知財求人 - 知財ポータルサイト「IP Force」
(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】P2023154167
(43)【公開日】2023-10-19
(54)【発明の名称】検索支援装置、及び検索支援方法
(51)【国際特許分類】
G06F 16/907 20190101AFI20231012BHJP
【ＦＩ】
G06F16/907
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022063302
(22)【出願日】2022-04-06
(71)【出願人】
【識別番号】000005108
【氏名又は名称】株式会社日立製作所
(74)【代理人】
【識別番号】110000176
【氏名又は名称】弁理士法人一色国際特許事務所
(72)【発明者】
【氏名】コンフォルトラ，ジャダ
(72)【発明者】
【氏名】高田 実佳
(72)【発明者】
【氏名】樫山 俊彦
【テーマコード（参考）】
5B175
【Ｆターム（参考）】
5B175HA02
5B175HB03
(57)【要約】 （修正有）
【課題】特徴量の影響度を表すパラメータに関する検索を高速かつ精度良く行う検索支援装置及び検索支援方法を提供する。
【解決手段】検索支援装置が行う処理は、学習フェーズｓ１００において、学習済みモデルから出力される出力データに対する学習済みモデルにおける各特徴量の影響度を示すデータであるＳＨＡＰデータを少なくとも１つ以上算出し、ＳＨＡＰデータを圧縮したデータである圧縮ＳＨＡＰデータを、各ＳＨＡＰデータについて生成して記憶する。学習フェーズｓ１００において、学習済みモデルに対して入力データを入力することにより学習済みモデルから出力された出力データに対するＳＨＡＰデータである検証対象ＳＨＡＰデータを算出し、算出した各圧縮ＳＨＡＰデータと、算出した検証対象ＳＨＡＰデータとの類似度をそれぞれ算出し、検証対象ＳＨＡＰデータとの類似度が所定の条件を満たす圧縮ＳＨＡＰデータを特定する。
【選択図】図９
【解決手段】検索支援装置が行う処理は、学習フェーズｓ１００において、学習済みモデルから出力される出力データに対する学習済みモデルにおける各特徴量の影響度を示すデータであるＳＨＡＰデータを少なくとも１つ以上算出し、ＳＨＡＰデータを圧縮したデータである圧縮ＳＨＡＰデータを、各ＳＨＡＰデータについて生成して記憶する。学習フェーズｓ１００において、学習済みモデルに対して入力データを入力することにより学習済みモデルから出力された出力データに対するＳＨＡＰデータである検証対象ＳＨＡＰデータを算出し、算出した各圧縮ＳＨＡＰデータと、算出した検証対象ＳＨＡＰデータとの類似度をそれぞれ算出し、検証対象ＳＨＡＰデータとの類似度が所定の条件を満たす圧縮ＳＨＡＰデータを特定する。
【選択図】図９
【特許請求の範囲】
【請求項1】
プロセッサ及びメモリを備え、
前記プロセッサが、
学習済みモデルから出力される出力データに対する、前記学習済みモデルにおける各特徴量の影響度を示すデータであるＳＨＡＰデータを少なくとも１つ以上算出する処理と、
前記ＳＨＡＰデータを圧縮したデータである圧縮ＳＨＡＰデータを、各前記ＳＨＡＰデータについて生成して前記メモリに記憶する処理と、
前記学習済みモデルに対して入力データを入力することにより前記学習済みモデルから出力された出力データに対するＳＨＡＰデータである検証対象ＳＨＡＰデータを算出する処理と、
前記算出した各圧縮ＳＨＡＰデータと、前記算出した検証対象ＳＨＡＰデータとの類似度をそれぞれ算出し、前記検証対象ＳＨＡＰデータとの類似度が所定の条件を満たす前記圧縮ＳＨＡＰデータを特定する処理と
を実行する、検索支援装置。
前記プロセッサが、
学習済みモデルから出力される出力データに対する、前記学習済みモデルにおける各特徴量の影響度を示すデータであるＳＨＡＰデータを少なくとも１つ以上算出する処理と、
前記ＳＨＡＰデータを圧縮したデータである圧縮ＳＨＡＰデータを、各前記ＳＨＡＰデータについて生成して前記メモリに記憶する処理と、
前記学習済みモデルに対して入力データを入力することにより前記学習済みモデルから出力された出力データに対するＳＨＡＰデータである検証対象ＳＨＡＰデータを算出する処理と、
前記算出した各圧縮ＳＨＡＰデータと、前記算出した検証対象ＳＨＡＰデータとの類似度をそれぞれ算出し、前記検証対象ＳＨＡＰデータとの類似度が所定の条件を満たす前記圧縮ＳＨＡＰデータを特定する処理と
を実行する、検索支援装置。
【請求項2】
前記プロセッサが、
前記算出した各ＳＨＡＰデータの履歴に基づき、前記ＳＨＡＰデータに係る特徴量のうち圧縮対象の特徴量を特定することにより、前記圧縮ＳＨＡＰデータを生成する、
請求項１に記載の検索支援装置。
前記算出した各ＳＨＡＰデータの履歴に基づき、前記ＳＨＡＰデータに係る特徴量のうち圧縮対象の特徴量を特定することにより、前記圧縮ＳＨＡＰデータを生成する、
請求項１に記載の検索支援装置。
【請求項3】
前記プロセッサが、
前記算出した各ＳＨＡＰデータの履歴に基づき、前記ＳＨＡＰデータにおける影響度に関する閾値を特定し、前記ＳＨＡＰデータのうち前記閾値以下の影響度に係るデータを、前記圧縮対象の特徴量のデータとして特定し、特定した特徴量のデータを前記ＳＨＡＰデータから除去することにより、前記圧縮ＳＨＡＰデータを生成する、
請求項２に記載の検索支援装置。
前記算出した各ＳＨＡＰデータの履歴に基づき、前記ＳＨＡＰデータにおける影響度に関する閾値を特定し、前記ＳＨＡＰデータのうち前記閾値以下の影響度に係るデータを、前記圧縮対象の特徴量のデータとして特定し、特定した特徴量のデータを前記ＳＨＡＰデータから除去することにより、前記圧縮ＳＨＡＰデータを生成する、
請求項２に記載の検索支援装置。
【請求項4】
前記プロセッサが、
前記検索支援装置が備えるハードウェアに関する情報に基づき、前記ＳＨＡＰデータに係る特徴量のうち圧縮対象の特徴量を特定することにより、前記圧縮ＳＨＡＰデータを生成する、
請求項１に記載の検索支援装置。
前記検索支援装置が備えるハードウェアに関する情報に基づき、前記ＳＨＡＰデータに係る特徴量のうち圧縮対象の特徴量を特定することにより、前記圧縮ＳＨＡＰデータを生成する、
請求項１に記載の検索支援装置。
【請求項5】
前記プロセッサが、
前記検索支援装置が備えるハードウェアに関する情報に基づき、前記ＳＨＡＰデータの圧縮率を決定し、決定した圧縮率に基づき、前記圧縮ＳＨＡＰデータを生成する、
請求項４に記載の検索支援装置。
前記検索支援装置が備えるハードウェアに関する情報に基づき、前記ＳＨＡＰデータの圧縮率を決定し、決定した圧縮率に基づき、前記圧縮ＳＨＡＰデータを生成する、
請求項４に記載の検索支援装置。
【請求項6】
前記プロセッサが、
ユーザから、前記ＳＨＡＰデータに係る特徴量のうち圧縮対象外の特徴量の指定を受け付け、指定された圧縮対象外の特徴量のデータを有する前記圧縮ＳＨＡＰデータを生成する、
請求項１に記載の検索支援装置。
ユーザから、前記ＳＨＡＰデータに係る特徴量のうち圧縮対象外の特徴量の指定を受け付け、指定された圧縮対象外の特徴量のデータを有する前記圧縮ＳＨＡＰデータを生成する、
請求項１に記載の検索支援装置。
【請求項7】
前記プロセッサが、
前記圧縮ＳＨＡＰデータを、各特徴量の名称と、前記特徴量の値との組み合わせのデータとして生成する、
請求項１に記載の検索支援装置。
前記圧縮ＳＨＡＰデータを、各特徴量の名称と、前記特徴量の値との組み合わせのデータとして生成する、
請求項１に記載の検索支援装置。
【請求項8】
前記プロセッサが、
前記類似度を算出する際に、前記圧縮ＳＨＡＰデータ及び前記検証対象ＳＨＡＰデータのいずれかのみに存在する特徴量を検出した場合には、当該特徴量が存在しない方のＳＨＡＰデータの当該特徴量の影響度の値を所定の基準値に設定することで、前記圧縮ＳＨＡＰデータと前記検証対象ＳＨＡＰデータとの類似度を算出する、
請求項１に記載の検索支援装置。
前記類似度を算出する際に、前記圧縮ＳＨＡＰデータ及び前記検証対象ＳＨＡＰデータのいずれかのみに存在する特徴量を検出した場合には、当該特徴量が存在しない方のＳＨＡＰデータの当該特徴量の影響度の値を所定の基準値に設定することで、前記圧縮ＳＨＡＰデータと前記検証対象ＳＨＡＰデータとの類似度を算出する、
請求項１に記載の検索支援装置。
【請求項9】
前記算出した圧縮ＳＨＡＰデータの情報を出力する出力装置を備える、
請求項１に記載の検索支援装置。
請求項１に記載の検索支援装置。
【請求項10】
前記圧縮対象外の特徴量の指定をユーザから受け付ける画面を表示する出力装置を備える、
請求項６に記載の検索支援装置。
請求項６に記載の検索支援装置。
【請求項11】
前記特定した圧縮ＳＨＡＰデータに対応づけられる特徴量に関する情報を表示する出力装置を備える、
請求項１に記載の検索支援装置。
請求項１に記載の検索支援装置。
【請求項12】
情報処理装置が、
学習済みモデルから出力される出力データに対する、前記学習済みモデルにおける各特徴量の影響度を示すデータであるＳＨＡＰデータを少なくとも１つ以上算出する処理と、
前記ＳＨＡＰデータを圧縮したデータである圧縮ＳＨＡＰデータを、各前記ＳＨＡＰデータについて生成して前記メモリに記憶する処理と、
前記学習済みモデルに対して入力データを入力することにより前記学習済みモデルから出力された出力データに対するＳＨＡＰデータである検証対象ＳＨＡＰデータを算出する処理と、
前記算出した各圧縮ＳＨＡＰデータと、前記算出した検証対象ＳＨＡＰデータとの類似度をそれぞれ算出し、前記検証対象ＳＨＡＰデータとの類似度が所定の条件を満たす前記圧縮ＳＨＡＰデータを特定する処理と
を実行する、検索支援方法。
学習済みモデルから出力される出力データに対する、前記学習済みモデルにおける各特徴量の影響度を示すデータであるＳＨＡＰデータを少なくとも１つ以上算出する処理と、
前記ＳＨＡＰデータを圧縮したデータである圧縮ＳＨＡＰデータを、各前記ＳＨＡＰデータについて生成して前記メモリに記憶する処理と、
前記学習済みモデルに対して入力データを入力することにより前記学習済みモデルから出力された出力データに対するＳＨＡＰデータである検証対象ＳＨＡＰデータを算出する処理と、
前記算出した各圧縮ＳＨＡＰデータと、前記算出した検証対象ＳＨＡＰデータとの類似度をそれぞれ算出し、前記検証対象ＳＨＡＰデータとの類似度が所定の条件を満たす前記圧縮ＳＨＡＰデータを特定する処理と
を実行する、検索支援方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、検索支援装置、及び検索支援方法に関する。
【背景技術】
【0002】
機械学習の分野において、説明可能なＡＩ（ＸＡＩ：eXxplanable Artificial Intelligence）の利用が進んでいる。ＸＡＩは、ＡＩモデル（学習済みモデル）によりデータを
出力するだけではなく、出力に至るまでのＡＩのプロセスを人間が理解可能とするためのＡＩである。
出力するだけではなく、出力に至るまでのＡＩのプロセスを人間が理解可能とするためのＡＩである。
【0003】
ＸＡＩにおいては、各特徴量が出力データに影響を与えた影響度を示すシャープレイ値（Shapley Value）が用いられる。シャープレイ値の活用方法としては、例えば、ユーザ
がＡＩを用いて出力したあるデータについて、そのシャープレイ値から導かれる特徴量の影響度（以下、ＳＨＡＰ値（SHAP: SHapley Additive exPlanations）という）に類似す
る過去の他のＳＨＡＰ値を検索することで、ユーザが、自身の出力データに関する解釈を行う。
がＡＩを用いて出力したあるデータについて、そのシャープレイ値から導かれる特徴量の影響度（以下、ＳＨＡＰ値（SHAP: SHapley Additive exPlanations）という）に類似す
る過去の他のＳＨＡＰ値を検索することで、ユーザが、自身の出力データに関する解釈を行う。
【0004】
こうした背景から、特許文献１には、ＳＨＡＰ値の類似検索の方法が開示されている。また、特許文献２には、関連技術として、特徴ベクトルのパターン検索を高速化する手法が開示されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】米国特許出願公開第２０２１／１１７８６３号明細書
【特許文献2】米国特許出願公開第２０１９／０１２３８０号明細書
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、ＡＩにおける特徴量の影響度を表すＳＨＡＰ値は、本質的に様々な用途に用いられ得るＡＩに基づくデータであるという特性から、様々なデータ的特徴を有していることが多く、またそのデータ量も膨大となり得ることから、ＳＨＡＰ値の検索の速度及び精度を両立することは容易でないのが現状である。
【0007】
本発明は、このような現状に鑑みてなされたものであり、その目的は、特徴量の影響度を表すパラメータに関する検索を高速かつ精度良く行うことが可能な検索支援装置及び検索支援方法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】
【0008】
上記課題を解決するための本発明の一つは、プロセッサ及びメモリを備え、前記プロセッサが、学習済みモデルから出力される出力データに対する、前記学習済みモデルにおける各特徴量の影響度を示すデータであるＳＨＡＰデータを少なくとも１つ以上算出する処理と、前記ＳＨＡＰデータを圧縮したデータである圧縮ＳＨＡＰデータを、各前記ＳＨＡＰデータについて生成して前記メモリに記憶する処理と、前記学習済みモデルに対して入力データを入力することにより前記学習済みモデルから出力された出力データに対するＳＨＡＰデータである検証対象ＳＨＡＰデータを算出する処理と、前記算出した各圧縮ＳＨＡＰデータと、前記算出した検証対象ＳＨＡＰデータとの類似度をそれぞれ算出し、前記検証対象ＳＨＡＰデータとの類似度が所定の条件を満たす前記圧縮ＳＨＡＰデータを特定する処理とを実行する、検索支援装置、である。
【発明の効果】
【0009】
本発明によれば、特徴量の影響度を表すパラメータに関する検索を高速かつ精度良く行うことができる。
上記した以外の構成及び効果等は、以下の実施形態の説明により明らかにされる。
上記した以外の構成及び効果等は、以下の実施形態の説明により明らかにされる。
【図面の簡単な説明】
【0010】
【図1】本実施形態に係る検索支援装置が備えるハードウェアの構成及び検索支援装置１が有する機能の一例を示す図である。
【図2】本実施形態のＳＨＡＰ行列の一例を示す図である。
【図3】圧縮ＳＨＡＰ行列の一例を示す図である。
【図4】採用必須項目の一例を示す図である。
【図5】ＳＨＡＰグローバル統計の一例を示す図である。
【図6】集計情報の一例を示す図である。
【図7】ハードウェア情報の一例を示す図である。
【図8】システム制約の一例を示す図である。
【図9】検索支援装置が行う処理の概要を説明する図である。
【図10】学習フェーズの概要を説明するフロー図である。
【図11】閾値決定処理の詳細を説明するフロー図である。
【図12】閾値決定処理により生成された修正ＳＨＡＰ行列の一例を示す図である。
【図13】圧縮行列作成処理の詳細を説明するフロー図である。
【図14】推論フェーズの一例を説明するフロー図である。
【図15】類似度算出処理の詳細を説明するフロー図である。
【図16】類似度算出処理における処理の一例を説明する図である。
【図17】ＳＨＡＰ重要度関連情報入力画面の一例を示す図である。
【図18】圧縮ＳＨＡＰ行列確認画面の一例を示す図である。
【図19】類似レコード表示画面の一例を示す図である。
【発明を実施するための形態】
【0011】
本実施形態に係る検索支援装置及び検索支援方法について、図面を参照しつつ説明する。
【0012】
図１は、本実施形態に係る検索支援装置１が備えるハードウェアの構成及び検索支援装置１が有する機能の一例を示す図である。
【0013】
検索支援装置１は、CPU(Central Processing Unit)、DSP(Digital Signal Processor)
、GPU(Graphics Processing Unit)、FPGA(Field-Programmable Gate Array)等のプロセッサ１１と、ROM(Read Only Memory)、RAM(Random Access Memory)等の記憶装置であるメモリ１２と、HDD(Hard Disk Drive)、SSD(Solid State Drive)などの記憶装置であるストレージ１３と、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢ（Universal Serial Interface）モジュール、又はシリアル通信モジュール等で構成される通信装置１４と、マウスやキーボード等で構成される入力装置１５と、液晶ディスプレイまたは有機EL（Electro-Luminescence）ディスプレイ等で構成される出力装置１６とを備える。
、GPU(Graphics Processing Unit)、FPGA(Field-Programmable Gate Array)等のプロセッサ１１と、ROM(Read Only Memory)、RAM(Random Access Memory)等の記憶装置であるメモリ１２と、HDD(Hard Disk Drive)、SSD(Solid State Drive)などの記憶装置であるストレージ１３と、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢ（Universal Serial Interface）モジュール、又はシリアル通信モジュール等で構成される通信装置１４と、マウスやキーボード等で構成される入力装置１５と、液晶ディスプレイまたは有機EL（Electro-Luminescence）ディスプレイ等で構成される出力装置１６とを備える。
【0014】
そして、検索支援装置１は、ＡＩモデル生成部１０１、ＳＨＡＰ行列計算部１０３、ＳＨＡＰ重要度推定部１０５、圧縮ＳＨＡＰ行列生成部１０７、ＡＩモデル推論部１０９、圧縮ＳＨＡＰ行列類似度計算部１１１、類似レコード抽出部１１３、及び入出力部１１５の各機能部を備える。
【0015】
ＡＩモデル生成部１０１は、学習データを用いた機械学習を行うことで、学習済みモデ
ルを作成する。ＡＩモデル生成部１０１は、入力データの種類は同じあるが出力データの種類が異なる、複数種類の学習済みモデルを作成する。なお、本実施形態では、学習済みモデルをＡＩ（Artificial Intelligence）と称することがある。
ルを作成する。ＡＩモデル生成部１０１は、入力データの種類は同じあるが出力データの種類が異なる、複数種類の学習済みモデルを作成する。なお、本実施形態では、学習済みモデルをＡＩ（Artificial Intelligence）と称することがある。
【0016】
本実施形態の学習済みモデルは、ある患者の健康に関する属性情報（例えば、年齢、性別、検査データ等）を入力データとし、その患者の将来の健康状態（例えば、病気のリスク、介護状態となるリスク）を予測値として出力する（予測する）ものとする。そして、各学習済みモデルはそれぞれ異なる将来時点における患者の健康状態を予測値として出力するものとする。なお、このような学習済みモデルの入出力データは一例であり、本発明の範囲を限定する趣旨ではない。
【0017】
ＳＨＡＰ行列計算部１０３は、各学習済みモデルが出力値を出力した場合に、その出力値に対して影響を与えた各特徴量の影響度を、ＳＨＡＰ（SHapley Additive exPlanations）のアルゴリズムに基づき算出する。この影響度は、シャープレイ値（SHapley Value）に基づく値である。この影響度（以下、ＳＨＡＰ値という）の集合は、後述するＳＨＡＰ行列３００（以下、ＳＨＡＰ行列ともいう）として記憶される。
【0018】
ＳＨＡＰ重要度推定部１０５は、ＳＨＡＰ行列における各ＳＨＡＰ値の重要性を推定する。
【0019】
圧縮ＳＨＡＰ行列生成部１０７は、ＳＨＡＰ重要度推定部１０５での推定結果に基づき、ＳＨＡＰ行列を圧縮したデータである圧縮ＳＨＡＰデータ（後述する圧縮ＳＨＡＰ行列４００）を作成する。
【0020】
ＡＩモデル推論部１０９は、ユーザから指定された入力データを各学習済みモデルに入力することで、予測値をそれぞれ出力する。出力値は、推論データ６００に記憶される。
【0021】
圧縮ＳＨＡＰ行列類似度計算部１１１は、過去に作成された各圧縮ＳＨＡＰ行列と、ＡＩモデル推論部１０９で出力された出力値に対する圧縮ＳＨＡＰ行列との類似度を算出する。
【0022】
類似レコード抽出部１１３は、類似度が最も高かった、過去に作成された圧縮ＳＨＡＰ行列に対応づけられる特徴量等の情報を抽出する。
【0023】
入出力部１１５は、各種の情報を出力装置１５の画面に表示し、または、ユーザから情報の入力を入力装置１５を介して受け付ける。入出力部１１５は、例えば、ＳＨＡＰ重要度関連情報入力画面１１００、圧縮ＳＨＡＰ行列確認画面１２００、及び類似レコード表示画面１３００を表示する。
【0024】
ＳＨＡＰ重要度関連情報入力画面１１００は、ユーザから、圧縮ＳＨＡＰ行列を作成するためのパラメータの入力を受け付ける画面である。圧縮ＳＨＡＰ行列確認画面１２００は、ＳＨＡＰ行列及びこれから作成された圧縮ＳＨＡＰ行列を表示する画面である。類似レコード表示画面１３００は、類似レコード抽出部１１３で抽出された特徴量当の情報を表示する画面である。
【0025】
次に、検索支援装置１は、学習データ２００、ＳＨＡＰ行列３００、圧縮ＳＨＡＰ行列４００、採用必須項目５００、推論データ６００、リニエージ７００、ＳＨＡＰグローバル統計８００、ハードウェア情報９００、及びシステム制約１０００の各データを記憶する。
【0026】
学習データ２００は、学習済みモデルを生成するために用いられる入力データである。学習データ２００は、１又は複数の特徴量（データ項目）とその値及びラベルデータ（出力すべきデータ）を含んでいる。
【0027】
ＳＨＡＰ行列３００は、ＳＨＡＰ値を複数記憶したデータである。ＳＨＡＰ行列は、学習済みモデルの実行（出力値の出力）ごとに設定される「ケース」の行と、そのケースにおける、学習済みモデルに係る特徴量の値の列とからなる。
【0028】
（ＳＨＡＰ行列）
図２は、本実施形態のＳＨＡＰ行列３００の一例を示す図である。このＳＨＡＰ行列３００は、各ケースを示す行３０１と、各ケースにおける各特徴量の値の列３０２とを有する。各特徴量の値は、学習済みモデルから出力される出力データへの影響度を示す。特徴量の値は、例えば、０以上１以下のいずれかの値である。
図２は、本実施形態のＳＨＡＰ行列３００の一例を示す図である。このＳＨＡＰ行列３００は、各ケースを示す行３０１と、各ケースにおける各特徴量の値の列３０２とを有する。各特徴量の値は、学習済みモデルから出力される出力データへの影響度を示す。特徴量の値は、例えば、０以上１以下のいずれかの値である。
【0029】
次に、図１に示す圧縮ＳＨＡＰ行列４００は、ＳＨＡＰ行列の一部の特徴量の情報を削除することにより得られる圧縮データである。
【0030】
（圧縮ＳＨＡＰ行列）
図３は、圧縮ＳＨＡＰ行列の一例を示す図である。この圧縮ＳＨＡＰ行列４００は、１又は複数行のデータからなり、各行は、ケースのＩＤ４０１と、そのケースにおける特徴量の一つの項目の識別子である特徴量ＩＤ４０２と、その項目の特徴量の値４０３の３つのデータ項目からなる。
図３は、圧縮ＳＨＡＰ行列の一例を示す図である。この圧縮ＳＨＡＰ行列４００は、１又は複数行のデータからなり、各行は、ケースのＩＤ４０１と、そのケースにおける特徴量の一つの項目の識別子である特徴量ＩＤ４０２と、その項目の特徴量の値４０３の３つのデータ項目からなる。
【0031】
次に、図１に示す採用必須項目５００は、圧縮ＳＨＡＰ行列において必ず存在すべき特徴量である採用必須項目を記憶したデータである。採用必須項目５００は、ユーザのプロジェクトごとに設定される。
【0032】
（採用必須項目）
図４は、採用必須項目５００の一例を示す図である。この採用必須項目５００は、ユーザが学習済みモデルを用いて所定の事業目標を達成すべく設定したプロジェクトのＩＤが設定されるプロジェクトＩＤ５０１、そのプロジェクトの属する事業分野が設定される分野５０２、そのプロジェクトの対象者（例えば、顧客の名称）の情報が設定される顧客５０３、達成する目標を表す評価指標（本実施形態では、ＫＰＩであるものとする）が設定されるＫＰＩ５０４（学習済みモデルの出力値の種類に対応する）、及び、そのプロジェクトに係る学習済みモデルにおける採用必須項目が設定される要求データソース５０５の各データ項目を有する。採用必須項目５００のデータ内容は、例えば、ユーザによってあらかじめ設定される。
図４は、採用必須項目５００の一例を示す図である。この採用必須項目５００は、ユーザが学習済みモデルを用いて所定の事業目標を達成すべく設定したプロジェクトのＩＤが設定されるプロジェクトＩＤ５０１、そのプロジェクトの属する事業分野が設定される分野５０２、そのプロジェクトの対象者（例えば、顧客の名称）の情報が設定される顧客５０３、達成する目標を表す評価指標（本実施形態では、ＫＰＩであるものとする）が設定されるＫＰＩ５０４（学習済みモデルの出力値の種類に対応する）、及び、そのプロジェクトに係る学習済みモデルにおける採用必須項目が設定される要求データソース５０５の各データ項目を有する。採用必須項目５００のデータ内容は、例えば、ユーザによってあらかじめ設定される。
【0033】
次に、図１に示す推論データ６００は、入力データ（ユーザにより指定された入力データ及び学習データ）を学習済みモデルに入力することで得られた各出力値（予測値）のデータである。
【0034】
リニエージ７００は、各学習済みモデルに入力データを入力することで出力値（予測値）を得た各ケースのうち、その予測が妥当であったケースに関連した情報（例えば、後述する閾値の情報）を記憶している。
【0035】
ＳＨＡＰグローバル統計８００は、学習済みモデルの実行結果（予測結果）を蓄積したデータである。
【0036】
（ＳＨＡＰグローバル統計）
図５は、ＳＨＡＰグローバル統計８００の一例を示す図である。このＳＨＡＰグローバル統計８００は、行った予測のＩＤが設定されるテストＩＤ８０１、その予測に使用した学習済みモデルのＩＤが設定されるモデルＩＤ８０２、その予測の対象者（患者等）の情報が設定される特徴ＩＤ８０３、その予測に係る評価指標が設定されるＫＰＩ８０４（学習済みモデルの出力値の種類に対応する）、及び、その予測に関するデータが設定されるテスト結果８０５の各データ項目を有する。テスト結果８０５には、対象者に関する学習済みモデルの出力値と、その出力値に対応する１又は複数のＳＨＡＰ値とが設定される。
図５は、ＳＨＡＰグローバル統計８００の一例を示す図である。このＳＨＡＰグローバル統計８００は、行った予測のＩＤが設定されるテストＩＤ８０１、その予測に使用した学習済みモデルのＩＤが設定されるモデルＩＤ８０２、その予測の対象者（患者等）の情報が設定される特徴ＩＤ８０３、その予測に係る評価指標が設定されるＫＰＩ８０４（学習済みモデルの出力値の種類に対応する）、及び、その予測に関するデータが設定されるテスト結果８０５の各データ項目を有する。テスト結果８０５には、対象者に関する学習済みモデルの出力値と、その出力値に対応する１又は複数のＳＨＡＰ値とが設定される。
【0037】
なお、本実施形態では、ＳＨＡＰグローバル統計８００の内容を集計した集計情報８５０が用いられる。
【0038】
図６は、集計情報８５０の一例を示す図である。集計情報８５０は、評価指標（出力値の種類）が設定されるＫＰＩ８５１、その評価指標に係る特徴量の名称が設定される特徴量名８５２、その特徴量の最小値が設定される最小値８５３、その特徴量の平均値が設定される平均値８５４、及び、その特徴量の最大値が設定される最大値８５５の各データ項目を有する。
【0039】
次に、図１に示すハードウェア情報９００は、検索支援装置１のハードウェアの状態に関するデータである。システム制約１０００は、後述する圧縮ＳＨＡＰ行列を作成する際の、検索支援装置１のハードウェア上の制約に関するデータである。システム制約１０００は、ハードウェア情報９００に基づいて作成される。
【0040】
（ハードウェア情報）
図７は、ハードウェア情報９００の一例を示す図である。ハードウェア情報９００は、データが取得された時刻（タイミング）が設定される時刻９０１、その時刻における検索支援装置１のＣＰＵ１１の使用率が設定されるＣＰＵ使用率９０２、その時刻における検索支援装置１のメモリ１２の利用可能量が設定されるメモリ利用率９０３、その時刻における検索支援装置１のストレージ１３の利用可能量が設定されるストレージ利用率９０４の各データ項目を有する。ハードウェア情報９００は、所定のハードウェア監視プログラムによって随時更新される。
図７は、ハードウェア情報９００の一例を示す図である。ハードウェア情報９００は、データが取得された時刻（タイミング）が設定される時刻９０１、その時刻における検索支援装置１のＣＰＵ１１の使用率が設定されるＣＰＵ使用率９０２、その時刻における検索支援装置１のメモリ１２の利用可能量が設定されるメモリ利用率９０３、その時刻における検索支援装置１のストレージ１３の利用可能量が設定されるストレージ利用率９０４の各データ項目を有する。ハードウェア情報９００は、所定のハードウェア監視プログラムによって随時更新される。
【0041】
（システム制約）
図８は、システム制約１０００の一例を示す図である。このシステム制約１０００は、圧縮ＳＨＡＰ行列の元となるＳＨＡＰ行列の条件（本実施形態では、ＳＨＡＰ行列の列の長さとする）が設定されるデータ数１００１、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要なＣＰＵの使用率が設定される要求ＣＰＵ使用率１００２、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要なメモリの量が設定される要求メモリ量１００３、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要な記憶装置の容量が設定される要求ストレージ容量１００４、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要と予測される時間が設定される要求時間１００５、及び、その条件の下で達成される圧縮ＳＨＡＰ行列の圧縮率１００６（元のＳＨＡＰ行列に対する圧縮率）の各データ項目を有する。
図８は、システム制約１０００の一例を示す図である。このシステム制約１０００は、圧縮ＳＨＡＰ行列の元となるＳＨＡＰ行列の条件（本実施形態では、ＳＨＡＰ行列の列の長さとする）が設定されるデータ数１００１、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要なＣＰＵの使用率が設定される要求ＣＰＵ使用率１００２、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要なメモリの量が設定される要求メモリ量１００３、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要な記憶装置の容量が設定される要求ストレージ容量１００４、その条件のＳＨＡＰ行列から圧縮ＳＨＡＰ行列を作成するために必要と予測される時間が設定される要求時間１００５、及び、その条件の下で達成される圧縮ＳＨＡＰ行列の圧縮率１００６（元のＳＨＡＰ行列に対する圧縮率）の各データ項目を有する。
【0042】
本実施形態では、検索支援装置１は、ハードウェア情報９００に基づきシステム制約１０００を作成するものとする。例えば、検索支援装置１は、所定のアルゴリズム（回帰分析、機械学習等）により、過去に作成した各圧縮ＳＨＡＰ行列と、その作成時点でのハードウェア情報９００と、圧縮ＳＨＡＰ行列の作成に要した時間と、圧縮ＳＨＡＰ行列の圧縮率とに基づき、圧縮ＳＨＡＰ行列の長さ、ハードウェア構成、作成時間、及び、圧縮率の間の関係性を算出し、算出した関係性をシステム制約１０００の各レコードに設定する。また、ユーザが予め検索支援装置１を用いてＳＨＡＰ行列の圧縮テストを実行し、その
結果をシステム制約１０００に入力してもよい。
結果をシステム制約１０００に入力してもよい。
【0043】
なお、本実施形態では、データ数９０１にはＳＨＡＰ行列の列の長さが設定されるとするが、行の長さ等、その他の条件が設定されてもよい。また、ここで説明したシステム制約１０００の作成方法及びデータ項目は一例であり、本発明は作成方法及びデータ項目を特に限定するものではない。
【0044】
以上に説明した検索支援装置１の各機能部の機能は、プロセッサ１１が、メモリ１２又はストレージ１３に格納されているプログラムを読み出して実行することにより実現される。また、プログラムは、例えば、記録媒体に記録して配布することができる。なお、検索支援装置１は、その全部または一部が、例えば、クラウドシステムによって提供される仮想サーバのように、仮想化技術やプロセス空間分離技術等を用いて提供される仮想的な情報処理資源を用いて実現されるものであってもよい。また、検索支援装置１によって提供される機能の全部または一部は、例えば、クラウドシステムがＡＰＩ（Application Programming Interface）等を介して提供するサービスによって実現してもよい。
次に、検索支援装置１が行う処理について説明する。
次に、検索支援装置１が行う処理について説明する。
【0045】
図９は、検索支援装置１が行う処理の概要を説明する図である。
【0046】
まず、検索支援装置１は、学習データ２００を用いて学習済みモデルを作成すると共に、学習データ２００に対応する（学習済みモデルにより出力されたデータに対応する）ＳＨＡＰ行列及び圧縮ＳＨＡＰ行列を作成する（学習フェーズｓ１００）。なお、この場合、検索支援装置１は、それぞれ異なる種類のデータを出力する複数の学習モデルを作成する。
【0047】
一方、検索支援装置１は、ユーザが現在行う推論対象の入力データを、学習フェーズｓ１００で作成された複数の学習済みモデルのうちユーザが選択した学習済みモデル（以下、本学習済みモデルという）に入力することで、出力値を得る。検索支援装置１は、その出力値に対応するＳＨＡＰ行列及び圧縮ＳＨＡＰ行列を作成する。検索支援装置１は、作成した圧縮ＳＨＡＰ行列に類似する、学習フェーズｓ１００で作成した圧縮ＳＨＡＰ行列を検索し、その検索結果を画面に表示する（以上、推論フェーズｓ２００）。
以下、学習フェーズｓ１００及び推論フェーズｓ２００について説明する。
以下、学習フェーズｓ１００及び推論フェーズｓ２００について説明する。
【0048】
＜学習フェーズ＞
図１０は、学習フェーズｓ１００の概要を説明するフロー図である。
まず、ＡＩモデル生成部１０１は、学習済みモデル（ＡＩ）を作成する（ｓ１１０）。例えば、ＡＩモデル生成部１０１は、各ケースのデータセット（複数の項目のデータ）と、これに対するラベルデータ（出力データ）とを学習データとして機械学習を行うことで、それぞれ異なる種類のデータを出力する、複数の学習済みモデルを作成する。
図１０は、学習フェーズｓ１００の概要を説明するフロー図である。
まず、ＡＩモデル生成部１０１は、学習済みモデル（ＡＩ）を作成する（ｓ１１０）。例えば、ＡＩモデル生成部１０１は、各ケースのデータセット（複数の項目のデータ）と、これに対するラベルデータ（出力データ）とを学習データとして機械学習を行うことで、それぞれ異なる種類のデータを出力する、複数の学習済みモデルを作成する。
【0049】
この学習済みモデルは、例えば、ディープラーニングによる機械学習を実行することで作成される。この学習済みモデルは、本実施形態では、データセットが入力される入力層と、データセットから特徴量を抽出して出力する１又は複数の中間層（隠れ層）と、特徴量から所定の出力値を出力する出力層とを有するニューラルネットワークとする。なお、学習済みモデルにおけるニューラルネットワークは、例えば、ＣＮＮ（Convolution Neural Network）、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は回帰木等である。
【0050】
次に、ＳＨＡＰ行列計算部１０３は、ｓ１１０で作成した学習済みモデルの作成過程で出力された出力値に対応する各特徴量のＳＨＡＰ行列を作成する（ｓ１３０）。ＳＨＡＰ
行列は、例えば、周辺化（marginalization）により各特徴量の限界貢献度（marginal contribution）を算出することで作成される。
行列は、例えば、周辺化（marginalization）により各特徴量の限界貢献度（marginal contribution）を算出することで作成される。
【0051】
次に、ＳＨＡＰ重要度推定部１０５は、ｓ１３０で作成したＳＨＡＰ行列における各特徴量の重要性を推定すると共にデータ圧縮のために用いる閾値を決定し、さらにこの閾値よりＳＨＡＰ行列を修正する処理である、閾値決定処理ｓ１５０を実行する。閾値決定処理ｓ１５０の詳細は後述する。
【0052】
ＳＨＡＰ重要度推定部１０５は、閾値決定処理ｓ１５０で作成した修正ＳＨＡＰ行列に関して圧縮行列作成処理ｓ１７０を呼び出すことで、その修正ＳＨＡＰ行列の各データ項目（特徴量）の重要性を推定し、圧縮ＳＨＡＰ行列を作成する。圧縮行列作成処理ｓ１７０の詳細は後述する。以上で学習フェーズｓ１００は終了する。
次に、閾値決定処理ｓ１５０及び圧縮行列作成処理ｓ１７０の詳細を説明する。
次に、閾値決定処理ｓ１５０及び圧縮行列作成処理ｓ１７０の詳細を説明する。
【0053】
＜閾値決定処理＞
図１１は、閾値決定処理ｓ１５０の詳細を説明するフロー図である。ＳＨＡＰ重要度推定部１０５は、ｓ１３０で作成したＳＨＡＰ行列に基づく圧縮ＳＨＡＰ行列の作成に際して、圧縮の基準となる、特徴量の値に関する閾値を決定する（ｓ１５１、ｓ１５３）。
図１１は、閾値決定処理ｓ１５０の詳細を説明するフロー図である。ＳＨＡＰ重要度推定部１０５は、ｓ１３０で作成したＳＨＡＰ行列に基づく圧縮ＳＨＡＰ行列の作成に際して、圧縮の基準となる、特徴量の値に関する閾値を決定する（ｓ１５１、ｓ１５３）。
【0054】
すなわち、まず、ＳＨＡＰ重要度推定部１０５は、ｓ１３０で作成した各ＳＨＡＰ行列の各特徴量の値の出現頻度（密度分布）を解析することで、暫定的な基準を算出する（ｓ１５１）。
【0055】
具体的には、ＳＨＡＰ重要度推定部１０５は、ＳＨＡＰグローバル統計８００又は集計情報８５０を参照することで、ＳＨＡＰ行列の各レコードの各特徴量の値（又は値の範囲）とそれらの出現頻度（密度）とを特定し、その出現頻度が特に低い特徴量の値を、暫定的な閾値とする。これにより、ＳＨＡＰ重要度推定部１０５は、その閾値よりも特徴量の値が大きいデータ集合と、その閾値よりも特徴量の値が小さいデータ集合とに分類し、その２つのデータ集合の間を暫定的な閾値とする（すなわち、出現頻度に関する２つのピークの間に存在する谷底の部分を特定する）。例えば、ＳＨＡＰ重要度推定部１０５は、密度が極小値をとる特徴量の値を暫定的な閾値とする。
【0056】
なお、ここで説明した密度分布の解析方法は例であり、様々な種類の決定方法を採用しうる。また、ＳＨＡＰ重要度推定部１０５は、ユーザからこの閾値の値の入力を受け付けてもよい。
【0057】
そして、ＳＨＡＰ重要度推定部１０５は、ｓ１１０で過去に算出した他の種類の学習済みモデルに関して過去に算出した閾値に基づき、ｓ１５１で算出した暫定的な閾値を調整する（ｓ１５３）。例えば、ＳＨＡＰ重要度推定部１０５は、リニエージ７００に記録されている、他の種類の学習済みモデルに係る閾値がｓ１５１で算出した閾値よりも低い場合には、その両者の乖離の程度に応じて、ｓ１５１で算出した閾値をより低い値に設定する。
【0058】
次に、ＳＨＡＰ重要度推定部１０５は、圧縮ＳＨＡＰ行列におけるデータ項目（特徴量）として、ｓ１５１で算出した閾値に関係なく必ず採用するデータ項目（特徴量）である採用必須項目を決定する（ｓ１５５）。
【0059】
例えば、ＳＨＡＰ重要度推定部１０５は、ユーザから、採用必須項目の入力を受け付ける。また、例えば、ＳＨＡＰ重要度推定部１０５は、過去の採用必須項目の指定の履歴に基づき、自動的に採用必須項目を選択してもよい。また、例えば、ＳＨＡＰ重要度推定部
１０５は、分野、対象者、又はＫＰＩが同一又は類似する採用必須項目５００のレコードから、採用する採用必須項目を取得してもよい。
１０５は、分野、対象者、又はＫＰＩが同一又は類似する採用必須項目５００のレコードから、採用する採用必須項目を取得してもよい。
【0060】
さらに、ＳＨＡＰ重要度推定部１０５は、設定されたシステム制約に基づき、圧縮ＳＨＡＰ行列の作成に際しての、データ圧縮の方法を決定する（ｓ５７）。
【0061】
本実施形態では、ＳＨＡＰ重要度推定部１０５は、圧縮ＳＨＡＰ行列の作成におけるデータの圧縮率を決定するものとし、具体的には、各特徴量の項目のうち削除する項目の割合（列の圧縮）を決定するものとする。
【0062】
例えば、ＳＨＡＰ重要度推定部１０５は、圧縮ＳＨＡＰ行列の作成時間の上限値の入力を受け付ける。ＳＨＡＰ重要度推定部１０５は、現在のハードウェアの状態をハードウェア情報９００から取得すると共にシステム制約１０００を参照することで、現在のハードウェア制約、入力した作成時間の上限値、及びｓ１３０で作成したＳＨＡＰ行列に対応する、ＳＨＡＰ行列の圧縮率を特定する。
【0063】
なお、ここで説明した、システム制約１０００を利用した圧縮率の決定方法は一例である。例えば、ＳＨＡＰ重要度推定部１０５は、ユーザから圧縮率の指定を受け付けてもよい。また、以上では、ＳＨＡＰ重要度推定部１０５は列の圧縮を行うものとしたが、行を基準とした圧縮を行ってもよい。
【0064】
そして、ＳＨＡＰ重要度推定部１０５は、ｓ１５３で決定した閾値、ｓ１５５で決定した採用必須項目、及びｓ１５７で決定した圧縮率に基づき、最終的な閾値を決定する（ｓ１５９）。具体的には、ＳＨＡＰ重要度推定部１０５は、ｓ１５５で決定した採用必須項目は圧縮の対象外としつつ、ｓ１５７で決定した特徴量の圧縮率を満たすように、ｓ１５３で決定した閾値の値を必要に応じてさらに下げる。
【0065】
そして、ＳＨＡＰ重要度推定部１０５は、ｓ１３０で作成したＳＨＡＰ行列の各行及び各列の特徴量のうち、ｓ１５９で決定した閾値未満の特徴量の値を０に設定した修正ＳＨＡＰ行列を作成する（ｓ１６１）。以上で閾値決定処理ｓ１５０は終了する。
【0066】
なお、図１２は、閾値決定処理ｓ１５０により生成された修正ＳＨＡＰ行列の一例を示す図である。この修正ＳＨＡＰ行列３００では、ｓ１３０で作成したＳＨＡＰ行列の各要素のうち、その値が閾値未満であった要素の値が０に設定されている（符号３０３）。
【0067】
【0068】
圧縮ＳＨＡＰ行列生成部１０７は、ｓ１７１で取得した修正ＳＨＡＰ行列の一つの行を選択し（ｓ１７３）、選択した行の各列の値（特徴量の値）について、その値が０でない特徴量、及び当該特徴量のデータ項目名を取得する（ｓ１７５）。
【0069】
圧縮ＳＨＡＰ行列生成部１０７は、圧縮ＳＨＡＰ行列の１行分のレコードを作成する（ｓ１７７）。具体的には、例えば、圧縮ＳＨＡＰ行列生成部１０７は、ｓ１７１で選択した行のケースＩＤ（又は行番号）、ｓ１７３で取得したデータ項目名、及びｓ１７３で取得した値の組み合わせを１レコードとするデータを新規作成もしくは既存の圧縮ＳＨＡＰ行列に追加する。
【0070】
圧縮ＳＨＡＰ行列生成部１０７は、現在選択中のＳＨＡＰ行列の行が最後の行であるか否かを確認する（ｓ１７９）。現在選択中のＳＨＡＰ行列の行が最後の行である場合は（ｓ１７９：Ｙｅｓ）、作成した圧縮ＳＨＡＰ行列を記憶し（ｓ１８１）、圧縮行列作成処理ｓ１７０は終了する（ｓ１８３）、一方、現在選択中のＳＨＡＰ行列の行が最後の行でない場合は（ｓ１７９：Ｎｏ）、圧縮ＳＨＡＰ行列生成部１０７は、次の行を選択すべくｓ１７３の処理を繰り返す。
次に、推論フェーズｓ２００について説明する。
次に、推論フェーズｓ２００について説明する。
【0071】
＜推論フェーズ＞
図１４は、推論フェーズｓ２００の一例を説明するフロー図である。
図１４は、推論フェーズｓ２００の一例を説明するフロー図である。
【0072】
推論フェーズｓ２００は、ユーザが、学習済みモデルを用いて推論を行った後に開始される。例えば、ＡＩモデル推論部１０９が、ユーザから、学習済みモデルの指定及びこの学習済みモデルに対して入力する入力データ（推論対象データ）の指定を受け付け、当該学習済みモデルに当該入力データを入力することで、出力データ（予測値）を出力する。推論フェーズｓ２００は、この出力を契機に開始される。
【0073】
まず、ＡＩモデル推論部１０９は、予測値を取得する（ｓ２１０）。
【0074】
ＡＩモデル推論部１０９は、ｓ１３０と同様のアルゴリズムに従って、ｓ２１０で取得した予測値に対応するＳＨＡＰ行列を作成する（ｓ２３０）。
【0075】
ＡＩモデル推論部１０９は、ｓ２３０で作成した修正ＳＨＡＰ行列に関して圧縮行列作成処理ｓ１７０を呼び出すことで、ｓ２３０で作成したＳＨＡＰ行列に対する圧縮ＳＨＡＰ行列（以下、検証対象ＳＨＡＰデータという）を作成する（ｓ２５０）。
【0076】
ＡＩモデル推論部１０９は、ｓ２５０で作成した圧縮ＳＨＡＰ行列と、過去に作成した各ケースの圧縮ＳＨＡＰ行列との類似度をそれぞれ算出する類似度算出処理ｓ２７０を実行する。類似度算出処理ｓ２７０の詳細は後述する。
【0077】
ＡＩモデル推論部１０９は、類似度算出処理ｓ２７０で算出した類似度のうち、高い類似度を算出した過去の圧縮ＳＨＡＰ行列を特定する。そして、ＡＩモデル推論部１０９は、特定した圧縮ＳＨＡＰ行列に対応するケースの情報（例えば、学習済みモデルに入力された入力データの情報）を画面に表示する。
ここで、類似度算出処理ｓ２７０の詳細を説明する。
ここで、類似度算出処理ｓ２７０の詳細を説明する。
【0078】
【0079】
圧縮ＳＨＡＰ行列類似度計算部１１１は、過去に作成した圧縮ＳＨＡＰ行列の各行のうち、ｓ２７１で取得した圧縮ＳＨＡＰ行列に係るケースと同じケース（以下、本ケースという。例えば、同じプロジェクトのデータ）の行のレコードデータを一つ取得する（ｓ２７２）。
【0080】
圧縮ＳＨＡＰ行列類似度計算部１１１は、ｓ２７１で取得した圧縮ＳＨＡＰ行列の各列（各特徴量）の値と、ｓ２７３で取得した圧縮ＳＨＡＰ行列の各列（特徴量）の値とをそれぞれ比較する（ｓ２７３）。
【0081】
各特徴量について、両圧縮ＳＨＡＰ行列にその値が設定されている場合は（すなわち、当該特徴量の（０でない何らかの）値が両圧縮ＳＨＡＰ行列に設定されている場合は）（ｓ２７３：Ｙｅｓ）、圧縮ＳＨＡＰ行列類似度計算部１１１は、その特徴量についてｓ２７５の処理を行う。これに対して、いずれか一方の圧縮ＳＨＡＰ行列に当該特徴量の値（０でない何らかの値）が設定されていないことを検出した場合は（ｓ２７３：Ｎｏ）、圧縮ＳＨＡＰ行列類似度計算部１１１は、特徴量の値が設定されていない方の圧縮ＳＨＡＰ行列に対して、その特徴量の列を（一時的に）作成し、その特徴量の値に基準値（ここでは０）を設定する（ｓ２７４）。その後は、ｓ２７５の処理が行われる。
【0082】
ｓ２７５において、圧縮ＳＨＡＰ行列類似度計算部１１１は、当該特徴量に関しての、ｓ２７１で取得した圧縮ＳＨＡＰ行列と、ｓ２７３で取得した圧縮ＳＨＡＰ行列との類似度を算出する。
【0083】
具体的には、圧縮ＳＨＡＰ行列類似度計算部１１１は、ｓ２７１で取得した圧縮ＳＨＡＰ行列の当該特徴量の値と、ｓ２７３で取得した圧縮ＳＨＡＰ行列の当該特徴量の値とが近いほどより大きな値になるように類似度を設定する。例えば、圧縮ＳＨＡＰ行列類似度計算部１１１は、両者の値の差分の逆数を類似度に設定する。なお、ここで説明した類似度の算出方法は一例である。
【0084】
圧縮ＳＨＡＰ行列類似度計算部１１１は、本ケースに関する、過去に作成した圧縮ＳＨＡＰ行列のケースに係る行の全てについて、ｓ２７２～ｓ２７５の処理を行ったか否かを確認する（ｓ２７６）。全てについてｓ２７２～ｓ２７５の処理を行った場合は（ｓ２７６：Ｙｅｓ）、圧縮ＳＨＡＰ行列類似度計算部１１１は、ｓ２７７の処理を実行する。ｓ２７２～ｓ２７５の処理を行っていない行がある場合には（ｓ２７６：Ｎｏ）、圧縮ＳＨＡＰ行列類似度計算部１１１は、その行について、ｓ２７２以降の処理を繰り返す。
【0085】
ｓ２７７において圧縮ＳＨＡＰ行列類似度計算部１１１は、これまでに算出した類似度を記憶する（ｓ２７７）。その後、類似レコード抽出部１１３は、その類似度が所定の条件を満たす圧縮ＳＨＡＰ行列（例えば、所定の閾値よりも類似度が高い圧縮ＳＨＡＰ行列、類似度の高さに関して所定順位までの圧縮ＳＨＡＰ行列）を特定する。
そして、圧縮ＳＨＡＰ行列類似度計算部１１１は、特定した圧縮ＳＨＡＰ行列に対応づけられる各種の情報（例えば、対応するＳＨＡＰ行列の特徴量、そのＳＨＡＰ行列に対応する学習済みモデルに対する入力データの情報）を表示する。以上で類似度算出処理ｓ２７０は終了する。
そして、圧縮ＳＨＡＰ行列類似度計算部１１１は、特定した圧縮ＳＨＡＰ行列に対応づけられる各種の情報（例えば、対応するＳＨＡＰ行列の特徴量、そのＳＨＡＰ行列に対応する学習済みモデルに対する入力データの情報）を表示する。以上で類似度算出処理ｓ２７０は終了する。
【0086】
図１６は、類似度算出処理ｓ２７０における処理の一例を説明する図である。同図に示すように、特徴量として「Ｆ０１」、「Ｆ０２」、「Ｆ０８」、「Ｆ０９」、「Ｆ１０」を有する行のデータである、ケース「００１」に関する圧縮ＳＨＡＰ行列４００ａと、特徴量として「Ｆ０１」、「Ｆ０２」、「Ｆ０３」、「Ｆ０７」、「Ｆ０９」を有する行のデータである、過去の圧縮ＳＨＡＰ行列４００ａとがある場合、類似レコード抽出部１１３は、両圧縮ＳＨＡＰ行列４００ａ、４００ｂのいずれかに存在する特徴量「Ｆ０１」、「Ｆ０２」、「Ｆ０３」、「Ｆ０７」、「Ｆ０８」、「Ｆ０８」、「Ｆ０９」、「Ｆ１０」を検出する（符号４３０）。そして、類似レコード抽出部１１３は、一方の圧縮ＳＨＡＰ行列にのみ値が設定されている特徴量「Ｆ０３」、「Ｆ０７」、「Ｆ０３」、「Ｆ０８」、「Ｆ１０」のそれぞれについて、他方の特徴量の値に「０」を設定する（符号４４０）。
【0087】
このように、同じ項目の値同士を比較する際に、一方の圧縮ＳＨＡＰ行列に値が設定されていない場合には０を設定しておくことで、比較処理の効率化を図ることができる。
【0088】
ここで、検索支援装置１が表示する画面について説明する。
（ＳＨＡＰ重要度関連情報入力画面）
図１７は、ＳＨＡＰ重要度関連情報入力画面１１００の一例を示す図である。ＳＨＡＰ重要度関連情報入力画面１１００は、プロジェクトの名称が表示されるプロジェクト名表示欄１１１０と、そのプロジェクトに係る評価指標（ＫＰＩ）の入力をユーザから受け付ける目標値入力欄１１２０と、学習済みモデルにおける特徴量の入力をユーザから受け付ける特徴量入力欄１１３０と、採用必須項目の入力をユーザから受け付ける必須項目入力欄１１４０とを有する。なお、不一致パターン入力欄１１５０に示されているように、ＳＨＡＰ重要度推定部１０５は、圧縮ＳＨＡＰ行列の作成において除外する特徴量の組み合わせの指定を受け付けてもよい。
（ＳＨＡＰ重要度関連情報入力画面）
図１７は、ＳＨＡＰ重要度関連情報入力画面１１００の一例を示す図である。ＳＨＡＰ重要度関連情報入力画面１１００は、プロジェクトの名称が表示されるプロジェクト名表示欄１１１０と、そのプロジェクトに係る評価指標（ＫＰＩ）の入力をユーザから受け付ける目標値入力欄１１２０と、学習済みモデルにおける特徴量の入力をユーザから受け付ける特徴量入力欄１１３０と、採用必須項目の入力をユーザから受け付ける必須項目入力欄１１４０とを有する。なお、不一致パターン入力欄１１５０に示されているように、ＳＨＡＰ重要度推定部１０５は、圧縮ＳＨＡＰ行列の作成において除外する特徴量の組み合わせの指定を受け付けてもよい。
【0089】
なお、ＳＨＡＰ重要度関連情報入力画面１１００は、例えば、ユーザが学習済みモデルに入力するデータを決定する際、又は、ユーザが採用必須項目５００の入力を行う際等に表示される。
【0090】
（圧縮ＳＨＡＰ行列確認画面）
図１８は、圧縮ＳＨＡＰ行列確認画面１２００の一例を示す図である。圧縮ＳＨＡＰ行列確認画面１２００は、圧縮前のＳＨＡＰ行列（ＳＨＡＰ値の行列）の一覧表示１２１０と、圧縮後のＳＨＡＰ行列（ＳＨＡＰ値の行列）の一覧表示１２２０とを含んでいる。また、圧縮前のＳＨＡＰ行列の列の長さ１２１１（特徴量の数）と、圧縮後のＳＨＡＰ行列の列の長さ１２２１（特徴量の数）とが表示される。これにより、ユーザは、ＳＨＡＰ行列がどの程度圧縮されたかを確認することができる。
図１８は、圧縮ＳＨＡＰ行列確認画面１２００の一例を示す図である。圧縮ＳＨＡＰ行列確認画面１２００は、圧縮前のＳＨＡＰ行列（ＳＨＡＰ値の行列）の一覧表示１２１０と、圧縮後のＳＨＡＰ行列（ＳＨＡＰ値の行列）の一覧表示１２２０とを含んでいる。また、圧縮前のＳＨＡＰ行列の列の長さ１２１１（特徴量の数）と、圧縮後のＳＨＡＰ行列の列の長さ１２２１（特徴量の数）とが表示される。これにより、ユーザは、ＳＨＡＰ行列がどの程度圧縮されたかを確認することができる。
【0091】
なお、圧縮ＳＨＡＰ行列確認画面１２００は、例えば、圧縮ＳＨＡＰ行列が作成された際、もしくはユーザから入力指定を受けた際に表示される。
【0092】
（類似レコード表示画面）
図１９は、類似レコード表示画面１３００の一例を示す図である。類似レコード表示画面１３００には、類似度が高いと判定された各ケースのＩＤ１３１０と、そのケースの類似度１３２０と、そのケースにおいて入力された属性情報１３３０（学習済みモデルに入力されたデータ）と、そのケースにおいて学習済みモデルが出力した出力データ１３４０（予測値）とが表示される。
図１９は、類似レコード表示画面１３００の一例を示す図である。類似レコード表示画面１３００には、類似度が高いと判定された各ケースのＩＤ１３１０と、そのケースの類似度１３２０と、そのケースにおいて入力された属性情報１３３０（学習済みモデルに入力されたデータ）と、そのケースにおいて学習済みモデルが出力した出力データ１３４０（予測値）とが表示される。
【0093】
なお、類似レコード表示画面１３００は、例えば、類似度算出処理ｓ２７０において表示される。
【0094】
以上のように、本実施形態の検索支援装置１は、学習フェーズｓ１００において、学習データを入力した学習済みモデルから出力される各出力データに対する各ＳＨＡＰデータを算出し、各ＳＨＡＰデータについて圧縮ＳＨＡＰデータを生成して記憶する。一方、検索支援装置１は、推論フェーズｓ２００において、推論対象データに対する予測値に対応する検証対象ＳＨＡＰデータを算出し、算出した検証対象ＳＨＡＰデータと、各圧縮ＳＨＡＰデータとの類似度をそれぞれ算出し、類似度が所定の条件を満たす圧縮ＳＨＡＰデータを特定する。
【0095】
すなわち、本実施形態の検索支援装置１は、ＳＨＡＰデータの圧縮データ同士を比較することで、ＳＨＡＰデータの検索を行う。このように、本実施形態の検索支援装置１によれば、特徴量の影響度を表すパラメータであるＳＨＡＰデータに関する検索を高速かつ精度良く行うことができる。
【0096】
また、本実施形態の検索支援装置１は、各ＳＨＡＰデータの履歴（ＳＨＡＰグローバル
統計８００）に基づき、ＳＨＡＰデータに係る特徴量のうち圧縮対象の特徴量を特定することにより、圧縮ＳＨＡＰデータを生成する。
統計８００）に基づき、ＳＨＡＰデータに係る特徴量のうち圧縮対象の特徴量を特定することにより、圧縮ＳＨＡＰデータを生成する。
【0097】
具体的には、本実施形態の検索支援装置１は、各ＳＨＡＰデータの履歴（ＳＨＡＰグローバル統計８００）に基づき、ＳＨＡＰデータにおける影響度に関する閾値を特定し、ＳＨＡＰデータの各値のうち閾値以下の影響度のＳＨＡＰデータを、圧縮対象の特徴量のデータとして特定し、特定した特徴量のデータを除去することにより、圧縮ＳＨＡＰデータを生成する。
【0098】
これにより、圧縮すべき特徴量を特定し、より精度良い検索に適した圧縮ＳＨＡＰデータを生成することができる。
【0099】
また、本実施形態の検索支援装置１は、検索支援装置１が備えるハードウェアに関する情報（ハードウェア情報９００及びシステム制約１０００）に基づき、ＳＨＡＰデータに係る特徴量のうち圧縮対象の特徴量を特定することにより、圧縮ＳＨＡＰデータを生成する。
【0100】
具体的には、本実施形態の検索支援装置１は、検索支援装置１が備えるハードウェアに関する情報（ハードウェア情報９００及びシステム制約１０００）に基づき、ＳＨＡＰデータの圧縮率を決定し、決定した圧縮率に基づき、圧縮ＳＨＡＰデータを生成する。
【0101】
これにより、検索を行う検索支援装置１のハードウェアの状況に応じて、検索に適した圧縮ＳＨＡＰデータを生成することができる。
【0102】
また、本実施形態の検索支援装置１は、ユーザから、ＳＨＡＰデータに係る特徴量のうち圧縮対象外の特徴量の指定を受け付け、指定された圧縮対象外の特徴量に基づき、圧縮ＳＨＡＰデータを生成する。
【0103】
これにより、ユーザ等の知見（ドメイン知識）に基づいて検索に不可欠な重要な特徴量を圧縮ＳＨＡＰデータに残すようにし、適切な検索を行うことができる。
【0104】
また、本実施形態の検索支援装置１は、類似度を算出する際に、圧縮ＳＨＡＰデータ及び検証対象ＳＨＡＰデータのいずれかのみに存在する特徴量を検出した場合には、特徴量が存在しない方のＳＨＡＰデータの特徴量の影響度の値を所定の基準値（本実施形態では０）に設定することで、圧縮ＳＨＡＰデータと検証対象ＳＨＡＰデータとの類似度を算出する。
【0105】
これにより、圧縮ＳＨＡＰデータの各特徴量と検証対象ＳＨＡＰデータの各特徴量との比較を容易にし、類似度を算出することができる。
【0106】
また、本実施形態の検索支援装置１は、作成した圧縮ＳＨＡＰデータの情報を出力する（圧縮ＳＨＡＰ行列確認画面１２００）。これにより、ユーザは、ＳＨＡＰデータがどのように圧縮されたかを確認することができる。
【0107】
また、本実施形態の検索支援装置１は、前記圧縮対象外の特徴量の指定を受け付ける画面を表示する（ＳＨＡＰ重要度関連情報入力画面１１００）。これにより、ユーザは、圧縮の対象外とする特徴量を任意に指定することができる。
【0108】
また、本実施形態の検索支援装置１は、圧縮ＳＨＡＰデータに対応づけられる特徴量に関する情報を表示する（類似レコード表示画面１３００）。これにより、ユーザは、検証
対象ＳＨＡＰデータや推論対象データ等に関連した情報を知ることができる。
対象ＳＨＡＰデータや推論対象データ等に関連した情報を知ることができる。
【0109】
本発明は上記実施形態に限定されるものではなく、その要旨を逸脱しない範囲内で、任意の構成要素を用いて実施可能である。以上説明した実施形態や変形例はあくまで一例であり、発明の特徴が損なわれない限り、本発明はこれらの内容に限定されるものではない。また、上記では種々の実施形態や変形例を説明したが、本発明はこれらの内容に限定されるものではない。本発明の技術的思想の範囲内で考えられるその他の態様も本発明の範囲内に含まれる。
【0110】
例えば、本実施形態で説明した各機能部の構成は一例であり、例えば、機能部の一部を他の機能部に組み込み、又は複数の機能部を一つの機能部として構成してもよい。
【符号の説明】
【0111】
１ 検索支援装置、３００ ＳＨＡＰ行列、４００ 圧縮ＳＨＡＰ行列
【図1】
【図2】
【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19】