特開 2022-16277 プログラム、情報処理装置、及び情報処理方法

(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】P2022016277

(43)【公開日】2022-01-21

(54)【発明の名称】プログラム、情報処理装置、及び情報処理方法

(51)【国際特許分類】

   G06Q 10/06 20120101AFI20220114BHJP

   G06Q 50/10 20120101ALI20220114BHJP

   G06N 20/00 20190101ALI20220114BHJP

【ＦＩ】

G06Q10/06

G06Q50/10

G06N20/00

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2021024656

(22)【出願日】2021-02-18

(31)【優先権主張番号】P 2020117900

(32)【優先日】2020-07-08

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】000208891

【氏名又は名称】ＫＤＤＩ株式会社

(71)【出願人】

【識別番号】508354533

【氏名又は名称】Ｕｎｉｐｏｓ株式会社

(71)【出願人】

【識別番号】305027401

【氏名又は名称】東京都公立大学法人

(74)【代理人】

【識別番号】100166006

【弁理士】

【氏名又は名称】泉 通博

(74)【代理人】

【識別番号】100154070

【弁理士】

【氏名又は名称】久恒 京範

(74)【代理人】

【識別番号】100153280

【弁理士】

【氏名又は名称】寺川 賢祐

(72)【発明者】

【氏名】小西 達也

(72)【発明者】

【氏名】黒川 茂莉

(72)【発明者】

【氏名】塚常 健太

(72)【発明者】

【氏名】水谷 優斗

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA06

5L049CC11

(57)【要約】

【課題】定量的な情報に基づいて構成員が属する組織の数値目標を達成するためのアドバイスを提供する。
【解決手段】モデル取得部３０は、組織の特徴を示す特徴量を入力とし、組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得する。目標受付部３１は、活動データの目標値の入力を受け付ける。モデル逆算部３２は、学習モデルが目標値を出力するために学習モデルに入力する特徴量である第１特徴量を算出する。差分取得部３３は、第１特徴量と、組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得する。出力部３４は、差分特徴量に対応する文字列を表示部に出力する。
【選択図】図３

【特許請求の範囲】

【請求項1】

コンピュータに、
組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得する機能と、
前記活動データの目標値の入力を受け付ける機能と、
前記学習モデルが前記目標値を出力するために前記学習モデルに入力する特徴量である第１特徴量を算出する機能と、
前記第１特徴量と、前記組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得する機能と、
前記差分特徴量に対応する文字列を表示部に出力する機能と、
を実現させるプログラム。

【請求項2】

前記コンピュータに、
前記差分特徴量の値を調整するための調整量を受け付ける機能と、
前記調整量に基づいて前記差分特徴量を調整して調整済み特徴量を算出する機能と、をさらに実現させ、
前記出力する機能は、前記調整済み特徴量に対応する文字列を出力する、
請求項１に記載のプログラム。

【請求項3】

前記コンピュータに、
前記第１特徴量と前記第２特徴量との差分が前記調整済み特徴量となるように修正した前記第１特徴量を前記学習モデルに入力して調整済み活動データを算出する機能をさらに実現させ、
前記出力する機能は、前記調整済み活動データを出力する、
請求項２に記載のプログラム。

【請求項4】

前記第１特徴量を算出する機能は、
前記学習モデルに入力する特徴量の初期値を設定する機能と、
前記特徴量を前記学習モデルに入力した場合の出力である活動データの値と、前記目標値との差が所定の閾値未満となるまで、前記特徴量を更新する機能と、
前記目標値との差が所定の閾値未満となるまで更新された前記特徴量を前記第１特徴量として出力する機能と、
を備える請求項１から３のいずれか１項に記載のプログラム。

【請求項5】

前記コンピュータに、
前記特徴量に関する拘束条件の設定を受け付ける機能をさらに実現させ、
前記更新する機能は、前記拘束条件を満たす範囲において、前記特徴量を更新する、
請求項４に記載のプログラム。

【請求項6】

前記特徴量は、ＳＮＳ（Social Networking Service）におけるユーザに関する情報であり、
前記出力する機能は、前記文字列を前記ＳＮＳに送信する、
請求項１から５のいずれか１項に記載のプログラム。

【請求項7】

コンピュータに、
請求項１に記載のプログラムを実行したコンピュータによって算出された第２特徴量及び差分特徴量と、前記文字列の提示後の組織の特徴を示す第３特徴量との複数の組み合わせに基づいて学習された学習モデルであって、第２特徴量と差分特徴量とを入力とし、第３特徴量と第１特徴量との乖離を反映する値を出力するように学習された第２学習モデルを取得する機能と、
前記学習モデルと前記第２学習モデルとから、組織の特徴を示す特徴量に関する評価関数を生成する機能と、
前記評価関数の極値となる特徴量である第４特徴量を算出する機能と、
前記第４特徴量と、前記第２特徴量との差分である差分特徴量を取得する機能と、
前記差分特徴量に対応する文字列を表示部に出力する機能と、
を実現させるプログラム。

【請求項8】

前記評価関数は、前記学習モデルの出力値が大きいほど大きい値を出力し、かつ前記第２学習モデルの出力値が小さいほど大きい値を出力する、
請求項７に記載のプログラム。

【請求項9】

組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得するモデル取得部と、
前記活動データの目標値の入力を受け付ける目標受付部と、
前記学習モデルが前記目標値を出力するために前記学習モデルに入力する特徴量である第１特徴量を算出するモデル逆算部と、
前記第１特徴量と、前記組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得する差分取得部と、
前記差分特徴量に対応する文字列を表示部に出力する出力部と、
を備える情報処理装置。

【請求項10】

プロセッサが、
組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得するステップと、
前記活動データの目標値の入力を受け付けるステップと、
前記学習モデルが前記目標値を出力するために前記学習モデルに入力する特徴量である第１特徴量を算出するステップと、
前記第１特徴量と、前記組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得するステップと、
前記差分特徴量に対応する文字列を表示部に出力するステップと、
を実行する情報処理方法。

【請求項11】

コンピュータに、
組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得する機能と、
前記組織が目標とする特徴を示す所定の第１特徴量と、前記組織の実際の特徴を示す第２特徴量との差分である差分特徴量を取得する機能と、
第２特徴量及び差分特徴量と、組織の特徴が第１特徴量となるように組織の構成員が行動した後の前記組織の特徴を示す第３特徴量との複数の組み合わせに基づいて学習された学習モデルであって、第２特徴量と差分特徴量とを入力とし、第３特徴量と第１特徴量との乖離を反映する値を出力するように学習された第２学習モデルを取得する機能と、
前記学習モデルと前記第２学習モデルとから、組織の特徴を示す特徴量に関する評価関数を生成する機能と、
前記評価関数の極値となる特徴量である第４特徴量を算出する機能と、
前記第４特徴量と、前記第２特徴量との差分である差分特徴量を取得する機能と、
前記差分特徴量に対応する文字列を表示部に出力する機能と、
を実現させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、プログラム、情報処理装置、及び情報処理方法に関する。

【背景技術】

【0002】

集団と構成員の状態を解析し、当該状態をよい状態にするための行動のアドバイスをする技術が提案されている（例えば、特許文献１を参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１１／１２５２７２号

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記の技術は、アドバイス選択の基準となる構成員の特徴を主観的かつ離散的に表現する指標であるアンケートを用いて取得しており、構成員それぞれの置かれた状況等を客観的に表現できていないという問題がある。

【0005】

本発明はこれらの点に鑑みてなされたものであり、定量的な情報に基づいて構成員が属する組織の数値目標を達成するためのアドバイス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】

【0006】

本発明の第１の態様は、プログラムである。このプログラムは、コンピュータに、組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得する機能と、前記活動データの目標値の入力を受け付ける機能と、前記学習モデルが前記目標値を出力するために前記学習モデルに入力する特徴量である第１特徴量を算出する機能と、前記第１特徴量と、前記組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得する機能と、前記差分特徴量に対応する文字列を表示部に出力する機能と、を実現させる。

【0007】

前記プログラムは、前記コンピュータに、前記差分特徴量の値を調整するための調整量を受け付ける機能と、前記調整量に基づいて前記差分特徴量を調整して調整済み特徴量を算出する機能と、をさらに実現させてもよく、前記出力する機能は、前記調整済み特徴量に対応する文字列を出力してもよい。

【0008】

前記プログラムは、前記コンピュータに、前記第１特徴量と前記第２特徴量との差分が前記調整済み特徴量となるように修正した前記第１特徴量を前記学習モデルに入力して調整済み活動データを算出する機能をさらに実現させてもよく、前記出力する機能は、前記調整済み活動データを出力してもよい。

【0009】

前記第１特徴量を算出する機能は、前記学習モデルに入力する特徴量の初期値を設定する機能と、前記特徴量を前記学習モデルに入力した場合の出力である活動データの値と、前記目標値との差が所定の閾値未満となるまで、前記特徴量を更新する機能と、前記目標値との差が所定の閾値未満となるまで更新された前記特徴量を前記第１特徴量として出力する機能と、を備えてもよい。

【0010】

前記プログラムは、前記コンピュータに、前記特徴量に関する拘束条件の設定を受け付ける機能をさらに実現させてもよく、前記更新する機能は、前記拘束条件を満たす範囲において、前記特徴量を更新してもよい。

【0011】

前記特徴量は、ＳＮＳ（Social Networking Service）におけるユーザに関する情報であってもよく、前記出力する機能は、前記文字列を前記ＳＮＳに送信してもよい。

【0012】

本発明の第２の態様もプログラムである。このプログラムは、コンピュータに、上述のプログラムを実行したコンピュータによって算出された第２特徴量及び差分特徴量と、前記文字列の提示後の組織の特徴を示す第３特徴量との複数の組み合わせに基づいて学習された学習モデルであって、第２特徴量と差分特徴量とを入力とし、第３特徴量と第１特徴量との乖離を反映する値を出力するように学習された第２学習モデルを取得する機能と、前記学習モデルと前記第２学習モデルとから、組織の特徴を示す特徴量に関する評価関数を生成する機能と、前記評価関数の極値となる特徴量である第４特徴量を算出する機能と、前記第４特徴量と、前記第２特徴量との差分に対応する文字列を表示部に出力する機能と、を実現させる。

【0013】

前記評価関数は、前記学習モデルの出力値が大きいほど大きい値を出力し、かつ前記第２学習モデルの出力値が小さいほど大きい値を出力してもよい。

【0014】

本発明の第３の態様は、情報処理装置である。この装置は、組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得するモデル取得部と、前記活動データの目標値の入力を受け付ける目標受付部と、前記学習モデルが前記目標値を出力するために前記学習モデルに入力する特徴量である第１特徴量を算出するモデル逆算部と、前記第１特徴量と、前記組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得する差分取得部と、前記差分特徴量に対応する文字列を表示部に出力する出力部と、を備える。

【0015】

本発明の第４の態様は、情報処理方法である。この方法において、プロセッサが、組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得するステップと、前記活動データの目標値の入力を受け付けるステップと、前記学習モデルが前記目標値を出力するために前記学習モデルに入力する特徴量である第１特徴量を算出するステップと、前記第１特徴量と、前記組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得するステップと、前記差分特徴量に対応する文字列を表示部に出力するステップと、を実行する。

【0016】

本発明の第５の態様もプログラムである。このプログラムは、コンピュータに、組織の特徴を示す特徴量を入力とし、前記組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを取得する機能と、前記組織が目標とする特徴を示す所定の第１特徴量と、前記組織の実際の特徴を示す第２特徴量との差分である差分特徴量を取得する機能と、第２特徴量及び差分特徴量と、組織の特徴が第１特徴量となるように組織の構成員が行動した後の前記組織の特徴を示す第３特徴量との複数の組み合わせに基づいて学習された学習モデルであって、第２特徴量と差分特徴量とを入力とし、第３特徴量と第１特徴量との乖離を反映する値を出力するように学習された第２学習モデルを取得する機能と、前記学習モデルと前記第２学習モデルとから、組織の特徴を示す特徴量に関する評価関数を生成する機能と、前記評価関数の極値となる特徴量である第４特徴量を算出する機能と、前記第４特徴量と、前記第２特徴量との差分である差分特徴量を取得する機能と、前記差分特徴量に対応する文字列を表示部に出力する機能と、を実現させる。

【0017】

上記プログラムを提供するため、あるいはプログラムの一部をアップデートするために、上記プログラムを記録したコンピュータ読み取り可能な記録媒体が提供されてもよく、また、上記プログラムが通信回線で伝送されてもよい。

【0018】

なお、以上の構成要素の任意の組み合わせ、本発明の表現を方法、装置、システム、コンピュータプログラム、データ構造、記録媒体などの間で変換したものもまた、本発明の態様として有効である。

【発明の効果】

【0019】

本発明によれば、定量的な情報に基づいて構成員が属する組織の数値目標を達成するためのアドバイスを提供することができる。

【図面の簡単な説明】

【0020】

【図1】実施の形態に係る学習モデルを説明するための図である。

【図2】学習モデルの入力の算出と特徴量の差分とを説明するための図である。

【図3】実施の形態に係る情報処理装置の機能構成を模式的に示す図である。

【図4】差分特徴量と文字列との対応関係を説明するための模式図である。

【図5】実施の形態に係るモデル逆算部の機能構成を模式的に示す図である。

【図6】実施の形態に係るモデル逆算部が実行する逆算処理を説明するための図である。

【図7】実施の形態に係る情報処理装置が実行する情報処理の流れを説明するためのフローチャートである。

【図8】第２の変形例に係る情報処理装置が扱う特徴量の一覧を表形式で示す図である。

【発明を実施するための形態】

【0021】

＜実施の形態の概要＞
実施の形態の概要を述べる。実施の形態に係る情報処理装置は、組織の特徴を示す特徴量を入力としたとき、その組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを保持している。

【0022】

ここで、「組織の特徴を示す特徴量」は、その組織を構成する構成員の特徴又は構成員同士のつながり方の特徴を示す量であればどのようなものでもよく、一例としては、人的ネットワークを表現する隣接行列や、人的ネットワークを構成する各ノード及びエッジに付与される特徴量である。

【0023】

また、「組織の活動の大小を示す活動データ」は、その組織で行われる活動が活発か否かを端的に示す量であればどのようなものでもよく、一例としては、組織を構成する構成員間でやりとりされたメールの総数、組織を構成する構成員がＳＮＳに参加している場合は、そのＳＮＳにおける構成員のインタラクションの総数や単位期間あたりのログイン数の総和、組織が営利組織である場合には、単位期間あたりの組織全体としての売上額や利益率等が挙げられる。

【0024】

実施の形態に係る情報処理装置は、任意の活動データを受け付けると、その活動データを出力するために学習モデルに入力すべき特徴量を算出する。実施の形態に係る情報処理装置は、算出した特徴量と、組織の現在の状態を示す特徴量とを比較することにより、組織の活動データが受け付けた活動データとなるために組織の構成員や構成員同士のつながりがどのようになればよいかのアドバイスを出力する。

【0025】

図１（ａ）－（ｃ）は、実施の形態に係る学習モデルを説明するための図である。また、図２は、学習モデルの入力の算出と特徴量の差分とを説明するための図である。以下、図１を参照して学習モデルを説明した後に、図２を参照して実施の形態に係る情報処理が実行する処理の概要を説明する。

【0026】

図１（ａ）は、組織を構成する構成員を示す模式図である。説明の便宜のため、図１（ａ）に示すように、組織の構成員は、構成員α、構成員β、及び構成員γの３名であることを前提とするが、組織の構成員は３名より多くてもよい。

【0027】

図１（ｂ）は、図１（ａ）に示す３名の構成員の人的ネットワークを示す重み付き有向グラフと、３名の構成員によって構成される組織の活動データとを示す模式図である。図１（ｂ）に示す例は、構成員α、構成員β、及び構成員γが所属する組織内で運用されているＳＮＳにおけるインタラクションを示している。

【0028】

具体的には、図１（ｂ）において、円で囲ったα、β、及びγは、それぞれ構成員α、構成員β、及び構成員γを示している。また、構成員同士を結ぶ矢印は、矢印の始点にあたる構成員から、矢印の終点にあたる構成員に対して行われた単位期間（例えば１ヶ月間）あたりのインタラクションの数を示している。例えば、図１（ｂ）に示す例では、構成員αは構成員βに対して単位期間あたりｐ回のインタラクションを起こしたことを示している。一方で、構成員βから構成員αに対するインタラクションは単位期間の間になかったことを示している。

【0029】

また、図１（ｂ）において、各円の近傍に付された文字は各構成員の特徴を示す特徴量である。図１（ｂ）に示す例では、各構成員の特徴量は、各構成員の１日の平均労働時間を示している。例えば、構成員βの平均労働時間は、１日あたりｕ時間であることを示している。さらに、図１（ｂ）において、活動データは、構成員α、構成員β、及び構成員γによって構成される組織における単位期間あたりの売上額を示している。図１（ｂ）に示す例では、組織の売上額は１ヶ月でＡ円であったことを示している。

【0030】

図１（ｃ）は、学習モデルの生成を説明するための模式図である。具体的には、図１（ｃ）に示す学習モデルは、３人の構成員から構成される組織の特徴量と、その組織における活動データとを１組とする複数の組から構成される教師データに基づいて、ニューラルネットワークによって機械学習により生成される。既知のように、人的ネットワークは隣接行列によって表現することができる。例えば、図１（ｂ）に示す人的ネットワークは、以下の式（１）に示す３行３列の行列によって表現される。

【0031】

【0032】

式（１）に示す隣接行列において、各行は人的ネットワークにおける矢印の始点、各列は人的ネットワークにおける矢印の終点、値は単位期間あたりのインタラクションの数を示している。例えば、１行２列は構成員αから構成員βへのインタラクションの数（ｐ回）を示している。同一の構成員間のインタラクションは存在しないため、隣接行列における対角成分は０となっている。また、各構成員の特徴は、以下の式（２）に示す１行３列のベクトルの成分で表されている。各列の要素は各構成員の特徴量に対応する。例えば、式（２）における第１成分は構成員αの特徴を示しており、例えば、構成員αの平均労働時間が１日あたりｔ時間であることを示している。

【0033】

【0034】

実施の形態に係る情報処理装置は、大量の教師データに基づいて組織の特徴を示す特徴量を入力したときその組織の活動データを出力するようにあらかじめ学習された学習モデルを保持している。ここで、学習モデルに入力する特徴量をｘとし、学習モデルが出力する活動データをｙとする。図１（ｃ）に示す例では、特徴量ｘは、３行３列の隣接行列と、１行３列のベクトルとを合わせた情報であり、１２個の成分を持つ情報となる。一方、活動データｙはスカラ値となる。なお、学習モデルが複数の異なる活動データ（例えば、月間売り上げ、月間ログイン数、インタラクション数の総和等）を出力するように学習されている場合、活動データｙは複数の成分を持つ情報となる。

【0035】

学習モデルは、特徴量ｘを入力として活動データｙを出力するため、ｆを多変数関数として、ｙ＝ｆ（ｘ）と表現できる。図１（ｃ）に示す例では、関数ｆは１２個の成分を引数とする関数となる。あらかじめ機械学習によって学習モデルが生成されていることは、関数ｆ（ｘ）が固定されていることを意味する。そこで、実施の形態に係る情報処理装置は所望の活動データｙを出力するために関数ｆに入力すべき特徴量ｘを、学習モデルを表す関数ｆを用いて逆算することによって算出する。

【0036】

図２（ａ）は、活動データｙの値を目標値であるＣとするための特徴量がｘ’であることを示している。これは、組織の特徴量がｘ’になれば、その組織の活動データがＣとなることを示している。また、図２（ｂ）は、組織の現状の特徴量ｘを示している。したがって、組織の特徴量ｘを特徴量ｘ’にすることができれば、その組織の活動データをＣとすることができる。

【0037】

図２（ｃ）は、特徴量ｘ’と特徴量ｘとの差分ｘ’－ｘを示す模式図である。図２（ｃ）に示す例は、例えば構成員βから構成員αへのインタラクションをｌ－ｃ回増やすことが、その組織の活動データをＣとするための条件の一つであることを示している。同様に、構成員αの１日の労働時間をｐ－ｑ時間増やすことも、組織の活動データをＣとするための条件の一つであることを示している。なお、ｌ－ｃやｐ－ｑが負の値となる場合、それぞれ構成員βから構成員αへのインタラクションを｜ｌ－ｃ｜回減らし、構成員αの１日の労働時間を｜ｐ－ｑ｜時間減らすことを示している。これらは、組織の活動データを目標値Ｃとするための具体的なアドバイスとなる。

【0038】

組織の特徴量や活動データは、定量的かつ客観的な情報である。また、学習モデルは、組織全体の統計的な情報を集約したものと捉えることができる。したがって、実施の形態に係る情報処理装置は、定量的かつ客観的な情報と組織全体の統計的な情報とを用いて、構成員が属する組織の数値目標を達成するためのアドバイスを提供することができる。

【0039】

＜実施の形態に係る情報処理装置１の機能構成＞
図３は、実施の形態に係る情報処理装置１の機能構成を模式的に示す図である。情報処理装置１は、記憶部２、制御部３、及び表示部４を備える。図３において、矢印は主なデータの流れを示しており、図３に示していないデータの流れがあってもよい。図３において、各機能ブロックはハードウェア（装置）単位の構成ではなく、機能単位の構成を示している。そのため、図３に示す機能ブロックは単一の装置内に実装されてもよく、あるいは複数の装置内に分かれて実装されてもよい。機能ブロック間のデータの授受は、データバス、ネットワーク、可搬記憶媒体等、任意の手段を介して行われてもよい。

【0040】

記憶部２は、情報処理装置１を実現するコンピュータのＢＩＯＳ（Basic Input Output System）等を格納するＲＯＭ（Read Only Memory）や情報処理装置１の作業領域となるＲＡＭ（Random Access Memory）、ＯＳ（Operating System）やアプリケーションプログラム、当該アプリケーションプログラムの実行時に参照される学習済みの学習モデル等の種々の情報を格納するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の大容量記憶装置である。

【0041】

制御部３は、情報処理装置１のＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のプロセッサであり、記憶部２に記憶されたプログラムを実行することによって、モデル取得部３０、目標受付部３１、モデル逆算部３２、差分取得部３３、出力部３４、調整受付部３５、調整実行部３６、モデル適用部３７、及び拘束条件受付部３８として機能する。

【0042】

なお、図３は、情報処理装置１が単一の装置で構成されている場合の例を示している。しかしながら、情報処理装置１は、例えばクラウドコンピューティングシステムのように複数のプロセッサやメモリ等の計算リソースによって実現されてもよい。この場合、制御部３を構成する各部は、複数の異なるプロセッサの中の少なくともいずれかのプロセッサがプログラムを実行することによって実現される。

【0043】

モデル取得部３０は、組織の特徴を示す特徴量を入力とし、組織の活動の大小を示すデータである活動データを出力するようにニューラルネットワークによって機械学習された学習モデルを記憶部２から読み出して取得する。

【0044】

目標受付部３１は、活動データの目標値の入力を受け付ける。具体的には、目標受付部３１は、情報処理装置１を操作するためのキーボード及びマウス等の図示しない入力インタフェースを介して情報処理装置１のユーザから目標値の入力を受け付ける。モデル逆算部３２は、学習モデルが目標値を出力するために学習モデルに入力する特徴量である第１特徴量を算出する。モデル逆算部３２の詳細は後述する。

【0045】

差分取得部３３は、組織の現在の特徴を示す第２特徴量を記憶部２から読み出して取得する。差分取得部３３は、第１特徴量と第２特徴量との差分である差分特徴量を演算により取得する。出力部３４は、差分特徴量に対応する文字列を表示部４に出力する。

【0046】

図４（ａ）－（ｂ）は、差分特徴量と文字列との対応関係を説明するための模式図である。具体的には、図４（ａ）は差分特徴量の例を示す図であり、図４（ｂ）は差分特徴量を文字列に変換するための文字列データベースのデータ構造を模式的に示す図である。文字列データベースは出力部３４によって管理され、記憶部２に格納されている。

【0047】

図４（ａ）において、＃Ｎ（Ｎ＝１，・・・，９）は、モデル逆算部３２によって算出された差分特徴量の要素である実数値を示している。例えば、＃１は「１」ではなく何らかの実数値を示している。

【0048】

図４（ｂ）に示すように、文字列データベースには、＃Ｎに対応する文字列が格納されている。出力部３４は、文字列データベースに含まれる＃Ｎを、実際の＃Ｎの値に置き換えて出力する。例えば、＃１に対応する文字列は、「αさんからβさんに対する行動を＃１回増加（減少）させましょう。」である。ここで、＃１の実際の値が「３」であったとすると、出力部３４は、「αさんからβさんに対する行動を３回増加させましょう。」という文字列を表示部４に出力する。別の例として、＃９の値が「－１．２」であるとすると、出力部３４は、「γさんは残業時間を１．２時間減少させましょう。」という文字列を表示部４に出力する。

【0049】

このように、情報処理装置１は、定量的かつ客観的な情報と組織全体の統計的な情報とを用いて、構成員が属する組織の数値目標を達成するためのアドバイスを提供することができる。

【0050】

図５は、実施の形態に係るモデル逆算部３２の機能構成を模式的に示す図である。モデル逆算部３２は、初期値設定部３２０、更新部３２１、及び第１特徴量出力部３２２を備える。また、図６は、実施の形態に係るモデル逆算部３２が実行する逆算処理を説明するための図である。以下、図５及び図６を参照して、モデル逆算部３２が実行する逆算処理について説明する。

【0051】

上述したように、特徴量ｘを学習モデルに入力したとき活動データｙが出力される場合、これらの関係はｙ＝ｆ（ｘ）と記述できる。図示の都合上、図６では特徴量ｘを示す軸を１次元としているが、通常ｘは多次元（図１に示す例では１２次元）である。すなわち、学習モデルを表す関数ｆは、多次元空間中の超曲面として表すことができる。

【0052】

いま、目標受付部３１が受け付けた活動データの目標値がＣであるとする。モデル逆算部３２は、ｆ（ｘ１）＝Ｃとなる第１特徴量ｘ１を算出することが目的となる。図６に示す例では、特徴量がｘ１であり、活動データがＣである点は黒丸で示されている。初期値設定部３２０は、学習モデルに入力する特徴量の初期値ｘｉを設定する。一例として、初期値設定部３２０は、乱数を生成して初期値ｘｉを設定する。別の例として、初期値設定部３２０は、組織の現在の特徴を示す第２特徴量ｘ２に乱数を加えて初期値ｘｉを設定してもよい。図６に示す例では、現在の組織は黒塗りの四角形で示されている。

【0053】

更新部３２１は、特徴量の初期値ｘｉを学習モデルに入力した場合の出力である活動データの値の初期値Ｂを算出する。図６に示す例では、特徴量がｘｉであり、活動データがＢである点は黒塗りの三角形で示されている。更新部３２１は、活動データの値と目標値Ｃとの差が所定の閾値未満となるまで、特徴量ｘを更新する。

【0054】

ここで、「所定の閾値」とは、更新部３２１が更新処理を停止するために参照する更新停止用参照値である。所定の閾値の具体的な値は、更新部３２１による更新処理の精度と演算速度とのバランスを考慮して実験により定めればよい。更新部３２１は、例えば既知の勾配法を用いることにより逐次的に特徴量ｘを更新することができる。

【0055】

なお、更新部３２１は、初期値Ｂと目標値Ｃとの差が所定の閾値未満となる前であっても、あらかじめ定められた所定の更新上限回数に到達するまで更新処理を繰り返した場合、更新処理を停止してもよい。これにより、更新部３２１は、更新処理が収束せずに演算し続ける事態を回避することができる。

【0056】

第１特徴量出力部３２２は、目標値Ｃとの差が所定の閾値未満となるまで更新された特徴量を第１特徴量ｘ１として出力する。これにより、モデル逆算部３２は、目標値Ｃとの差が所定の閾値未満となるような特徴量ｘを算出することができる。また、出力部３４は、更新後の活動データの値を表示部４に出力してもよい。

【0057】

図３の説明に戻る。情報処理装置１が演算により取得した差分特徴量は、組織の活動データが目標値となるために組織があるべき特徴量と言える。しかしながら、差分特徴量は既存の学習モデルに基づいて機械的に導出した量であり、実現可能性について保証されているとは限らない。

【0058】

そこで、調整受付部３５は、差分特徴量の値を調整するための調整量を受け付ける。具体的には、調整受付部３５は、情報処理装置１のユーザインターフェースを介して情報処理装置１のユーザから調整量を受け付ける。調整実行部３６は、調整受付部３５が受け付けた調整量に基づいて差分特徴量を調整して調整済み特徴量を算出する。出力部３４は、調整済み特徴量に対応する文字列を表示部４に出力する。これにより、情報処理装置１は、情報処理装置１のユーザによって調整されたアドバイスを出力することができる。

【0059】

また、モデル適用部３７は、第１特徴量ｘ１と第２特徴量ｘ２との差分が調整済み特徴量となるように修正した第１特徴量を学習モデルに入力して調整済み活動データを算出する。具体的には、モデル適用部３７は、調整実行部３６が調整した調整済み特徴量に第２特徴量を加算した特徴量を、修正した第１特徴量として学習モデルに入力する。出力部３４は、モデル適用部３７が算出した調整済み活動データを表示部４に出力する。

【0060】

情報処理装置１のユーザが差分特徴量を修正することにより、結果として第１特徴量ｘ１が修正されることになる。修正された第１特徴量ｘ１を入力とした場合の学習モデルの出力は、目標値である活動データＣとは異なる値となり得る。調整受付部３５が修正後の第１特徴量ｘ１に対応する活動データを表示することにより、情報処理装置１は、差分特徴量の修正が最終的な活動データにどの程度影響するかを示すことができる。

【0061】

調整受付部３５は、モデル逆算部３２が差分特徴量を算出した後に、算出後の差分特徴量の調整量を取得する。これに替えて、差分特徴量の調整を不要とするために、モデル逆算部３２の演算にあらかじめ拘束条件を設けてもよい。具体的には、まず、拘束条件受付部３８は、特徴量ｘに関する拘束条件の設定を情報処理装置１のユーザからユーザインターフェースを介して受け付ける。情報処理装置１は、例えば、活動データの改善策として実行が現実的な範囲となるように拘束条件を設定する。

【0062】

モデル逆算部３２は、拘束条件受付部３８が受け付けた拘束条件を満たす範囲において、特徴量ｘを更新する。具体的には、モデル逆算部３２は、既知の拘束条件付き勾配法により、特徴量ｘを更新する。これにより、情報処理装置１のユーザは、実行が現実的な範囲において、組織の活動データを改善するためのアドバイスを得ることができる。

【0063】

上述したように、実施の形態に係る情報処理装置１は、構成員が属する組織の数値目標を達成するためのアドバイスを提供することを目的としており、最終的にはアドバイスを構成員に届ける必要がある。ここで、構成員がＳＮＳに属しており、特徴量ｘがＳＮＳにおけるユーザに関する情報（具体的には、ユーザ同士のつながりを示す情報とユーザ自身を示す情報との少なくとも一方の情報）である場合には、出力部３４は、差分特徴量に対応する文字列を表示部４に替えて、あるいはそれに加えて、ＳＮＳに出力してもよい。具体的には、出力部３４は、例えば既知のＢＯＴ機能を用いて実現できる。これにより、情報処理装置１は、情報処理装置１のユーザが組織の構成員にアドバイスを通知する手間を省略することができる。

【0064】

＜情報処理装置１が実行する情報処理方法の処理フロー＞
図７は、実施の形態に係る情報処理装置１が実行する情報処理の流れを説明するためのフローチャートである。本フローチャートにおける処理は、例えば情報処理装置１が起動したときに開始する。

【0065】

モデル取得部３０は、組織の特徴を示す特徴量を入力とし、組織の活動の大小を示すデータである活動データを出力するよう学習された学習モデルを取得する（Ｓ２）。目標受付部３１は、情報処理装置１のユーザから活動データの目標値の入力を受け付ける（Ｓ４）。

【0066】

モデル逆算部３２は、学習モデルが目標値を出力するために学習モデルに入力する特徴量である第１特徴量を算出する（Ｓ６）。差分取得部３３は、第１特徴量と、組織の現在の特徴を示す第２特徴量との差分である差分特徴量を取得する（Ｓ８）。

【0067】

出力部３４は、差分特徴量に対応する文字列を表示部４に出力する（Ｓ１０）。出力部３４がアドバイスを出力すると、本フローチャートにおける処理は終了する。

【0068】

＜実施の形態に係る情報処理装置１が奏する効果＞
以上説明したように、実施の形態に係る情報処理装置１によれば、定量的な情報に基づいて構成員が属する組織の数値目標を達成するためのアドバイスを提供することができる。

【0069】

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果をあわせ持つ。

【0070】

＜第１の変形例＞
上記では、図１（ｂ）に示す構成員の人的ネットワークが重み付き有向グラフである場合について説明した。しかしながら、人的ネットワークは重み付き有向グラフである場合に限られず、重み無しの有向グラフでもよく、また無向グラフであってもよい。

【0071】

＜第２の変形例＞
上記では、情報処理装置１が演算により取得した差分特徴量の実現可能性を担保するために、調整実行部３６がユーザから受け付けた調整量に基づいて差分特徴量を調整したり、活動データの改善策としてアドバイスが現実的な範囲となるようにあらかじめ拘束条件を設定したりする場合について説明した。これに替えて、あるいはこれに加えて、過去に実施したアドバイスに対して組織の構成員が従ったかどうか、つまりそのアドアイスの受容性をモデリングすることで、その逆算による介入効果成功率を考慮しつつ、介入効果の期待値の高いアドバイスを提供してもよい。

【0072】

以下、第２の変形例に係る情報処理投資１について説明するが、上述した実施の形態に係る情報処理装置１と共通する事項については、適宜省略又は簡略化して説明する。

【0073】

図８は、第２の変形例に係る情報処理装置１が扱う特徴量の一覧を表形式で示す図である。図８に示すように、第２の変形例に係る情報処理装置１は、第１特徴量、第２特徴量、第３特徴量、第４特徴量、及び差分特徴量を扱う。

【0074】

上述したように、特徴量をｘ、活動データをｙ、ｆを学習モデルを表す固定された多変数関数とすると、ｙ＝ｆ（ｘ）と定式化できる。活動データを目標値Ｃとすることを目指したとき、それを実現する第１特徴量ｘ１は、ｘ_１＝ｆ^－１（Ｃ）となる。第１特徴量ｘ１は活動データが理想とする目標値Ｃとなる特徴量であるため、以下、第２の変形例に係る情報処理装置においては、説明の便宜のため、第１特徴量ｘ１を第１特徴量ｘ_{ｉｄｅａｌ}と記載する。このとき、組織に対するアドバイスを提供する前の組織の特徴量を第２特徴量ｘ_ａｃｔとすると、第１特徴量ｘ_{ｉｄｅａｌ}と第２特徴量ｘ_ａｃｔとの差分特徴量ｘ_ｄｉｆｆは、ｘ_ｄｉｆｆ＝ｘ_{ｉｄｅａｌ}－ｘ_ａｃｔであり、その内容が組織の活動データを目標値Ｃとするためのアドバイスに対応する。

【0075】

第１特徴量ｘ_{ｉｄｅａｌ}と第２特徴量ｘ_ａｃｔとは、組織の構成員間のコミュニケーション等を表す隣接行列や構成員自身の特徴を表すノード特徴量である。情報処理装置１が演算により取得したアドバイスである文字列はこれらの変容を期待して行うものであるが、各構成員がアドバイスにしたがって意図どおり行動する保証はなく、アドバイスを手供することによって期待される効果が得られないことも起こりうる。そこで、活動データのを目標値Ｃとすることを実現するための第１特徴量ｘ_{ｉｄｅａｌ}と、アドバイス後の組織の第３特徴量ｘ’_ａｃｔとから、アドバイスに対する組織の構成員の受容性を示すモデルである受容性モデルＲを以下のように定義する。

【0076】

第１特徴量ｘ_{ｉｄｅａｌ}と第３特徴量ｘ’_ａｃｔとの乖離を任意の距離関数（例えば、フロベニウスノルム等の一般的なノルム）を用いて、ｒ＝｜ｘ’_ａｃｔ－ｘ_{ｉｄｅａｌ}｜と定義する。これは、ｒが小さいほど、アドバイスどおりに構成員が行動したことを表す。

【0077】

複数の異なる事例においてｒを計測し、第１特徴量ｘ_{ｉｄｅａｌ}と差分特徴量ｘ_ｄｉｆｆとを入力したときに対応するｒの推定値を出力する関数Ｒを、例えばニューラルネットワークや線形回帰モデル等の既知の学習手法を用いて算出する。すなわち、受容性モデルＲはモデル取得部３０が取得する学習モデルとは異なる第２学習モデルであり、第２特徴量ｘ_ａｃｔと差分特徴量ｘ_ｄｉｆｆとを入力とし、第３特徴量ｘ’_ａｃｔと第１特徴量ｘ_{ｉｄｅａｌ}との乖離を反映する値ｒを出力するように学習されている。第２学習モデルは、以下の式（３）で表現される。
Ｒ（ｘ_ａｃｔ，ｘ_ｄｉｆｆ）＝ｒ （３）

【0078】

受容性モデルＲは、その出力が小さいほど、アドバイスに対して組織の受容性が高いこと示している。第２の変形例に係る情報処理装置１は、組織の活動データが大きくなり、かつ受容性の高いアドバイスを提供するように設計される。なお、アドバイスと組織の受容性との関係を確かめるためには、差分特徴量が必ずしも第１特徴量ｘ_{ｉｄｅａｌ}と第２特徴量ｘ_ａｃｔとの差分でなくてもよく、学習モデルｆの出力を最大化する最大化特徴量が第１特徴量ｘ_{ｉｄｅａｌ}の代わりに用いられて学習されてもよい。すなわち、第２の変形例に係る情報処理装置１においては、第２学習モデルはあらかじめ学習によって生成されており、記憶部２に記憶されている。学習モデルｆの最大値として目標値Ｃが設定されている場合には、第１特徴量ｘ_{ｉｄｅａｌ}はｘ_{ｉｄｅａｌ}＝ａｒｇｍａｘＦ（ｘ）となる。

【0079】

第２の変形例に係るモデル逆算部３２は、モデル取得部３０が取得した学習モデルＦ（ｘ）と、受容性モデルＲ（ｘ_ａｃｔ，ｘ_ｄｉｆｆ）とから構成される評価関数Ｇを最適化する特徴量ｘを算出する。評価関数Ｇは、以下の式（４）で表現される。

【0080】

【0081】

式（４）において、評価関数Ｇの引数であるＦ、Ｒ、及びｘ_ａｃｔは既知であり、変数はｘのみである。式（４）に示すように、評価関数Ｇは、学習モデルｆの出力値が大きいほど大きい値を出力し、かつ第２学習モデルＲの出力値が小さいほど大きい値を出力するように設計されている。式（４）に示す評価関数Ｇに替えて、下記の式（５）に示す評価関数Ｇ’を用いてもよい。

【0082】

【0083】

第２の変形例に係るモデル取得部３０は、学習モデルｆと受容性モデルＲとを記憶部２から読み出して取得する。モデル逆算部３２は、学習モデルｆと受容性モデルＲとから、式（４）に示す評価関数Ｇを生成する。モデル逆算部３２は、例えば既知の勾配法を用いることにより逐次的に評価関数Ｇを最大化する特徴量である第４特徴量ｘ_ｒを更新して算出する。すなわち、第４特徴量ｘ_ｒは組織の受容性を考慮した組織の目標となる特徴量であり、以下の式（６）で表される。

【0084】

【0085】

差分取得部３３は、第４特徴量ｘ_ｒと、組織の現在の特徴を示す第２特徴量との差分を取得し、出力部３４は、その差分に対応する文字列を表示部に出力する。これにより、第２の変形例に係る情報処理装置１は、組織へのアドバイスに対する受容性を考慮しつつ、組織の活動データを高めるアドバイスを提供することができる。

【0086】

なお、第２の変形例に係る情報処理装置１は、組織へのアドバイスを行ってそれに対する構成員の受容性を新た取得することで、受容性モデルＲの学習用データを収集することができる。これにより、第２の変形例に係る情報処理装置１は、受容性モデルＲを継続的に更新し、その精度を高めることができる。

【符号の説明】

【0087】

１・・・情報処理装置
２・・・記憶部
３・・・制御部
３０・・・モデル取得部
３１・・・目標受付部
３２・・・モデル逆算部
３２０・・・初期値設定部
３２１・・・更新部
３２２・・・第１特徴量出力部
３３・・・差分取得部
３４・・・出力部
３５・・・調整受付部
３６・・・調整実行部
３７・・・モデル適用部
３８・・・拘束条件受付部
４・・・表示部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】