジェクトのクラスを追加するには、学習データが大量に必要となるため、容易には増やすことができない。さらに、画像内の検出オブジェクトは、「犬」、「猫」などの抽象的なクラス名であるため、固有名詞などの多様な単語を含む文を生成することが困難である。
例えば、非特許文献１の手法では、画像からテンプレート文を生成し、画像内の検出オブジェクトでテンプレート文を埋めることで、検出オブジェクトに関する文章を生成している。ところが、深層学習に基づくビジュアルキャプショニング技術では、検出オブジェクトの種類（クラス数）が学習時に決まってしまい、発話文に用いるキーワードの種類が限定されてしまうという課題がある。また、新たな検出オブジェクトのクラスを追加するには、学習データが大量に必要となるため、容易には増やすことができない。さらに、画像内の検出オブジェクトは、「犬」、「猫」などの抽象的なクラス名であるため、固有名詞などの多様な単語を含む文を生成することが困難である。
【0005】
そこで、予め決められた語（辞書に登録されている語）以外の語（未知語）を使って発話文を自動生成するために、例えば、特許文献４の手法が提案されている。この手法では、未知語を含む文において、未知語の前後の単語から、未知語部分に当てはまる近似語を辞書の中から推定し、この推定語を使って文章を生成した上で、最後に推定語を未知語に置き換えることで、未知語を含んだ文を自動生成している。この手法では、未知語を使った文章を生成できるものの、推定精度は学習に使った文に依存する。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特許第６１２２７９２号公報
【特許文献2】特開２０１８－１８０４７２号公報
【特許文献3】特開２０１８－１９００７７号公報
【特許文献4】特開２０１９－１８５４００号公報
【非特許文献】
【0007】
【非特許文献1】J. Lu, J. Yang, D. Batra, D. Parikh, "Neural Baby Talk," Computer Vision and Pattern Recognition (CVPR), pp.7219-7228 （2018）
【発明の概要】
【発明が解決しようとする課題】
【0008】
コミュニケーションロボットの課題として、ユーザがロボットの動作に飽きてしまい、利用が短期間となってしまうことがある。人がロボットに飽きてしまう要因の１つに、ロボット製作者が予め決めた動作しかしないという点がある。例えば、ロボットの発話に関しては、前述のように、予め登録された単語又は文を用いた発話しかできなかった。
特許文献４の手法によれば、未知語を使った文章を生成できるものの、近似語の推定精度は学習に用いた文に依存するため、適切な発話文を生成できないことも多かった。
特許文献４の手法によれば、未知語を使った文章を生成できるものの、近似語の推定精度は学習に用いた文に依存するため、適切な発話文を生成できないことも多かった。
【0009】
本発明は、コミュニケーションロボットが話すことの出来る単語を次第に増やしていくことができる発話辞書学習装置及び発話文生成装置を提供することを目的とする。
【課題を解決するための手段】
【0010】
本発明に係る発話辞書学習装置は、過去に入力された入力文を保管した入力文履歴と、前記入力文履歴に保管されている文に所定以上の頻度で出現する単語の特徴ベクトルを、文中の単語を予測するための文モデルにより学習し、前記特徴ベクトルを学習済みの既知語を、既知語辞書に登録する文モデル学習部と、前記入力文に出現し、かつ、前記既知語辞書に登録されていない未知語を、未知語辞書に登録する未知語辞書更新部と、を備え、前記文モデル学習部は、所定のタイミングで前記文モデルの学習を繰り返し、前記既知語辞書に登録された前記既知語を、前記未知語辞書から削除する。
【0011】
前記発話辞書学習装置は、前記未知語の出現回数に基づいて、前記文モデル学習部に再学習を要求する再学習要求部を備えてもよい。
【0012】
前記再学習要求部は、前記未知語辞書に、出現回数が所定以上の前記未知語が所定以上登録された場合に、前記文モデル学習部に再学習を要求してもよい。
【0013】
前記発話辞書学習装置は、前記入力文に出現する単語の前記文モデルに基づく予測結果により、前記未知語の近似語を推定する未知語予測部を備え、前記未知語辞書更新部は、前記未知語と前記近似語とを対応付けて前記未知語辞書に登録してもよい。
【0014】
本発明に係る発話文生成装置は、前記発話辞書学習装置により学習された前記既知語辞書及び前記未知語辞書を参照し、発話文を生成する装置であって、入力文に含まれ、前記既知語辞書に登録されている前記既知語、又は前記未知語辞書に登録されている前記未知語を、テンプレート文に組み合わせて発話文を生成する発話文生成部を備える。
【0015】
本発明に係る発話文生成装置は、前記発話辞書学習装置により学習された前記既知語辞書及び前記未知語辞書を参照し、発話文を生成する装置であって、前記既知語辞書に登録されている前記既知語を含む入力文を、テンプレート文として登録するテンプレート作成部と、入力文に含まれ、前記既知語辞書に登録されている前記既知語、又は前記未知語辞書に登録されている前記未知語に対して、前記テンプレート文を選択するテンプレート選択部と、選択された前記テンプレート文に前記既知語又は前記未知語を組み合わせて発話文を生成する発話文生成部と、を備え、前記テンプレート選択部は、前記既知語に対して、前記特徴ベクトルが類似する類義語を選択し、当該類義語に対応する前記テンプレート文を選択し、前記未知語に対して、前記未知語辞書において対応付けられている前記近似語に対応する前記テンプレート文を選択する。
【0016】
前記近似語は、前記未知語に対して前記未知語予測部により推定された複数の単語のうち、推定頻度が高い単語が優先されてもよい。
【0017】
本発明に係る発話辞書学習プログラムは、前記発話辞書学習装置としてコンピュータを機能させるためのものである。
【発明の効果】
【0018】
本発明によれば、コミュニケーションロボットが話すことの出来る単語を次第に増やしていくことができる。
【図面の簡単な説明】
【0019】
【図1】実施形態における発話文生成装置の機能構成を示すブロック図である。
【図2】実施形態における既知語辞書に保管された単語の例を示す図である。
【図3】実施形態における未知語辞書に保管されたデータの例を示す図である。
【図4】実施形態における既知語抽出部による処理の流れを示す図である。
【図5】実施形態における未知語抽出部による処理の流れを示す図である。
【図6】実施形態における未知語辞書更新部による処理の流れを示す図である。
【図7】実施形態における文モデルの学習方法を例示する図である。
【図8】実施形態における文モデル学習部による処理の流れを示す図である。
【図9】実施形態におけるテンプレート文の例を示す図である。
【図10】実施形態における発話文生成部による処理の流れを示す図である。
【図11】実施形態における文モデルとして学習された既知語辞書に含まれる単語の特徴ベクトルのイメージを示す図である。
【図12】実施形態におけるテンプレート選択部による処理の流れを示す図である。
【発明を実施するための形態】
【0020】
以下、本発明の実施形態の一例について説明する。
本実施形態における発話文生成装置は、ロボット又は擬人化エージェントなどの人間に対して言葉を発する装置に組み込まれて又は接続されて、テレビ番組の字幕文などの入力された文から、知っている言葉の辞書、話せる言葉の辞書、発話文生成用テンプレート文を段階的に記憶していく。
これにより、例えば、コミュニケーションロボットは、利用者と一緒にテレビを視聴していくうちに、話すことの出来る単語や文が増えていくことで、成長を感じさせ、発話する文がロボットの利用者によって異なるような個性を感じさせる発話を実現する。
本実施形態における発話文生成装置は、ロボット又は擬人化エージェントなどの人間に対して言葉を発する装置に組み込まれて又は接続されて、テレビ番組の字幕文などの入力された文から、知っている言葉の辞書、話せる言葉の辞書、発話文生成用テンプレート文を段階的に記憶していく。
これにより、例えば、コミュニケーションロボットは、利用者と一緒にテレビを視聴していくうちに、話すことの出来る単語や文が増えていくことで、成長を感じさせ、発話する文がロボットの利用者によって異なるような個性を感じさせる発話を実現する。
【0021】
図１は、本実施形態における発話文生成装置２００の機能構成を示すブロック図である。
発話文生成装置２００は、入力文Ｉから発話文Ｕを生成する。本実施形態では、入力文Ｉとして、視聴中のテレビ番組の字幕文が逐次、発話文生成装置２００に入力されるものとして説明する。
発話文生成装置２００は、入力文Ｉから発話文Ｕを生成する。本実施形態では、入力文Ｉとして、視聴中のテレビ番組の字幕文が逐次、発話文生成装置２００に入力されるものとして説明する。
【0022】
発話文生成装置２００は、内部に発話辞書学習装置１００を備え、発話辞書学習装置１００から出力される単語を用いて発話文Ｕを生成する。
ここで、発話文生成装置２００は、制御部、記憶部及び各種の入出力デバイスを備えた情報処理装置（コンピュータ）であり、記憶部に格納されたソフトウェアを制御部が実行することにより、後述の各種機能を実現する。なお、発話辞書学習装置１００は、発話文生成装置２００とのインタフェースを備えた情報処理装置として構成されてもよいが、その機能及びデータベースが発話文生成装置２００の制御部及び記憶部に統合されていてもよい。
ここで、発話文生成装置２００は、制御部、記憶部及び各種の入出力デバイスを備えた情報処理装置（コンピュータ）であり、記憶部に格納されたソフトウェアを制御部が実行することにより、後述の各種機能を実現する。なお、発話辞書学習装置１００は、発話文生成装置２００とのインタフェースを備えた情報処理装置として構成されてもよいが、その機能及びデータベースが発話文生成装置２００の制御部及び記憶部に統合されていてもよい。
【0023】
発話辞書学習装置１００は、制御部に、既知語抽出部１と、未知語抽出部２と、未知語辞書更新部３と、文保管部４と、文モデル学習部５と、未知語予測部６と、再学習要求部７とを備え、記憶部に、既知語辞書Ａ、未知語辞書Ｂ、入力文履歴Ｃ、文モデルＤの各データを蓄積している。
発話文生成装置２００は、発話辞書学習装置１００の他、制御部にテンプレート作成部９と、発話文生成部１０と、テンプレート選択部１１とを備え、記憶部に、テンプレート文Ｅのデータを蓄積している。
発話文生成装置２００は、発話辞書学習装置１００の他、制御部にテンプレート作成部９と、発話文生成部１０と、テンプレート選択部１１とを備え、記憶部に、テンプレート文Ｅのデータを蓄積している。
【0024】
既知語辞書Ａは、発話辞書学習装置１００が学習により知った、発話文生成に使って話せる単語（既知語）を保管したデータベースである。本実施形態では、既知語辞書Ａに保管する単語は名詞とするが、単語は名詞に限定されるものではなく、動詞、形容詞、副詞など、他の品詞を含んでもよい。
【0025】
図２は、本実施形態における既知語辞書Ａに保管された単語の例を示す図である。
この例では、既知語として、「秋田犬」「柴犬」「東京駅」「京都駅」「日本そば」「ラーメン」「うどん」「スパゲッティ」「三毛猫」「トラ猫」「世田谷」「イギリス」「フランス」の１３語が登録されている。
この例では、既知語として、「秋田犬」「柴犬」「東京駅」「京都駅」「日本そば」「ラーメン」「うどん」「スパゲッティ」「三毛猫」「トラ猫」「世田谷」「イギリス」「フランス」の１３語が登録されている。
【0026】
未知語辞書Ｂは、入力文Ｉに含まれる単語（名詞）の中で、既知語辞書Ａには含まれていない、すなわち学習していないが知っている単語（未知語）を保管したデータベースである。
また、未知語辞書Ｂには、登録された未知語それぞれに対して、既知語辞書Ａの中から、この未知語に近い既知語を推定した結果である近似語が保管されている。近似語の推定は、入力文Ｉにこの未知語が出現するごとに後述の未知語予測部６により行われ、推定された近似語が推定の度に未知語辞書Ｂの該当する未知語に対応付けて追記される。
また、未知語辞書Ｂには、登録された未知語それぞれに対して、既知語辞書Ａの中から、この未知語に近い既知語を推定した結果である近似語が保管されている。近似語の推定は、入力文Ｉにこの未知語が出現するごとに後述の未知語予測部６により行われ、推定された近似語が推定の度に未知語辞書Ｂの該当する未知語に対応付けて追記される。
【0027】
図３は、本実施形態における未知語辞書Ｂに保管されたデータの例を示す図である。
この例では、未知語として、「ナポリタン」「甲斐犬」「花巻」「マンチカン」の４語が登録されている。また、「ナポリタン」に対しては、既知語辞書Ａ（図２）に登録されている「うどん」「イギリス」「ラーメン」の３語が近似語として推定されている。
同様に、「甲斐犬」に対して「秋田犬」「三毛猫」が、「花巻」に対して「世田谷」「うどん」が、「マンチカン」に対して「トラ猫」が、それぞれ近似語として登録されている。
この例では、未知語として、「ナポリタン」「甲斐犬」「花巻」「マンチカン」の４語が登録されている。また、「ナポリタン」に対しては、既知語辞書Ａ（図２）に登録されている「うどん」「イギリス」「ラーメン」の３語が近似語として推定されている。
同様に、「甲斐犬」に対して「秋田犬」「三毛猫」が、「花巻」に対して「世田谷」「うどん」が、「マンチカン」に対して「トラ猫」が、それぞれ近似語として登録されている。
【0028】
なお、図３の例では、近似語が推定される度に追記されているため、例えば、未知語「ナポリタン」に対する近似語の「ラーメン」は、重複して登録されている。
未知語辞書Ｂにおける記録形式はこれには限られず、例えば、近似語は回数とともに記録されてもよい。
未知語辞書Ｂにおける記録形式はこれには限られず、例えば、近似語は回数とともに記録されてもよい。
【0029】
既知語抽出部１は、入力文Ｉの中から、既知語辞書Ａに含まれる既知語を抽出し、発話文生成部１０に提供する。また、既知語抽出部１は、既知語辞書Ａに含まれない単語（名詞）の抽出も行い、未知語辞書更新部３に提供する。
さらに、既知語抽出部１は、入力文Ｉに基づくテンプレートを作成するため、抽出した既知語とともに、入力文Ｉをテンプレート作成部９に提供する。
さらに、既知語抽出部１は、入力文Ｉに基づくテンプレートを作成するため、抽出した既知語とともに、入力文Ｉをテンプレート作成部９に提供する。
【0030】
図４は、本実施形態における既知語抽出部１による処理の流れを示す図である。
本処理は、字幕文などの入力文Ｉが入力されることにより開始される。
本処理は、字幕文などの入力文Ｉが入力されることにより開始される。
【0031】
ステップＳ１１において、既知語抽出部１は、形態素解析により、入力文Ｉを単語分割する。例えば、入力文Ｉが「かわいい三毛猫ですね。」の場合、「かわいい（形容詞）／三毛猫（名詞）／です（助動詞）／ね（助詞）」と、品詞とともに単語分割された結果が得られる。
【0032】
ステップＳ１２において、既知語抽出部１は、単語分割された文の中に、品詞が名詞で、既知語辞書Ａに登録されている単語があるか否かを判定する。この判定がＹＥＳの場合、処理はステップＳ１１に移り、判定がＮＯの場合、処理はステップＳ１５に移る。
【0033】
ステップＳ１３において、既知語抽出部１は、検出した単語（既知語）及び単語分割された入力文Ｉを、テンプレート作成部９に通知する。
【0034】
ステップＳ１４において、既知語抽出部１は、検出した単語（既知語）を、発話文生成部１０に通知する。
【0035】
ステップＳ１５において、既知語抽出部１は、入力文Ｉの中に、既知語辞書Ａに登録されている単語以外の名詞があるか否かを判定する。この判定がＹＥＳの場合、処理はステップＳ１６に移り、判定がＮＯの場合、処理は終了する。
【0036】
ステップＳ１６において、既知語抽出部１は、検出した単語（未知語）を、単語分割された入力文Ｉとともに、未知語辞書更新部３に通知する。例えば、入力文Ｉが「タルトを食べたい。」の場合、入力文Ｉは、「タルト（名詞）／を（助詞）／食べ（動詞）／たい（助動詞）」に単語分割され、「タルト（名詞）」が未知語として、未知語辞書更新部３に通知される。
【0037】
未知語抽出部２は、入力文Ｉの中から、未知語辞書Ｂに登録されている未知語を抽出し、対応付けられている近似語のいずれかとともに発話文生成部１０に提供する。
ここで、提供する近似語の選択はランダムであってよい。未知語辞書Ｂには、複数回推定された近似語が重複して、あるいは回数とともに登録されているので、これらの重複する近似語は、他の近似語よりも選択される確率が高くなる。
あるいは、推定された回数が多い近似語ほど優先度を高く設定し、優先度に応じた確率で選択されてもよい。
ここで、提供する近似語の選択はランダムであってよい。未知語辞書Ｂには、複数回推定された近似語が重複して、あるいは回数とともに登録されているので、これらの重複する近似語は、他の近似語よりも選択される確率が高くなる。
あるいは、推定された回数が多い近似語ほど優先度を高く設定し、優先度に応じた確率で選択されてもよい。
【0038】
図５は、本実施形態における未知語抽出部２による処理の流れを示す図である。
本処理は、字幕文などの入力文Ｉが入力されることにより開始される。
本処理は、字幕文などの入力文Ｉが入力されることにより開始される。
【0039】
ステップＳ２１において、未知語抽出部２は、形態素解析により、入力文Ｉを単語分割する。
【0040】
ステップＳ２２において、未知語抽出部２は、単語分割された文の中に、未知語辞書Ｂに登録されている未知語があるか否かを判定する。この判定がＹＥＳの場合、処理はステップＳ２３に移り、判定がＮＯの場合、処理は終了する。
【0041】
ステップＳ２３において、未知語抽出部２は、未知語辞書Ｂに登録されている近似語の中から１つをランダムに選択し、ステップＳ２２で検出した未知語、及び選択した近似語を、発話文生成部１０に通知する。
【0042】
例えば、入力文Ｉが「このお店のナポリタンはすごくおいしいですよ。」の場合、未知語辞書Ｂ（図３）に登録されている「ナポリタン」が未知語として検出される。また、未知語辞書Ｂには、「ナポリタン」の近似語として、「うどん」「ラーメン」「イギリス」が登録されており、そのうち「ラーメン」は２回近似語として推定されている。未知語抽出部２は、これらの近似語の中からランダムに１つを選択する。例えば、「ラーメン」が選択されたとすると、未知語抽出部２は、発話文生成部１０に、未知語「ナポリタン」とともに、近似語として「ラーメン」を通知する。
【0043】
未知語辞書更新部３は、既知語抽出部１から未知語として通知された単語を、未知語辞書Ｂに登録するとともに、この未知語に対する近似語の推定結果を、未知語辞書Ｂに追記する。
【0044】
図６は、本実施形態における未知語辞書更新部３による処理の流れを示す図である。
本処理は、既知語抽出部１から入力文Ｉ及び未知語Ｘが通知されることにより開始される。
本処理は、既知語抽出部１から入力文Ｉ及び未知語Ｘが通知されることにより開始される。
【0045】
ステップＳ３１において、未知語辞書更新部３は、既知語抽出部１から通知された未知語Ｘが未知語辞書Ｂに既に登録されているか否かを判定する。この判定がＹＥＳの場合、処理はステップＳ３３に移り、判定がＮＯの場合、処理はステップＳ３２に移る。
【0046】
ステップＳ３２において、未知語辞書更新部３は、未知語辞書Ｂに未登録の未知語Ｘを登録する。
【0047】
ステップＳ３３において、未知語辞書更新部３は、未知語予測部６から、未知語Ｘに対する近似語の推定結果を取得する。
【0048】
ステップＳ３４において、未知語辞書更新部３は、取得した近似語を、未知語辞書Ｂの未知語Ｘに対する近似語として登録する。
例えば、既知語抽出部１から、単語分割された入力文Ｉとして「タルト（名詞）／を（助詞）／食べ（動詞）／たい（助動詞）」を、未知語として「タルト」が通知された場合、未知語辞書更新部３は、未知語辞書Ｂ（図３）に登録された単語の中から、「タルト」を検索し、登録されていないため、新たに未知語として登録する。また、未知語予測部６により、入力文Ｉから「タルト」の近似語として「うどん」が推定された場合、未知語辞書更新部３は、未知語辞書Ｂの「タルト」の近似語として「うどん」を追記する。
例えば、既知語抽出部１から、単語分割された入力文Ｉとして「タルト（名詞）／を（助詞）／食べ（動詞）／たい（助動詞）」を、未知語として「タルト」が通知された場合、未知語辞書更新部３は、未知語辞書Ｂ（図３）に登録された単語の中から、「タルト」を検索し、登録されていないため、新たに未知語として登録する。また、未知語予測部６により、入力文Ｉから「タルト」の近似語として「うどん」が推定された場合、未知語辞書更新部３は、未知語辞書Ｂの「タルト」の近似語として「うどん」を追記する。
【0049】
文保管部４は、文モデルＤを学習、又は再学習するために、入力された入力文Ｉを入力文履歴Ｃとして保管する。
【0050】
文モデル学習部５は、指示入力又は一定周期などの所定のタイミングで、あるいは再学習要求部７からの要求があると、入力文履歴Ｃに保管されている過去に入力された文を用いて、文モデルＤを学習又は再学習するとともに、既知語辞書Ａ及び未知語辞書Ｂの更新処理を実行する。
【0051】
本実施形態では、文モデルＤの学習方法の一例として、次の非特許文献２に示されているＷｏｒｄ２ｖｅｃを用いるものとする。
非特許文献２： T. Mikolov, K. Chen, G. Corrado, J. Dean: "Efficient Estimation of Word Representations in Vector Space," Proceedings of Workshop at ICLR, arXiv: 1301.3781 (2013).
非特許文献２： T. Mikolov, K. Chen, G. Corrado, J. Dean: "Efficient Estimation of Word Representations in Vector Space," Proceedings of Workshop at ICLR, arXiv: 1301.3781 (2013).
【0052】
Ｗｏｒｄ２ｖｅｃは、単語分割された文を使い、ターゲットの単語の周辺単語からターゲットの単語が出力されるように学習するニューラルネットワークである。大量の入力文を用いることで、学習されたニューラルネットワーク内の重みは、単語の特徴ベクトルとして用いることができ、意味的に近似する単語の特徴ベクトルは、近くのベクトル値になることが経験的に知られている。
【0053】
図７は、本実施形態における文モデルＤの学習方法を例示する図である。
ここでは、「おいし／そう／な／ラーメン／です／ね」という単語分割された文において、ターゲットの単語を「ラーメン」とした場合の、Ｗｏｒｄ２ｖｅｃによる学習の例を示している。
ここでは、「おいし／そう／な／ラーメン／です／ね」という単語分割された文において、ターゲットの単語を「ラーメン」とした場合の、Ｗｏｒｄ２ｖｅｃによる学習の例を示している。
【0054】
この例は、Ｗｏｒｄ２ｖｅｃが学習する単語の語彙数をＶ、単語の特徴ベクトルの次元数をＮとした場合を示しており、ターゲットの単語を除く周辺の単語を入力し、「ラーメン」という単語が出力されるように学習することで、ネットワーク内のＮ次元の特徴ベクトルが学習される。
ここで、ＷＮ×Ｖ及びＷ’Ｖ×Ｎは、ネットワークの重みを表しており、入力の各単語ｗｉに相当するｏｎｅ－ｈｏｔベクトルｘｗｉから得られるＮ次元ベクトルＷＮ×Ｖ・ｘｗｉの総和が、ターゲットの単語の特徴ベクトルとなる。
文モデル学習部５は、入力文履歴Ｃを使って、Ｗｏｒｄ２ｖｅｃの学習を行い、学習結果のＷＮ×Ｖ及びＷ’Ｖ×Ｎを文モデルＤとして保管する。
ここで、ＷＮ×Ｖ及びＷ’Ｖ×Ｎは、ネットワークの重みを表しており、入力の各単語ｗｉに相当するｏｎｅ－ｈｏｔベクトルｘｗｉから得られるＮ次元ベクトルＷＮ×Ｖ・ｘｗｉの総和が、ターゲットの単語の特徴ベクトルとなる。
文モデル学習部５は、入力文履歴Ｃを使って、Ｗｏｒｄ２ｖｅｃの学習を行い、学習結果のＷＮ×Ｖ及びＷ’Ｖ×Ｎを文モデルＤとして保管する。
【0055】
Ｗｏｒｄ２ｖｅｃで単語の特徴ベクトルを学習するためには、単語に対してある程度の量の学習文が必要である。したがって、出現頻度の低い単語に関しては、精度の高い特徴ベクトルが得られないため、学習する単語の語彙数Ｖは、予め出現頻度を数えた上で決定される。本実施形態では、学習に用いたＶ個の語彙の中から、名詞の単語が既知語辞書Ａに登録される。
【0056】
図８は、本実施形態における文モデル学習部５による処理の流れを示す図である。
ステップＳ５１において、文モデル学習部５は、入力文履歴Ｃの文から、全単語それぞれの出現頻度として回数をカウントし、Ｋ個以上出現した単語を学習対象の単語として決定する。
ここで、Ｋ個以上出現した単語とは、入力文履歴Ｃの全体の中にＫ個以上存在する単語であってよいが、これには限られず、例えば、ある一定期間にＫ回以上出現した単語が選択されてもよい。
ステップＳ５１において、文モデル学習部５は、入力文履歴Ｃの文から、全単語それぞれの出現頻度として回数をカウントし、Ｋ個以上出現した単語を学習対象の単語として決定する。
ここで、Ｋ個以上出現した単語とは、入力文履歴Ｃの全体の中にＫ個以上存在する単語であってよいが、これには限られず、例えば、ある一定期間にＫ回以上出現した単語が選択されてもよい。
【0057】
ステップＳ５２において、文モデル学習部５は、ステップＳ５１で決定した単語の数Ｖを入力及び出力の次元としてＷｏｒｄ２ｖｅｃの学習を実行し、学習結果のＷＮ×Ｖ及びＷ’Ｖ×Ｎを文モデルＤとして保管する。
【0058】
ステップＳ５３において、文モデル学習部５は、学習に用いた語彙のうちの名詞を、既知語辞書Ａに既知語として登録する。
【0059】
ステップＳ５４において、文モデル学習部５は、未知語辞書Ｂに登録されている単語の中から、学習に用いた単語、すなわち既知語辞書Ａに登録された単語を削除する。この結果、学習により未知語辞書Ｂの未知語の一部が既知語辞書Ａに移されることとなる。
【0060】
未知語予測部６は、指定された未知語Ｘ、及びこの未知語Ｘが含まれていた入力文Ｉから、未知語Ｘの近似語として、既知語辞書Ａに登録されている既知語の中から１つの単語を推定する。
図７に示したように、文モデルＤにより、周辺の単語から出現確率の高い単語を予測することができるので、未知語予測部６は、未知語Ｘが含まれる入力文Ｉにおける未知語Ｘ以外の周辺単語から、未知語Ｘの位置に当てはまる単語を予測することで、既知語辞書Ａの中から近似語を推定する。
図７に示したように、文モデルＤにより、周辺の単語から出現確率の高い単語を予測することができるので、未知語予測部６は、未知語Ｘが含まれる入力文Ｉにおける未知語Ｘ以外の周辺単語から、未知語Ｘの位置に当てはまる単語を予測することで、既知語辞書Ａの中から近似語を推定する。
【0061】
再学習要求部７は、文モデル学習部５に文モデルＤの再学習を要求する。前述のように、学習には、対象の単語にある程度の出現頻度（Ｋ個以上）が必要である。このため、再学習要求部７は、未知語辞書Ｂに登録されている各未知語に対する近似語の推定結果の数を監視し、推定語数がＫ個以上の未知語が一定数Ｌ以上になると再学習を要求する。
【0062】
例えば、Ｋ＝５０，Ｌ＝１００とすると、１００個の未知語に対応付けて登録された近似語が全て５０個以上の状態になると、再学習要求部７は、再学習の要求を文モデル学習部５に通知することになる。
なお、本実施形態では、文モデル学習部５による再学習を、再学習要求部７から自動で要求することとしたが、ユーザが任意のタイミングで要求してもよい。
なお、本実施形態では、文モデル学習部５による再学習を、再学習要求部７から自動で要求することとしたが、ユーザが任意のタイミングで要求してもよい。
【0063】
テンプレート作成部９は、既知語抽出部１から通知された、単語分割された文、及びこの文に含まれる既知語から、既知語の部分を穴埋めとするテンプレート文を作成し、データベース（テンプレート文Ｅ）に保管する。
【0064】
図９は、本実施形態におけるテンプレート文Ｅの例を示す図である。
ここでは、括弧［］で囲まれている単語（既知語）が置き換え可能な名詞を示している。例えば、１行目の「大人になっても秋田犬は人気があるんですね。」という過去の入力文Ｉから作成されたテンプレート文において、置き換えが可能な単語が［大人］［秋田犬］［人気］であることが示されている。同様に、２行目では、「柴犬っていうのは海外でも人気ですかね？」という過去の入力文Ｉから、［柴犬］［海外］［人気］が置換可能なテンプレート文が作成されている。
ここでは、括弧［］で囲まれている単語（既知語）が置き換え可能な名詞を示している。例えば、１行目の「大人になっても秋田犬は人気があるんですね。」という過去の入力文Ｉから作成されたテンプレート文において、置き換えが可能な単語が［大人］［秋田犬］［人気］であることが示されている。同様に、２行目では、「柴犬っていうのは海外でも人気ですかね？」という過去の入力文Ｉから、［柴犬］［海外］［人気］が置換可能なテンプレート文が作成されている。
【0065】
テンプレート作成部９は、このように、既知語抽出部１から通知された単語分割された入力文Ｉ及び既知語からテンプレート文を作成し、テンプレート文Ｅに保管する。例えば、既知語抽出部１から入力文として「かわいい（形容詞）／三毛猫（名詞）／です（助動詞）／ね（助詞）」、既知語として「三毛猫」が通知されると、テンプレート作成部９は、「かわいい［三毛猫］ですね。」というテンプレート文を作成し、テンプレート文Ｅに追記する。
【0066】
なお、本実施形態では、既知語抽出部１から通知された入力文Ｉを全てテンプレート文として利用しているが、これには限定されない。例えば、予め定めた所定の文字数以下の文だけがテンプレート文として利用されてもよい。また、「行きたい」「食べたい」などの動詞句、又は「きれい」「大きな」などの形容詞など、感情が含まれる文だけをテンプレート文として保管しておくことで、ロボットが感情を含んだ発話をするように構成されてもよい。
【0067】
発話文生成部１０は、既知語抽出部１から通知された既知語Ｚ、又は未知語抽出部２から通知された未知語Ｘ及び近似語Ｙから、発話文Ｕを生成する。
【0068】
図１０は、本実施形態における発話文生成部１０による処理の流れを示す図である。
本処理は、既知語抽出部１から既知語Ｚが通知されるか、又は未知語抽出部２から未知語Ｘ及び近似語Ｙが通知されることにより開始される。
本処理は、既知語抽出部１から既知語Ｚが通知されるか、又は未知語抽出部２から未知語Ｘ及び近似語Ｙが通知されることにより開始される。
【0069】
ステップＳ１０１において、発話文生成部１０は、既知語Ｚが通知されたか未知語Ｘが通知されたかを判定する。既知語Ｚが通知された場合、処理はステップＳ１０２に移り、未知語Ｘが通知された場合、処理はステップＳ１０４に移る。
【0070】
ステップＳ１０２において、発話文生成部１０は、既知語抽出部１より通知された既知語Ｚを用いた発話文Ｕを生成するため、テンプレート選択部１１により選択されたテンプレート文を取得する。
なお、テンプレート選択部１１によるテンプレート文の選択方法は後述するが、既知語Ｚの類義語を含むテンプレート文が選択される。
なお、テンプレート選択部１１によるテンプレート文の選択方法は後述するが、既知語Ｚの類義語を含むテンプレート文が選択される。
【0071】
ステップＳ１０３において、発話文生成部１０は、取得したテンプレート文の中の類義語の部分を既知語Ｚに置換して、発話文Ｕを生成する。
【0072】
ステップＳ１０４において、発話文生成部１０は、未知語抽出部２より通知された未知語Ｘを用いた発話文Ｕを生成するため、テンプレート選択部１１により選択された、近似語Ｙに対するテンプレート文を取得する。
【0073】
ステップＳ１０５において、発話文生成部１０は、取得したテンプレート文の中の近似語の部分を未知語Ｘに置き換えることで発話文Ｕを生成する。
【0074】
このように、発話文生成部１０は、既知語Ｚの類義語又は未知語Ｘの近似語Ｙに対するテンプレート文を用いて発話文Ｕを生成する。
なお、既知語Ｚの類義語に比べて、未知語Ｘの近似語Ｙの精度（確かさ）は低いため、未知語Ｘを使った発話文は、近似語Ｙに対するテンプレート文から生成するのではなく、予め登録した、例えば、「～って何のことですか？」「～って知っていますか？」などの汎用のテンプレート文を使って生成されてもよい。
なお、既知語Ｚの類義語に比べて、未知語Ｘの近似語Ｙの精度（確かさ）は低いため、未知語Ｘを使った発話文は、近似語Ｙに対するテンプレート文から生成するのではなく、予め登録した、例えば、「～って何のことですか？」「～って知っていますか？」などの汎用のテンプレート文を使って生成されてもよい。
【0075】
テンプレート選択部１１は、指定された単語からテンプレート文Ｅに保管されたテンプレート文の中から１つを選択する。
まず、テンプレート選択部１１は、指定された単語（既知語Ｚ又は未知語Ｘ）に類似する単語を求める。ここで、未知語Ｘに類似する単語は、未知語Ｘに対応して未知語抽出部２により選択された近似語Ｙである。既知語Ｚに類似する単語は、学習された単語の特徴ベクトルの類似度により、次のように求められる。
まず、テンプレート選択部１１は、指定された単語（既知語Ｚ又は未知語Ｘ）に類似する単語を求める。ここで、未知語Ｘに類似する単語は、未知語Ｘに対応して未知語抽出部２により選択された近似語Ｙである。既知語Ｚに類似する単語は、学習された単語の特徴ベクトルの類似度により、次のように求められる。
【0076】
図１１は、本実施形態における文モデルＤとして学習された既知語辞書Ａに含まれる単語の特徴ベクトルのイメージを示す図である。
Ｗｏｒｄ２ｖｅｃによる学習結果は、図１１に示すように、似たような意味の単語間では、それぞれの特徴ベクトルが距離の近い位置に分布することが経験的に知られている。
Ｗｏｒｄ２ｖｅｃによる学習結果は、図１１に示すように、似たような意味の単語間では、それぞれの特徴ベクトルが距離の近い位置に分布することが経験的に知られている。
【0077】
図１１では、既知語辞書Ａに保管されている「ラーメン」「うどん」「日本そば」「スパゲティ」の特徴ベクトル、「秋田犬」「柴犬」「三毛猫」「トラ猫」の特徴ベクトル、「東京駅」「京都駅」の特徴ベクトル、「世田谷」「イギリス」「フランス」の特徴ベクトルが、それぞれ近くに分布していることを示している。一方、「うどん」と「トラ猫」とでは、特徴ベクトルの距離が離れている。
この場合、例えば、「トラ猫」と特徴ベクトルが類似する「三毛猫」「秋田犬」「柴犬」などの単語（類義語）が入ったテンプレート文は、これらの単語を「トラ猫」で置き換えても利用できる可能性が高い。したがって、テンプレート選択部１１は、既知語「トラ猫」に対して、いずれかの類義語（例えば、「三毛猫」）が入ったテンプレート文を選択する。
この場合、例えば、「トラ猫」と特徴ベクトルが類似する「三毛猫」「秋田犬」「柴犬」などの単語（類義語）が入ったテンプレート文は、これらの単語を「トラ猫」で置き換えても利用できる可能性が高い。したがって、テンプレート選択部１１は、既知語「トラ猫」に対して、いずれかの類義語（例えば、「三毛猫」）が入ったテンプレート文を選択する。
【0078】
図１２は、本実施形態におけるテンプレート選択部１１による処理の流れを示す図である。
本処理は、既知語Ｚが入力されることで開始される。
本処理は、既知語Ｚが入力されることで開始される。
【0079】
ステップＳ１１１において、テンプレート選択部１１は、既知語Ｚに対して、特徴ベクトルが類似する他の単語、例えば、類似度が上位所定数（例えば、５つ）の単語を、類義語の候補として文モデルＤの語彙から抽出する。
特徴ベクトルの類似度には、例えば、２つのベクトルａ，ｂ間のコサイン類似度（ｃｏｓ（ａ，ｂ）＝ａ・ｂ／｜ａ｜｜ｂ｜）を用いることができる。
なお、類義語として、類似度が上位の単語が抽出されることとしたが、これ以外にも、類似度が所定値以上の単語が抽出されてもよい。また、類似度は、コサイン類似度には限られない。
特徴ベクトルの類似度には、例えば、２つのベクトルａ，ｂ間のコサイン類似度（ｃｏｓ（ａ，ｂ）＝ａ・ｂ／｜ａ｜｜ｂ｜）を用いることができる。
なお、類義語として、類似度が上位の単語が抽出されることとしたが、これ以外にも、類似度が所定値以上の単語が抽出されてもよい。また、類似度は、コサイン類似度には限られない。
【0080】
ステップＳ１１２において、テンプレート選択部１１は、抽出した単語の中からランダムに１つを類義語として選択する。
【0081】
ステップＳ１１３において、テンプレート選択部１１は、テンプレート文Ｅに保管されているテンプレート文の中から、選択した類義語を含むテンプレート文を１つランダムに選択し、選択したテンプレート文及び選択した類義語を出力する。
【0082】
本実施形態によれば、発話辞書学習装置１００は、特徴ベクトルを学習してロボットが話す言葉として利用できる単語を保管した既知語辞書Ａと、既知語辞書Ａには含まれないが、過去の入力文に存在し聞いたことがある単語を保管した未知語辞書Ｂとを備え、日々入力される入力文Ｉを用いて段階的にこれらの辞書に含まれる単語を更新する。
これにより、発話辞書学習装置１００は、コミュニケーションロボットが話すことの出来る単語を次第に増やしていくことができ、これらの単語を用いて発話を行うコミュニケーションロボットに「成長感」を持たせることができる。
これにより、発話辞書学習装置１００は、コミュニケーションロボットが話すことの出来る単語を次第に増やしていくことができ、これらの単語を用いて発話を行うコミュニケーションロボットに「成長感」を持たせることができる。
【0083】
発話辞書学習装置１００は、未知語の出現回数に基づいて、再学習を行うことにより、適切なタイミングで文モデルＤと、既知語辞書Ａ及び未知語辞書Ｂを更新することができる。
具体的には、未知語辞書Ｂに、出現回数が所定以上の未知語が所定以上登録された場合に再学習を行うことで、通常は時間のかかる未知語辞書Ｂの単語を既知語辞書Ａに移すための既知語辞書Ａの再学習の頻度を低減できる。
具体的には、未知語辞書Ｂに、出現回数が所定以上の未知語が所定以上登録された場合に再学習を行うことで、通常は時間のかかる未知語辞書Ｂの単語を既知語辞書Ａに移すための既知語辞書Ａの再学習の頻度を低減できる。
【0084】
発話辞書学習装置１００は、未知語に対して、既知語辞書Ａに含まれる近似語を、文モデルＤに基づく予測結果により推定して未知語辞書Ｂに登録する。
これにより、発話辞書学習装置１００は、再学習前であっても、未知語を使った発話文を、近似語を手掛かりとして生成できるように、未知語辞書Ｂを提供できる。
これにより、発話辞書学習装置１００は、再学習前であっても、未知語を使った発話文を、近似語を手掛かりとして生成できるように、未知語辞書Ｂを提供できる。
【0085】
発話文生成装置２００は、これらの既知語辞書Ａ及び未知語辞書Ｂを参照することで、次第に増していく語彙を用いて、コミュニケーションロボットの発話機能を成長させることができる。
【0086】
また、発話文生成装置２００は、既知語を含む入力文Ｉをテンプレート文として登録することにより、視聴するテレビ番組など、利用者ごとに異なる入力文Ｉに基づいて異なるテンプレート文が蓄積される。これにより、コミュニケーションロボットごとに、「成長」とともに変わる「個性」を持った発話が可能となる。
【0087】
発話文生成装置２００は、既知語辞書Ａに登録される前の未知語に対して、文モデルＤによる推定頻度が高い単語を優先して近似語として選択する。これにより、発話文生成装置２００は、特徴ベクトルの学習ができていない未知語に対しても、信頼度の高い近似語を用いてテンプレート文を選択し発話文を生成できる。
【0088】
以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、前述の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、実施形態に記載されたものに限定されるものではない。
【0089】
本実施形態では、主に発話辞書学習装置１００及び発話文生成装置２００の構成と動作について説明したが、本発明はこれに限られず、各構成要素を備え、コミュニケーションロボットに発話させるための方法、又はプログラムとして構成されてもよい。
【0090】
さらに、発話辞書学習装置１００及び発話文生成装置２００の機能を実現するためのプログラムをコンピュータで読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。
【0091】
ここでいう「コンピュータシステム」とは、ＯＳや周辺機器などのハードウェアを含むものとする。また、「コンピュータで読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭなどの可搬媒体、コンピュータシステムに内蔵されるハードディスクなどの記憶装置のことをいう。
【0092】
さらに「コンピュータで読み取り可能な記録媒体」とは、インターネットなどのネットワークや電話回線などの通信回線を介してプログラムを送信する場合の通信線のように、短時刻の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時刻プログラムを保持しているものも含んでもよい。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
【符号の説明】
【0093】
Ａ 既知語辞書
Ｂ 未知語辞書
Ｃ 入力文履歴
Ｄ 文モデル
Ｅ テンプレート文
１ 既知語抽出部
２ 未知語抽出部
３ 未知語辞書更新部
４ 文保管部
５ 文モデル学習部
６ 未知語予測部
７ 再学習要求部
９ テンプレート作成部
１０ 発話文生成部
１１ テンプレート選択部
１００ 発話辞書学習装置
２００ 発話文生成装置
Ｂ 未知語辞書
Ｃ 入力文履歴
Ｄ 文モデル
Ｅ テンプレート文
１ 既知語抽出部
２ 未知語抽出部
３ 未知語辞書更新部
４ 文保管部
５ 文モデル学習部
６ 未知語予測部
７ 再学習要求部
９ テンプレート作成部
１０ 発話文生成部
１１ テンプレート選択部
１００ 発話辞書学習装置
２００ 発話文生成装置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】