(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】P2023180291
(43)【公開日】2023-12-21
(54)【発明の名称】有益文章抽出装置、方法、およびプログラム
(51)【国際特許分類】
G06F 16/332 20190101AFI20231214BHJP
【ＦＩ】
G06F16/332
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022093441
(22)【出願日】2022-06-09
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＢＬＵＥＴＯＯＴＨ
(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】110000279
【氏名又は名称】弁理士法人ウィルフォート国際特許事務所
(72)【発明者】
【氏名】唐津屋 和喜
【テーマコード（参考）】
5B175
【Ｆターム（参考）】
5B175DA01
5B175HA01
(57)【要約】
【課題】ユーザ本人も気付かない意外な文章を抽出する。
【解決手段】有益文章抽出装置は、ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、初期有益文章の最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、初期有益文章の最重要単語を置換単語で置き換えた文章である置換後文章を生成し、置換後文章に類似する文章を置換後類似文章として抽出する有益文章抽出部と、置換後類似文章を有益文章としてユーザに提示するデータ表示部と、を有する。
【選択図】図３
【解決手段】有益文章抽出装置は、ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、初期有益文章の最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、初期有益文章の最重要単語を置換単語で置き換えた文章である置換後文章を生成し、置換後文章に類似する文章を置換後類似文章として抽出する有益文章抽出部と、置換後類似文章を有益文章としてユーザに提示するデータ表示部と、を有する。
【選択図】図３
【特許請求の範囲】
【請求項1】
プロセッサと主記憶装置を備え、前記プロセッサが前記主記憶装置を利用してソフトウェアプログラムを実行することにより実現される、
ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、前記初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、前記初期有益文章の前記最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、前記初期有益文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成し、前記置換後文章に類似する文章を置換後類似文章として抽出する有益文章抽出部と、
前記置換後類似文章を有益文章として前記ユーザに提示するデータ表示部と、
を有する有益文章抽出装置。
ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、前記初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、前記初期有益文章の前記最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、前記初期有益文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成し、前記置換後文章に類似する文章を置換後類似文章として抽出する有益文章抽出部と、
前記置換後類似文章を有益文章として前記ユーザに提示するデータ表示部と、
を有する有益文章抽出装置。
【請求項2】
前記有益文章抽出部は、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）を用いた自然言語処理により前記置換単語を抽出する、
請求項１に記載の有益文章抽出装置。
請求項１に記載の有益文章抽出装置。
【請求項3】
前記有益文章抽出部は、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）のスコアを用いて、前記初期有益文章に類似する前記初期有益類似文章を抽出する、
請求項１に記載の有益文章抽出装置。
請求項１に記載の有益文章抽出装置。
【請求項4】
前記有益文章抽出部は、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）のスコアを用いて、前記置換後文章に類似する前記置換後類似文章を抽出する、
請求項１に記載の有益文章抽出装置。
請求項１に記載の有益文章抽出装置。
【請求項5】
前記有益文章抽出部は、更に、前記初期有益類似文章の前記最重要単語の位置に最も当てはまる予測確度の高い複合語を置換単語として抽出し、前記初期有益類似文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成する、
請求項１に記載の有益文章抽出装置。
請求項１に記載の有益文章抽出装置。
【請求項6】
取得された文章を蓄積した取得データの各文章を感情分析することにより、前記文章に込められた感情を特定し、前記文章に該感情を表す感情情報を付加する感情分析部を更に有し、
前記データ表示部は、前記初期有益文章の候補の前記感情情報と前記文章とを前記ユーザに提示して前記初期有益文章の選択を促す、
請求項１に記載の有益文章抽出装置。
前記データ表示部は、前記初期有益文章の候補の前記感情情報と前記文章とを前記ユーザに提示して前記初期有益文章の選択を促す、
請求項１に記載の有益文章抽出装置。
【請求項7】
前記データ表示部は、前記置換後類似文章を前記初期有益文章との類似度の順にソートして表示する、
請求項１に記載の有益文章抽出装置。
請求項１に記載の有益文章抽出装置。
【請求項8】
前記有益文章抽出部は、前記類似度の順に表示された前記置換後類似文章に対する前記ユーザからの評価を取得し、前記評価に基づいて当該置換後類似文章と他の文章との類似度を補正する、
請求項７に記載の有益文章抽出装置。
請求項７に記載の有益文章抽出装置。
【請求項9】
ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、
前記初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、
前記初期有益文章の前記最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、
前記初期有益文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成し、
前記置換後文章に類似する文章を置換後類似文章として抽出し、
前記置換後類似文章を有益文章として前記ユーザに提示する、
ことをコンピュータが実行する、有益文章抽出方法。
前記初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、
前記初期有益文章の前記最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、
前記初期有益文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成し、
前記置換後文章に類似する文章を置換後類似文章として抽出し、
前記置換後類似文章を有益文章として前記ユーザに提示する、
ことをコンピュータが実行する、有益文章抽出方法。
【請求項10】
ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、
前記初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、
前記初期有益文章の前記最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、
前記初期有益文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成し、
前記置換後文章に類似する文章を置換後類似文章として抽出し、
前記置換後類似文章を有益文章として前記ユーザに提示する、
ことをコンピュータに実行させる、有益文章抽出プログラム。
前記初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、
前記初期有益文章の前記最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、
前記初期有益文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成し、
前記置換後文章に類似する文章を置換後類似文章として抽出し、
前記置換後類似文章を有益文章として前記ユーザに提示する、
ことをコンピュータに実行させる、有益文章抽出プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、テキストデータから有益な情報を取得する技術に関する。
【背景技術】
【0002】
ブログやソーシャルネットワーキングサービスなどのソーシャルメディアを用いたテキストによるコミュニケーションが普及し、大量のテキストデータが蓄積されるようになっている。また、企業などのような個々の組織内においても、イントラネットなどで社内のテキストデータの蓄積が進んでいる。
【0003】
近年、このような大量のテキストデータを分析して新たな価値を発見し、企業活動に活かすニーズが高まっている。それとともに、大量のテキストデータから所望の情報を効率的に取得する技術が期待されている。
【0004】
大量のテキストデータから所望の情報を取得する一般的な方法として、全文検索などの検索手法がある。検索手法では、通常、ユーザが自身の所望するテキストデータの特徴を表すキーワードを指定して検索を行う。しかし、大量のテキストデータからキーワード検索によって収集されるデータは膨大となり、ユーザがそれを精査して有益な情報を抽出するには時間がかかる。
【0005】
そのため、ユーザが所望の情報により近い文章を抽出する手法が注目されており、所望の情報に近い文章を抽出する多くの手法が提案されている。一例として、類義語から関連語を特定する方法がある。また、他の例として、参照用文章解析データの単語の分散表現を機械学習により学習し、類似文章を検索する方法がある。
【0006】
更に、特許文献１－３には類似文章を抽出する手法が開示されている。例えば、特許文献１には、対応関係を有する文章を精度良く検索することを目的として、複数の対象テキストについて各々を構成するテキストの構成単位の構成単位ペアの類似度を計算し、その類似度を基にテキストの対応関係を判定する手法が開示されている。
【先行技術文献】
【特許文献】
【0007】
【特許文献1】特開２０２０－２０１６０７号公報
【特許文献2】特開２０１０－９２１０８号公報
【特許文献3】特開２０２１－７０２４号公報
【発明の概要】
【発明が解決しようとする課題】
【0008】
上述したユーザが所望の情報に近い文章を抽出する手法や特許文献１－３に開示された類似文章を抽出する手法は、いずれも特定の文章に対する類似を判断する手法である。そのため、検索を行うユーザ本人が想定できる想定内の文章を取得することはできる。
【0009】
しかし、ユーザは、ユーザ本人にとって新たな気づきが得られるような有益な情報を得たい場合がある。具体的には以下のユースケースが考えられる。ＴｗｉｔｔｅｒなどＳＮＳ情報を分析し、新たな商品や新たな分野への取り組みを検討したい場合がある。アンケート回答などから、既存回答の傾向と特筆すべき意見を同時に抽出したい場合がある。
【0010】
しかしながら、上述したような特定の文章について類似を判断する手法では、ユーザ本人も気付かない意外な類似文章を抽出することはできない。その結果として、ユーザ本人にとって新たな気付きを得られるような情報が得られない。
【0011】
また、特許文献１の手法では、検索対象として入力されたテキストに類似する文章を抽出するものであるため、本人も気付かない意外な文章を抽出することはできない。特許文献２、３を含む多くの手法も同様である。
【0012】
本開示に含まれるひとつの目的は、ユーザ本人も気付かない意外な文章を抽出することを可能にする技術を提供することである。
【課題を解決するための手段】
【0013】
本開示に係る有益文章抽出装置は、プロセッサと主記憶装置を備え、前記プロセッサが前記主記憶装置を利用してソフトウェアプログラムを実行することにより実現される、ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、前記初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、前記初期有益文章の前記最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、前記初期有益文章の前記最重要単語を前記置換単語で置き換えた文章である置換後文章を生成し、前記置換後文章に類似する文章を置換後類似文章として抽出する有益文章抽出部と、前記置換後類似文章を有益文章として前記ユーザに提示するデータ表示部と、を有する。
【発明の効果】
【0014】
本開示によれば、ユーザ本人も気付かない意外な文章をユーザに提供することができる。
【図面の簡単な説明】
【0015】
【図1】実施の形態１に係る有益文章抽出装置のハードウェア構成の一例を示すブロック図である。
【図2】実施の形態１に係る有益文章抽出装置１の機能構成の一例を示すブロック図である。
【図3】実施の形態１に係る有益文章抽出処理の一例を示すフローチャートである。
【図4】実施の形態１に係る文章リスト画面の一例を示す図である。
【図7】各単語の重要度の算出結果の一例を示す図である。
【図11】有益度に関する分布の一例を示すグラフである。
【図13】実施の形態１に係るフィードバック画面の一例を示す図である。
【図15】実施の形態１に係る置換後類似文章画面の一例を示す図である。
【発明を実施するための形態】
【0016】
以下、ユーザにとって有益な文章（以下、有益文章という）を抽出する有益文章抽出装置および有益文章抽出方法について、図面を用いて説明する。
【0017】
有益文章は、ユーザが所望する文章に近い文章であり、かつユーザが新たな気付きを得らえる可能性のある文章である。具体的には、有益文章は以下の２つの条件を満たす文章であってよい。
【0018】
（１）所望している文章に、文章ベクトル的に近い文章
【0019】
（２）所望している文章から、新たな気付きを得ることができる文章
なお、以下に説明する実施の形態は本発明をその範囲に限定するものではない。また、実施の形態において説明されている諸要素およびその組み合わせの全てが発明の解決手段に必須であるとは限らない。
なお、以下に説明する実施の形態は本発明をその範囲に限定するものではない。また、実施の形態において説明されている諸要素およびその組み合わせの全てが発明の解決手段に必須であるとは限らない。
【0020】
（実施の形態１）
図１は、実施の形態１に係る有益文章抽出装置のハードウェア構成の一例を示すブロック図である。
図１は、実施の形態１に係る有益文章抽出装置のハードウェア構成の一例を示すブロック図である。
【0021】
有益文章抽出装置１は、プロセッサ２、主記憶装置３、補助記憶装置４、入力装置５、出力装置６、及び、通信装置７を備える。
【0022】
プロセッサ２は、主記憶装置３からプログラム及びデータを読み出して実行することにより、本実施の形態にて説明する種々の機能を実現する。すなわち、以下の説明にて有益文章抽出装置１が主体として行う処理は、プロセッサ２が行う処理に読み替えることができる。
【0023】
主記憶装置３は、プログラム及びデータ等を記憶する。主記憶装置３は、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）を含んでよい。
【0024】
補助記憶装置４は、不揮発性記憶媒体にて構成され、プログラム及びデータ等を記憶する。補助記憶媒体の例として、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等が挙げられる。
【0025】
入力装置５は、ユーザからの入力を受け付ける。入力装置５の例として、キーボード、マウス、タッチパッド、カメラ、マイク等が挙げられる。
【0026】
出力装置６は、プロセッサ２による処理結果を出力する。出力装置６の例として、ディスプレイ、スピーカ等が挙げられる。
【0027】
通信装置７は、他の装置とデータの送受信を行う。通信装置７が対応する通信規格の例として、Ｅｔｈｅｒｎｅｔ、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ、ＬＴＥ、４Ｇ、５Ｇ等が挙げられる。
【0028】
また、有益文章抽出装置１は、外部記憶媒体８が接続されてもよい。外部記憶媒体８の例として、ＵＳＢメモリ、外付けＨＤＤ、ＤＶＤ（Digital Versatile Disc）等が挙げられる。
【0029】
図２は、実施の形態１に係る有益文章抽出装置１の機能構成の一例を示すブロック図である。
【0030】
有益文章抽出装置１は、機能として、データ取得部１５、感情分析部２０、有益文章抽出部３０、データ表示部５０、及び、情報記憶部１７を有する。
【0031】
情報記憶部１７は、メディアデータ格納部６０、感情分析データ格納部７０、有益文章データ格納部８０、置換後文章データ格納部８１、他データ格納部９０を含む。
【0032】
データ取得部１５は、クエリ１２を生成し、外部メディア装置１０へ送信する。データ取得部１５は、外部メディア装置１０から、送信したクエリ１２に対応するメディアデータ１３を受信する。データ取得部１５は、テキストアップローダ１１からテキスト１４を受信する。データ取得部１５は、受信したメディアデータ１３及びテキスト１４を取得データ１６として、情報記憶部１７のメディアデータ格納部６０に格納する。
【0033】
感情分析部２０は、情報記憶部１７のメディアデータ格納部６０からテキスト２１を取得し、テキスト２１についての感情分析を行い、その分析結果を含む処理済みデータ２２を情報記憶部１７の感情分析データ格納部７０に格納する。
【0034】
有益文章抽出部３０は、情報記憶部１７の感情分析データ格納部７０からテキスト３１を取得する。また、有益文章抽出部３０は、ユーザに選択された有益文章が入力される。有益文章抽出部３０は、テキスト３１に基づいて、有益文章の一部単語を置換した置換後文章を生成し、処理済みデータ３２として情報記憶部１７に格納する。例えば、有益文章抽出部３０は、有益文章を有益文章データ格納部８０に格納し、置換後文章を置換後文章データ格納部８１に格納する。また、有益文章抽出部３０は、ユーザに選択されたフィードバック文章又は置換後文章が入力されてもよい。
【0035】
データ表示部５０は、情報記憶部１７から検索条件５１に適合するデータを、処理済みデータ５２として取得し、表示する。例えば、データ表示部５０は、置換後文章又は置換後文章に類似する文章等を表示する。
＜有益文章抽出処理＞
図３は、実施の形態１に係る有益文章抽出処理の一例を示すフローチャートである。図４は、実施の形態１に係る文章リスト画面の一例を示す図である。
＜有益文章抽出処理＞
図３は、実施の形態１に係る有益文章抽出処理の一例を示すフローチャートである。図４は、実施の形態１に係る文章リスト画面の一例を示す図である。
【0036】
有益文章抽出部３０は、何らかの単語で絞った文章リストを表示する（Ｓ１００）。有益文章抽出部３０は、ステップＳ１０１にて表示した文章リストから、ユーザにとって有益と思われる文章（以下、初期有益文章という）を、当該ユーザに選択させる（Ｓ２００）。
【0037】
例えば、有益文章抽出部３０は、図４に示すような、何らかの単語で絞った文章リストを表示し、ユーザは、表示された文章リストから、初期有益文章を１つ選択する。ただし、ユーザが複数の初期有益文章を選択してもよい。この場合の処理については、実施の形態３にて説明する。
【0038】
また、図４に示すように、文章リストには、各文章に関する感情情報が合わせて表示されてもよい。例えば、図４に示すように、文章に込められた「Sentiment」と「Emotion」とが感情情報として表示されてもよい。ユーザは、初期有益文章の選択において、感情情報を参考にしてもよい。例えば、ユーザは、自分の感情と類似する感情情報が対応付けられている文章を、初期有益文章として選択してもよい。
【0039】
すなわち、感情分析部２０は、取得された文章を蓄積した取得データの各文章を感情分析することにより、文章に込められた感情を特定し、文章に該感情を表す感情情報を付加する。そして、データ表示部５０は、初期有益文章の候補の感情情報と文章とをユーザに提示して初期有益文章の選択を促してよい。これにより、ユーザは文章に込められた感情を考慮して初期有益文章を選択することが可能となる。
【0040】
次に、有益文章抽出部３０は、ステップＳ２００にて選択された初期有益文章との類似度が所定の閾値以上である文章（以下、初期有益類似文章という）を文章リストから抽出する（Ｓ３００）。なお、本処理の詳細については後述する（図５参照）。
【0041】
次に、有益文章抽出部３０は、初期有益類似文章を用いて重要度の高い単語を取得する（Ｓ４００）。なお、本処理の詳細については後述する（図６参照）。
【0042】
次に、有益文章抽出部３０は、初期有益文章の中の重要度の高い単語をＭＡＳＫして予測確度の高い置換単語に置換し、置換後文章を生成する（Ｓ５００）。なお、本処理の詳細については後述する（図８参照）。
【0043】
次に、有益文章抽出部３０は、ステップＳ５００にて生成した置換後文章との類似度が所定の閾値以上である文章（以下、置換後類似文章という）を文章リストから抽出する（Ｓ６００）。なお、本処理の詳細については後述する（図９参照）。
【0044】
次に、有益文章抽出部３０は、置換後類似文章の類似度を補正し、有益文章リストを生成する（Ｓ７００）。なお、本処理の詳細については後述する（図１０参照）。
【0045】
次に、有益文章抽出部３０は、初期有益文章のＭＡＳＫした所を、予測確度が２番目以降の置換単語に置き換えるか否かを判定する（Ｓ８００）。なお、この置き換えを行うか否かの判定は、ユーザによって指示されてよい。この置き換えを行うと判定した場合（Ｓ８００：ＹＥＳ）、有益文章抽出部３０は、処理をステップＳ５００に戻し、ステップＳ５００にて、ＭＡＳＫした所を予測確度が２番目以降の置換単語に置き換える。この置き換えを行わないと判定した場合（Ｓ８００：ＮＯ）、有益文章抽出部３０は、処理を次のステップＳ９００に進める。
【0046】
次に、有益文章抽出部３０は、初期有益文章の中で重要度が２番目以降の単語をＭＡＳＫするか否かを判定する（Ｓ９００）。なお、このＭＡＳＫを行うか否かの判定は、ユーザによって指示されてよい。このＭＡＳＫを行うと判定した場合（Ｓ９００：ＹＥＳ）、有益文章抽出部３０は、処理をステップＳ４００に戻し、ステップＳ４００にて、初期有益類文章の中の重要度が２番目以降の１つの単語をＭＡＳＫする。このＭＡＳＫを行わないと判定した場合（Ｓ９００：ＮＯ）、有益文章抽出部３０は、処理を次のＳ１０００に進める。
【0047】
次に、データ表示部５０は、少なくとも１つの置換後類似文章を含む有益文章リストを表示する（Ｓ１０００）。このとき、データ表示部５０は、複数の置換後類似文章を類似度の高い順にソートした有益文章リストを表示してよい。類似度は、Ｆ１（適合率と再現率の調和平均）に基づく値であってよい。ただし、類似度は、Ｆ１に限らず、Ｆ０．５（適合率重視）、又は、Ｆ２（再現率重視）であってもよい。
【0048】
次に、有益文章抽出部３０は、ステップＳ１０００で表示した有益文章リストに対するユーザからの評価フィードバックを受ける（Ｓ１１００）。
【0049】
次に、有益文章抽出部３０は、ステップＳ１１００のユーザからの評価フィードバックを受けて、置換後類似文章の並べ替え処理を行う（Ｓ１２００）。そして、本処理は終了する。
【0050】
上述した処理は次のように表現できる。すなわち、有益文章抽出部３０は、ユーザが有益として選択した文章である初期有益文章に類似する文章を初期有益類似文章として抽出し、初期有益類似文章に含まれる単語のうち最も重要度の高い単語を最重要単語として特定し、初期有益文章の最重要単語の位置に最も当てはまる予測確度の高い単語を置換単語として抽出し、初期有益文章の最重要単語を置換単語で置き換えた文章である置換後文章を生成し、置換後文章に類似する文章を置換後類似文章として抽出する。そして、データ表示部５０は、置換後類似文章を有益文章としてユーザに提示する。これにより、ユーザが指定した文章の最重要単語を予測確度の高い単語で置き換えて類似文章を抽出するので、ユーザ本人も気付かない意外な有益文章を抽出することが可能となる。
＜ステップＳ３００の詳細＞
図５は、図３に示すステップＳ３００の処理の詳細を示すフローチャートである。次に、図５を参照して、初期有益文章との類似度が所定の閾値以上である初期有益類似文章を文章リストから抽出する処理（Ｓ３００）の詳細を説明する。
＜ステップＳ３００の詳細＞
図５は、図３に示すステップＳ３００の処理の詳細を示すフローチャートである。次に、図５を参照して、初期有益文章との類似度が所定の閾値以上である初期有益類似文章を文章リストから抽出する処理（Ｓ３００）の詳細を説明する。
【0051】
有益文章抽出部３０は、ステップＳ２００でユーザに選択された１又は複数の初期有益文章の中から１つを選択する（Ｓ３０１）。図５の説明において、ステップＳ３０１で選択された初期有益文章を、選択初期有益文章という。
【0052】
次に、有益文章抽出部３０は、選択初期有益文章に対する、ステップＳ１０１の文章リストに含まれる各文章の類似度を算出する（Ｓ３０２）。
【0053】
有益文章抽出部３０は、ＢＥＲＴＳｃｏｒｅと呼ばれる評価基準を用いて、文章間の類似度を算出してよい。これにより、有益文章抽出部３０は、精度の良い類似度を算出できる。
【0054】
具体的には、有益文章抽出部３０は、初期有益文章の文章ベクトルと、文章リストに含まれる各文章の文章ベクトルとを算出し、２つの文章ベクトル間の類似度を評価する。２つの文章ベクトル間の類似度を評価する指標として、コサイン類似度が用いられてよい。
【0055】
ＢＥＲＴＳｃｏｒｅは、事前学習されたＢＥＲＴから得られるベクトル表現を利用して、テキスト間の類似度を計算する評価手法である。ＢＥＲＴスコアは、教師なし学習で質の高いベクトル表現が得られ、ディープラーニング分野の世界最大カンファレンス「ＩＣＬＲ２０２０」でも承認されている手法である。
【0056】
次に、有益文章抽出部３０は、選択初期有益文章の各文章との類似度の最大値と平均値とを取得する（Ｓ３０３）。
【0057】
次に、有益文章抽出部３０は、ステップＳ３０１にてすべての初期有益文章を選択したか否かを判定する（Ｓ３０４）。
【0058】
まだ選択されていない初期有益文章が残っている場合（Ｓ３０４：ＮＯ）、有益文章抽出部３０は、処理をステップＳ３０１に戻し、まだ選択されてない初期有益文章の１つを選択する。
【0059】
すべての初期有益文章が選択された場合（Ｓ３０４：ＹＥＳ）、有益文章抽出部３０は、文章リストの各文章（初期有益類似文章）を類似度の高い順にソートする（Ｓ３０５）。
【0060】
類似度は、１～０．５の間の値をとり、値が大きいほど２つの文章が類似していることを示してよい。したがって、２つの文章が同じ文章である場合、類似度は「１」となる。なお、類似度の指標として、Ｆ１（適合率と再現率の調査平均）が用いられてよい。ただし、類似度の指標として、Ｆ０．５（適合率重視）、又は、Ｆ２（再現率重視）が用いられてもよい。
【0061】
例えば、初期有益文章が以下の（Ａ０）であり、文章リストの各文章（初期有益類似文章）が以下の（Ｂ１）～（Ｂ４）であるとする。
（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』
（Ｂ１）『スポーツの中でサッカーが好き』
（Ｂ２）『日本人に一番人気があるのはサッカーです』
（Ｂ３）『ゲームの中で野球が好き。日本人が活躍するので』
（Ｂ４）『政治に興味ある人はご連絡ください』
この場合、例えば、初期有益文章（Ａ０）と各初期有益類似文章（Ｂ１）～（Ｂ４）との間の類似度は次のように算出される。
（Ａ０）と（Ｂ１）の類似度＝０．９
（Ａ０）と（Ｂ２）の類似度＝０．８
（Ａ０）と（Ｂ３）の類似度＝０．７
（Ａ０）と（Ｂ４）の類似度＝０．６
上述した処理は次のように表現できる。すなわち、有益文章抽出部３０は、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）のスコアを用いて、初期有益文章に類似する初期有益類似文章を抽出する。このように、ＢＥＲＴを用いることにより好適な初期有益類似文章を抽出することができる。
＜ステップＳ４００の詳細＞
図６は、図３に示すステップＳ４００の処理の詳細を示すフローチャートである。図７は、各単語の重要度の算出結果の一例を示す図である。次に、図６及び図７を参照して、初期有益類似文章の各単語の重要度を取得する処理（Ｓ４００）の詳細を説明する。
（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』
（Ｂ１）『スポーツの中でサッカーが好き』
（Ｂ２）『日本人に一番人気があるのはサッカーです』
（Ｂ３）『ゲームの中で野球が好き。日本人が活躍するので』
（Ｂ４）『政治に興味ある人はご連絡ください』
この場合、例えば、初期有益文章（Ａ０）と各初期有益類似文章（Ｂ１）～（Ｂ４）との間の類似度は次のように算出される。
（Ａ０）と（Ｂ１）の類似度＝０．９
（Ａ０）と（Ｂ２）の類似度＝０．８
（Ａ０）と（Ｂ３）の類似度＝０．７
（Ａ０）と（Ｂ４）の類似度＝０．６
上述した処理は次のように表現できる。すなわち、有益文章抽出部３０は、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）のスコアを用いて、初期有益文章に類似する初期有益類似文章を抽出する。このように、ＢＥＲＴを用いることにより好適な初期有益類似文章を抽出することができる。
＜ステップＳ４００の詳細＞
図６は、図３に示すステップＳ４００の処理の詳細を示すフローチャートである。図７は、各単語の重要度の算出結果の一例を示す図である。次に、図６及び図７を参照して、初期有益類似文章の各単語の重要度を取得する処理（Ｓ４００）の詳細を説明する。
【0062】
有益文章抽出部３０は、複数の初期有益類似文章の中から１つを選択する（Ｓ４０１）。図６の説明において、ステップＳ４０１で選択された初期有益類似文章を、選択初期有益類似文章という。
【0063】
有益文章抽出部３０は、選択初期有益類似文章に含まれる各単語の重要度を算出する（Ｓ４０２）。選択初期有益類似文章に含まれる各単語の重要度を算出する方法として、例えば、「Ｃ－ｌａｅｉ」又は「ＴＦ－ＩＤＦ」といった公知技術が知られている。「Ｃ－ｌａｅｉ」は、株式会社言語理解研究所が開発した日本語の言語解析エンジンであり、文章に含まれる単語の重要度を算出することもできる。
【0064】
重要度は、１～０の間の値をとり、値が大きい単語ほど文章内での重要性が大きいことを示してよい。一般的に、接続詞の単語は重要度が低くなる傾向にあり、名詞の単語は重要度が高くなる傾向にある。
【0065】
例えば、上述した初期有益類似文章（Ｂ１）～（Ｂ４）に含まれる各単語の重要度は、図７に示すように算出される。
【0066】
次に、有益文章抽出部３０は、ステップＳ４０１にてすべての初期有益類似文章が選択されたか否かを判定する（Ｓ４０３）。
【0067】
まだ選択されていない初期有益類似文章が残っている場合（Ｓ４０３：ＮＯ）、有益文章抽出部３０は、処理をステップＳ４０１に戻し、まだ選択されてない初期有益類似文章の１つを選択する。
【0068】
すべての初期有益類似文章が選択された場合（Ｓ４０３：ＹＥＳ）、有益文章抽出部３０は、本処理を終了する。
＜ステップＳ５００の詳細＞
図８は、図３に示すステップＳ５００の処理の詳細を示すフローチャートである。次に、図８を参照して、初期有益文章の重要度の高い単語をＭＡＳＫして置換単語に置き換え、置換後文章を生成する処理（Ｓ５００）の詳細を説明する。
＜ステップＳ５００の詳細＞
図８は、図３に示すステップＳ５００の処理の詳細を示すフローチャートである。次に、図８を参照して、初期有益文章の重要度の高い単語をＭＡＳＫして置換単語に置き換え、置換後文章を生成する処理（Ｓ５００）の詳細を説明する。
【0069】
有益文章抽出部３０は、ＢＥＲＴの日本語学習モデル（以下、ＢＥＲＴモデルという）をロードする（Ｓ５０１）。当該ＢＥＲＴモデルの例として、東北大学の乾研究室が作成した「bert-base-japanese-whole-word-masking」が挙げられる。
【0070】
次に、有益文章抽出部３０は、初期有益文章の中の重要度の高い単語を、［ＭＡＳＫ］という特殊トークンに置き換える（Ｓ５０２）。例えば、上述した文章の中で重要度の最も高い単語は図７に示すように「サッカー」であるため、有益文章抽出部３０は、以下の文章（Ｍ１）に示すように、文章（Ａ０）の「サッカー」を［ＭＡＳＫ］に置き換える。
【0071】
（Ｍ１）『スポーツの中では［ＭＡＳＫ］が好きです。日本人が活躍するので』
なお、有益文章抽出部３０は、重要度が２番目以降の単語を［ＭＡＳＫ］に置き換えてもよい。
なお、有益文章抽出部３０は、重要度が２番目以降の単語を［ＭＡＳＫ］に置き換えてもよい。
【0072】
次に、有益文章抽出部３０は、ステップＳ５０２にて［ＭＡＳＫ］に置き換えた文章を符号化し、Ｓ５０１にてロードしたＢＥＲＴモデルを用いて、［ＭＡＳＫ］に入る置換単語（トークン）とそのスコアを得る（Ｓ５０３）。例えば、有益文章抽出部３０は、Ｔｒａｎｓｆｏｍｅｒｓが提供するクラスＢｅｒｔＦｏｒＭａｓｋｅｒＬＭに符号化した文章を入力し、ＢＥＲＴモデルから得られる最終レイヤの出力に対して線形変換を行い、置換単語とそのスコアを計算する。
【0073】
次に、有益文章抽出部３０は、ステップＳ５０３の結果から、スコアが上位（例えば１位から３位）の置換単語とそのスコアを取得する（Ｓ５０４）。例えば、有益文章抽出部３０は、上記の文章（Ｍ１）の［ＭＡＳＫ］に入る置換単語とそのスコアとして、次の３つを得る。
・置換単語：野球、スコア：１０．５
・置換単語：サッカー、スコア：１０．２
・置換単語：バスケットボール、スコア：７．２
次に、有益文章抽出部３０は、［ＭＡＳＫ］を複数設定するか否かを判定する（Ｓ５０５）。当該ステップＳ５０５の判定は、ユーザによって決定されてよい。［ＭＡＳＫ］の複数設定については後述する。
・置換単語：野球、スコア：１０．５
・置換単語：サッカー、スコア：１０．２
・置換単語：バスケットボール、スコア：７．２
次に、有益文章抽出部３０は、［ＭＡＳＫ］を複数設定するか否かを判定する（Ｓ５０５）。当該ステップＳ５０５の判定は、ユーザによって決定されてよい。［ＭＡＳＫ］の複数設定については後述する。
【0074】
［ＭＡＳＫ］を複数設定しないと判定した場合（Ｓ５０５：ＮＯ）、有益文章抽出部３０は、文章（Ｍ１）の［ＭＡＳＫ］にスコアの最も高い置換単語を入れて置換後文章を生成する（Ｓ５０８）。例えば、有益文章抽出部３０は、上記の文章（Ｍ１）の［ＭＡＳＫ］にスコアが１０．５と最も高い置換単語「野球」を入れて、次の置換後文章（Ａ１）を得る。
【0075】
（Ａ１）『スポーツの中では野球が好きです。日本人が活躍するので』
このように、重要度の高い単語を、ＢＥＲＴモデルを用いて算出したスコア（予測確度）の最も高い置換単語に置き換えた置換後文章を生成することにより、ユーザが新たな気づきを得られる有益文章を提供できる。ここで、スコアの高い置換単語は、一般的でよく使われる単語でありかつ［ＭＡＳＫ］の箇所によく当て嵌まる単語である。例えば、スコアの高い置換単語は、類似する文章にてインターネットでよく検索されている単語である。これにより、大多数のユーザにヒットする有益文章を提供できる。
このように、重要度の高い単語を、ＢＥＲＴモデルを用いて算出したスコア（予測確度）の最も高い置換単語に置き換えた置換後文章を生成することにより、ユーザが新たな気づきを得られる有益文章を提供できる。ここで、スコアの高い置換単語は、一般的でよく使われる単語でありかつ［ＭＡＳＫ］の箇所によく当て嵌まる単語である。例えば、スコアの高い置換単語は、類似する文章にてインターネットでよく検索されている単語である。これにより、大多数のユーザにヒットする有益文章を提供できる。
【0076】
上述した内容は次のように表現できる。すなわち、有益文章抽出部３０は、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）を用いた自然言語処理により置換単語を抽出する。このように、ＢＥＲＴを用いることにより好適な置換単語を抽出することができる。
【0077】
次に、ステップＳ５０５において、［ＭＡＳＫ］を複数設定すると判定した場合（Ｓ５０５：ＹＥＳ）について説明する。以下に［ＭＡＳＫ］を２つ設定した文章（Ｍ２）の一例を示す。［ＭＡＳＫ］を複数設定するというのは、該当箇所の置換単語に、複数の単語で構成される単語（例えば複合語）を含めることを意味する。
（Ｍ２）『スポーツの中では［ＭＡＳＫ］［ＭＡＳＫ］が好きです。日本人が活躍するので』
以下に、文章（Ｍ２）の［ＭＡＳＫ］［ＭＡＳＫ］に入る２つの単語（例えば複合語）とその場合のスコアの例を示す。
・２つの単語：サッカーゲーム、スコア：１５．６（補正後スコア：７．８）
・２つの単語：東京五輪、スコア：１０．２（補正後スコア：５．１）
次に、複数の［ＭＡＳＫ］に入る単語を決定する方法について説明する。
（Ｍ２）『スポーツの中では［ＭＡＳＫ］［ＭＡＳＫ］が好きです。日本人が活躍するので』
以下に、文章（Ｍ２）の［ＭＡＳＫ］［ＭＡＳＫ］に入る２つの単語（例えば複合語）とその場合のスコアの例を示す。
・２つの単語：サッカーゲーム、スコア：１５．６（補正後スコア：７．８）
・２つの単語：東京五輪、スコア：１０．２（補正後スコア：５．１）
次に、複数の［ＭＡＳＫ］に入る単語を決定する方法について説明する。
【0078】
まず、有益文章抽出部３０は、文章内の複数の［ＭＡＳＫ］にスコアが上位の単語を入れた文章を生成する（Ｓ５０６）。このとき、有益文章抽出部３０は、複数の文章を生成してよい。
【0079】
次に、有益文章抽出部３０は、ステップＳ５０６で生成した複数の文章の中から、複数の［ＭＡＳＫ］に入れた複数の単語のスコアの合計（以下、合計スコアという）を補正したスコア（以下、補正スコアという）が最も高い文章を選択する（Ｓ５０７）。補正スコアとは、合計スコアを入力した単語の数で除算した値であってよい。［ＭＡＳＫ］の数が増えると合計スコアも大きくなるので、それを補正するためである。
【0080】
次に、有益文章抽出部３０は、文章中の複数の［ＭＡＳＫ］に、ステップＳ５０７で選択した文章に入力された複数の単語（つまり補正スコアが最も高い複数の単語）を入れて、置換後文章を生成する（Ｓ５０８）。
【0081】
上述した内容は次のように表現できる。すなわち、有益文章抽出部３０は、初期有益類似文章の最重要単語の位置に最も当てはまる予測確度の高い複合語を置換単語として抽出し、初期有益文章の最重要単語を置換単語で置き換えた文章である置換後文章を生成する。これにより、初期有益文章の最重要単語の位置に複合語を当て嵌めた置換後文章を作成することができる。
＜ステップＳ６００の詳細＞
図９は、図３に示すステップＳ６００の処理の詳細を示すフローチャートである。次に、図９を参照して、置換後文章との類似度が所定の閾値以上である置換後類似文章を文章リストから抽出する処理（Ｓ６００）の詳細を説明する。
＜ステップＳ６００の詳細＞
図９は、図３に示すステップＳ６００の処理の詳細を示すフローチャートである。次に、図９を参照して、置換後文章との類似度が所定の閾値以上である置換後類似文章を文章リストから抽出する処理（Ｓ６００）の詳細を説明する。
【0082】
有益文章抽出部３０は、置換後文章を１つ選択する（Ｓ６０１）。以下、図９の説明において、ステップＳ６０１で選択した置換後文章を選択置換後文章という。
【0083】
有益文章抽出部３０は、選択置換後文章に対する、文章リストの各文章の類似度を算出する（Ｓ６０２）。
【0084】
有益文章抽出部３０は、共通で抽出された文章について、類似度の最大値と平均値を取得する（Ｓ６０３）。
【0085】
有益文章抽出部３０は、ステップＳ６０１にてすべての置換後文章を選択したか否かを判定する（Ｓ６０４）。
【0086】
まだ選択されていない置換後文章が残っている場合（Ｓ６０４：ＮＯ）、有益文章抽出部３０は、処理をステップＳ６０１に戻し、まだ選択されていない置換後文章の１つを選択する。
【0087】
すべての置換後文章が選択された場合（Ｓ６０４：ＹＥＳ）、有益文章抽出部３０は、文章リストの各文章（置換後類似文章）を、類似度（Ｆ１）の大きい順にソートする（Ｓ６０５）。
【0088】
例えば、有益文章抽出部３０は、図９に示す処理により、上記の置換後文章（Ａ１）『スポーツの中では野球が好きです。日本人が活躍するので』に対して類似度の大きい以下の置換後類似文章（Ｃ１）～（Ｃ４）を得る。
（Ｃ１）『スポーツの中でサッカーが好き』（置換後文章（Ａ１）との類似度は０．８）（初期有益文章（Ａ０）との類似度は０．９）
（Ｃ２）『日本人に一番人気があるのはサッカーです』（置換後文章（Ａ１）との類似度は０．７）（初期有益文章（Ａ０）との類似度は０．８）
（Ｃ３）『ゲームの中で野球が好き。日本人が活躍するので』（置換後文章（Ａ１）との類似度は０．８７）（初期有益文章（Ａ０）との類似度は０．７）
（Ｃ４）『政治に興味ある人はご連絡ください』（置換後文章（Ａ１）との類似度は０．６）（初期有益文章（Ａ０）との類似度は０．６）
ここでは、置換単語を「野球」とした文章も有益文章として抽出している。「野球」という単語は、［ＭＡＳＫ］以外の単語（関連語）から［ＭＡＳＫ］の箇所に当て嵌まるとして導出された結果であり、「サッカー」と同じ因子を持っている可能性が高い。よって、「サッカー」が好きな人は、「スポーツ」、「日本人が活躍」といった関連語から導出された「野球」について、本人が気づいていない（又は知らない）だけで、興味を示す可能性が高い。すなわち、「野球」に置換された文章から、「サッカー」が好きな人が、新たな気づきを得ることが期待できる。
（Ｃ１）『スポーツの中でサッカーが好き』（置換後文章（Ａ１）との類似度は０．８）（初期有益文章（Ａ０）との類似度は０．９）
（Ｃ２）『日本人に一番人気があるのはサッカーです』（置換後文章（Ａ１）との類似度は０．７）（初期有益文章（Ａ０）との類似度は０．８）
（Ｃ３）『ゲームの中で野球が好き。日本人が活躍するので』（置換後文章（Ａ１）との類似度は０．８７）（初期有益文章（Ａ０）との類似度は０．７）
（Ｃ４）『政治に興味ある人はご連絡ください』（置換後文章（Ａ１）との類似度は０．６）（初期有益文章（Ａ０）との類似度は０．６）
ここでは、置換単語を「野球」とした文章も有益文章として抽出している。「野球」という単語は、［ＭＡＳＫ］以外の単語（関連語）から［ＭＡＳＫ］の箇所に当て嵌まるとして導出された結果であり、「サッカー」と同じ因子を持っている可能性が高い。よって、「サッカー」が好きな人は、「スポーツ」、「日本人が活躍」といった関連語から導出された「野球」について、本人が気づいていない（又は知らない）だけで、興味を示す可能性が高い。すなわち、「野球」に置換された文章から、「サッカー」が好きな人が、新たな気づきを得ることが期待できる。
【0089】
上述した処理は次のように表現できる。すなわち、有益文章抽出部３０は、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）のスコアを用いて、置換後文章に類似する置換後類似文章を抽出する。このように、ＢＥＲＴを用いることにより、好適な置換後類似文章を抽出することができる。
＜ステップＳ７００の詳細＞
図１０は、図３に示すステップＳ７００の処理の詳細を示すフローチャートである。次に、図１０を参照して、類似度を補正し、有益文章リストを生成する処理（Ｓ７００）について説明する。
＜ステップＳ７００の詳細＞
図１０は、図３に示すステップＳ７００の処理の詳細を示すフローチャートである。次に、図１０を参照して、類似度を補正し、有益文章リストを生成する処理（Ｓ７００）について説明する。
【0090】
有益文章抽出部３０は、初期有益文章（Ａ０）に対する文章リストの各文章の類似度を再計算する（Ｓ７０１）
有益文章抽出部３０は、置換後文章（Ａ１）に対する文章リストの各文章の類似度を再計算する（Ｓ７０２）。
有益文章抽出部３０は、置換後文章（Ａ１）に対する文章リストの各文章の類似度を再計算する（Ｓ７０２）。
【0091】
有益文章抽出部３０は、ステップＳ７０１とＳ７０２の結果を合わせて、文章リストの各文章を、類似度（Ｆ１）の最大値が近い順にソートし、有益文章リストとする（Ｓ７０３）。
【0092】
以下、例文を用いて説明する。
【0093】
ステップＳ７０１の類似度の再計算は、基本的にそのままの評価、つまり等倍としてよい。そのため計算式は「初期有益文章との類似度×１」となる。
【0094】
ステップＳ７０２の類似度の再計算は、例えば次のように行われる。なお、初期有益文章（Ａ０）と置換後文章（Ａ１）との間の類似度を０．９として説明する。また、（Ｂ１）～（Ｂ４）は文章リストの各文章である。
（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』
（Ｂ１）『スポーツの中でサッカーが好き』（初期有益文章（Ａ０）との類似度は０．９）
（Ｂ２）『日本人に一番人気があるのはサッカーです』（初期有益文章（Ａ０）との類似度は０．８）
（Ｂ３）『ゲームの中で野球が好き。日本人が活躍するので』（初期有益文章（Ａ０）との類似度は０．７）
（Ｂ４）『政治に興味ある人はご連絡ください』（初期有益文章（Ａ０）との類似度は０．６）
（Ａ１）『スポーツの中では野球が好きです。日本人が活躍するので』
（Ｂ１）『スポーツの中でサッカーが好き』（置換後文章（Ａ１）との類似度は０．８）
（Ｂ２）『日本人に一番人気があるのはサッカーです』（置換後文章（Ａ１）との類似度は０．７）
（Ｂ３）『ゲームの中で野球が好き。日本人が活躍するので』（置換後文章（Ａ１）との類似度は０．８７）
（Ｂ４）『政治に興味ある人はご連絡ください』（置換後文章（Ａ１）との類似度は０．６）
本実施の形態の目的は、初期有益文章に関する有益文章の抽出である。よって、初期有益文章と置換後文章とが大きく異なる場合、類似度を補正する必要がある。
（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』
（Ｂ１）『スポーツの中でサッカーが好き』（初期有益文章（Ａ０）との類似度は０．９）
（Ｂ２）『日本人に一番人気があるのはサッカーです』（初期有益文章（Ａ０）との類似度は０．８）
（Ｂ３）『ゲームの中で野球が好き。日本人が活躍するので』（初期有益文章（Ａ０）との類似度は０．７）
（Ｂ４）『政治に興味ある人はご連絡ください』（初期有益文章（Ａ０）との類似度は０．６）
（Ａ１）『スポーツの中では野球が好きです。日本人が活躍するので』
（Ｂ１）『スポーツの中でサッカーが好き』（置換後文章（Ａ１）との類似度は０．８）
（Ｂ２）『日本人に一番人気があるのはサッカーです』（置換後文章（Ａ１）との類似度は０．７）
（Ｂ３）『ゲームの中で野球が好き。日本人が活躍するので』（置換後文章（Ａ１）との類似度は０．８７）
（Ｂ４）『政治に興味ある人はご連絡ください』（置換後文章（Ａ１）との類似度は０．６）
本実施の形態の目的は、初期有益文章に関する有益文章の抽出である。よって、初期有益文章と置換後文章とが大きく異なる場合、類似度を補正する必要がある。
【0095】
上記の例では、初期有益文章と置換後文章との類似度が０．９であり、２つの文章の類似性は高いが、本実施の形態の内容を繰り返し実行することにより、２つの文章の類似度が低くなる可能性がある。このような場合、類似度を補正する必要がある。例えば、置換後文章に対する各文章の類似度を、初期有益文章と置換後文章との間の類似度を用いて補正する。例えば、次のように補正される。
【0096】
置換後文章に対する補正後の類似度＝置換後文章に対する類似度－（（１－初期有益文章と置換後文章との間の類似度）÷２）
ここで、２で除算している理由は、類似度は１～０．５の間をとるためである。
ここで、２で除算している理由は、類似度は１～０．５の間をとるためである。
【0097】
下記の例では、（（１－初期有益文章と置換後文章との間の類似度）÷２）が０．０５であるので、置換後文章（Ａ１）に対する補正後の類似度は、置換後文章（Ａ１）に対する類似度からそれぞれ０．０５を減算した値となっている。
【0098】
（Ａ１）『スポーツの中では野球が好きです。日本人が活躍するので』
（Ｂ１’）『スポーツの中でサッカーが好き』：（置換後文章（Ａ１）に対する補正後の類似度０．７５（補正前は０．８））
（Ｂ２’）『日本人に一番人気があるのはサッカーです』：（置換後文章（Ａ１）に対する補正後の類似度０．６５（補正前は０．７））
（Ｂ３’）『ゲームの中で野球が好き。日本人が活躍するので』：（置換後文章（Ａ１）に対する補正後の類似度０．８２（補正前は０．８７））
（Ｂ４’）『政治に興味ある人はご連絡ください』：（置換後文章（Ａ１）に対する補正後の類似度０．５５（補正前は０．６））
そして、ステップＳ７０３の処理を行うと、ソートの結果は以下のようになる。
初期有益文章（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』に対する有益文章リスト（有益な順）
（Ｂ１’）『スポーツの中でサッカーが好き』：（置換後文章（Ａ１）に対する補正後の類似度０．７５（補正前は０．８））
（Ｂ２’）『日本人に一番人気があるのはサッカーです』：（置換後文章（Ａ１）に対する補正後の類似度０．６５（補正前は０．７））
（Ｂ３’）『ゲームの中で野球が好き。日本人が活躍するので』：（置換後文章（Ａ１）に対する補正後の類似度０．８２（補正前は０．８７））
（Ｂ４’）『政治に興味ある人はご連絡ください』：（置換後文章（Ａ１）に対する補正後の類似度０．５５（補正前は０．６））
そして、ステップＳ７０３の処理を行うと、ソートの結果は以下のようになる。
初期有益文章（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』に対する有益文章リスト（有益な順）
【0099】
（Ｂ１）『スポーツの中でサッカーが好き』：類似度０．９
（Ｂ３’）『ゲームの中で野球が好き。日本人が活躍するので』：類似度０．８２
（Ｂ２）『日本人に一番人気があるのはサッカーです』：類似度０．８
（Ｂ４）『政治に興味ある人はご連絡ください』：類似度０．６
本実施の形態によれば、重要度の高い単語を置換単語に置き換えた置換後文章を用いることで、文章リストから抽出された各文章を、（Ｂ１）＞（Ｂ２）＞（Ｂ３）＞（Ｂ４）の順ではなく、（Ｂ２）と（Ｂ３）の順番が逆となった、（Ｂ１）＞（Ｂ３’）＞（Ｂ２）＞（Ｂ４）の順に、有益文章リストとして表示できる。よって、ユーザに、より新しい気付きを与える得ることができる。
（Ｂ３’）『ゲームの中で野球が好き。日本人が活躍するので』：類似度０．８２
（Ｂ２）『日本人に一番人気があるのはサッカーです』：類似度０．８
（Ｂ４）『政治に興味ある人はご連絡ください』：類似度０．６
本実施の形態によれば、重要度の高い単語を置換単語に置き換えた置換後文章を用いることで、文章リストから抽出された各文章を、（Ｂ１）＞（Ｂ２）＞（Ｂ３）＞（Ｂ４）の順ではなく、（Ｂ２）と（Ｂ３）の順番が逆となった、（Ｂ１）＞（Ｂ３’）＞（Ｂ２）＞（Ｂ４）の順に、有益文章リストとして表示できる。よって、ユーザに、より新しい気付きを与える得ることができる。
【0100】
図１１は、抽出された文章と初期有益文章との類似度の分布の一例を示すグラフである。なお、ここでいう類似度は適合率と再現率とで表されるものとし、図１１のグラフにおいて、横軸は適合率を示し、縦軸は再現率を示す。（ａ）は、初期有益類似文章の初期有益文章に対する類似度に関する分布を示す。（ｂ）は、置換後類似文章の初期有益文章に対する補正後の類似度に関する分布を示す。（ｂ）の適合率の範囲が概ね（ａ）の適合率の範囲と同程度となるように補正がされている。
【0101】
（ａ）と（ｂ）とを比べると、一定以上の類似度を得ながら分布形状が変化していることが分かる。このことから、初期有益文章から置換後文章を生成しその置換後文章に類似する文章を抽出して加えることにより、初期有益文章に類似する文章だけを抽出するより、より新たな気づきをユーザに与える幅の広い文章を抽出できることが分かる。
＜ステップＳ１０００の詳細＞
図１２は、図３のステップＳ１０００における有益文章リストの表示例を示す図である。
＜ステップＳ１０００の詳細＞
図１２は、図３のステップＳ１０００における有益文章リストの表示例を示す図である。
【0102】
図１２に示すように、データ表示部５０は、抽出された各文章を所定の有益順で並び替えた有益文章リストを表示する。
【0103】
有益順は特に限定されないが、例えば初期有益文章との類似度で順序付けてもよい。例えば、初期有益文章に対するＦ１（適合率と再現率の調和平均）の大きい順であってよい。あるいは、有益順は、Ｆ０．５（適合率重視）の大きい順であってもよいし、Ｆ２（再現率重視）の大きい順であってもよい。また、初期有益文章が複数選択された場合は、それら初期有益文章に対するＦ１（Ｆ０．５またはＦ２でもよい）の平均値が大きい順、又は、初期有益文章に対するＦ１（Ｆ０．５またはＦ２でもよい）の最大値が大きい順であってもよい。
【0104】
上述した内容は次のように表現できる。すなわち、データ表示部５０は、置換後類似文章を初期有益文章との類似度の順にソートして表示する。これにより、ユーザが選択した初期有益文章との類似度の順で置換後類似文章（最終的な有益文章）を表示するので、新たな気づきを得たいユーザの利便性が高まる。
＜ステップＳ１１００の詳細＞
図１３は、実施の形態１に係るフィードバック画面の一例を示す図である。図１４は、図３のステップＳ１１００の処理の詳細を示すフローチャートである。次に、図１３及び図１４を参照して、ユーザから評価フィードバックを受ける処理（Ｓ１１００）の詳細を説明する。
＜ステップＳ１１００の詳細＞
図１３は、実施の形態１に係るフィードバック画面の一例を示す図である。図１４は、図３のステップＳ１１００の処理の詳細を示すフローチャートである。次に、図１３及び図１４を参照して、ユーザから評価フィードバックを受ける処理（Ｓ１１００）の詳細を説明する。
【0105】
有益文章抽出部３０は、図１３に示すフィードバック画面にて、有益文章リストの中で、ためになった文章をユーザに選択させる（Ｓ８０１）。図１４の説明において、ステップＳ８０１にて選択された文章を、選択文章という。
【0106】
有益文章抽出部３０は、選択文章に対する文章リストの各文章の類似度を算出する（Ｓ８０２）。
【0107】
有益文章抽出部３０は、選択文章に対する類似度が所定の第１閾値以上である文章（類似性の高い文章）の類似度を補正する（Ｓ８０３）。例えば、類似度×１２０％として補正する。
【0108】
有益文章抽出部３０は、選択文章に対する類似度が所定の第２閾値以下である文章（類似性の低い文章）の類似度を補正する（Ｓ８０４）。例えば、類似度×８０％として補正する。
【0109】
有益文章抽出部３０は、Ｓ８０１にて文章リストすべての文章を選択したか否かを判定する（Ｓ８０５）。
【0110】
まだ選択していない文章が残っている場合（Ｓ８０５：ＮＯ）、有益文章抽出部３０は、処理をステップＳ８０１に戻し、未選択の文章の１つを選択する。
【0111】
すべての文章を選択した場合（Ｓ８０５：ＹＥＳ）、有益文章抽出部３０は、各文章を類似度（Ｆ１）の大きい順にソートする（Ｓ８０６）。
【0112】
上述した内容は次のように表現できる。すなわち、有益文章抽出部３０は、類似度の順に表示された置換後類似文章に対するユーザからの評価を取得し、評価に基づいて当該置換後類似文章と他の文章との類似度を補正する。これにより、ユーザからの評価に基づいて類似度を補正するので、類似度の順に表示される置換後類似文章についてのユーザの利便性が高まる
＜ステップＳ１２００の詳細＞
図１５は、実施の形態１に係る置換後類似文章画面の一例を示す図である。図１６は、図３のステップＳ１２００の処理の詳細を示すフローチャートである。次に、図１５及び図１６を参照して、置換後類似文書の並べ替え理を説明する。
＜ステップＳ１２００の詳細＞
図１５は、実施の形態１に係る置換後類似文章画面の一例を示す図である。図１６は、図３のステップＳ１２００の処理の詳細を示すフローチャートである。次に、図１５及び図１６を参照して、置換後類似文書の並べ替え理を説明する。
【0113】
有益文章抽出部３０は、図１５に示す置換後類似文章画面にて、ユーザに、ためになった置換後類似文章を１つ選択させる（Ｓ９０１）。図１６の説明において、ステップＳ９０１で選択された置換後類似文章を、選択置換後類似文章という。
【0114】
有益文章抽出部３０は、選択置換後類似文章に対する、ステップＳ１０１の文章リストに含まれる各文章の類似度を算出する（Ｓ９０２）。
【0115】
有益文章抽出部３０は、共通で抽出された文章について、類似度の最大値と平均値を取得する（Ｓ９０３）。
【0116】
有益文章抽出部３０は、ステップＳ９０１にてすべての置換後類似文章を選択したか否かを判定する（Ｓ９０４）。
【0117】
まだ選択されていない置換後類似文章が残っている場合（Ｓ９０４：ＮＯ）、有益文章抽出部３０は、処理をステップＳ９０１に戻し、未選択の置換後類似文章の１つを選択する。
【0118】
すべての置換後類似文章が選択された場合（Ｓ９０４：ＹＥＳ）、有益文章抽出部３０は、各置換後類似文章を類似度（Ｆ１）の大きい順にソートする（Ｓ９０５）。
【0119】
（実施の形態２）
実施の形態１では、初期有益文章（Ａ０）の中の重要度が一番高い単語を［ＭＡＳＫ］して置換後文章（Ａ１）を得た。しかし、初期有益文章（Ａ０）の中の重要度が二番目に高い単語「スポーツ」（図７参照）を［ＭＡＳＫ］して、以下の文章（Ｍ３）を得てもよい。
実施の形態１では、初期有益文章（Ａ０）の中の重要度が一番高い単語を［ＭＡＳＫ］して置換後文章（Ａ１）を得た。しかし、初期有益文章（Ａ０）の中の重要度が二番目に高い単語「スポーツ」（図７参照）を［ＭＡＳＫ］して、以下の文章（Ｍ３）を得てもよい。
【0120】
（Ｍ３）『［ＭＡＳＫ］の中ではサッカーが好きです。日本人が活躍するので』
上記文章（Ｍ３）の［ＭＡＳＫ］に入る置換単語として、例えば「テレビ番組」が選ばれる可能性がある。この場合、「テレビ番組」と関連する文章が抽出される可能性がある。すなわち、実施の形態１とは異なる有益文章が抽出される可能性がある。
上記文章（Ｍ３）の［ＭＡＳＫ］に入る置換単語として、例えば「テレビ番組」が選ばれる可能性がある。この場合、「テレビ番組」と関連する文章が抽出される可能性がある。すなわち、実施の形態１とは異なる有益文章が抽出される可能性がある。
【0121】
このように、本実施の形態によれば、置換単語を変えることにより、文章ベクトルが大きく異なる有益文章が抽出でき、ユーザに様々な視点から新たな気づきを与えることができる。
【0122】
また、図３のステップＳ９００の判定を「ＹＥＳ」として処理を続けることにより、重要度の高さが一番である単語を［ＭＡＳＫ］にするだけでなく、重要度の高さが二番目以降の単語も順次［ＭＡＳＫ］にできる。これにより、文章を構成する異なる位置の単語を［ＭＡＳＫ］にして置換単語を入れることで、様々な類似文章を抽出できるので、ユーザに様々な視点から新たな気づきを与えることができる。
【0123】
また、図３のステップＳ８００の判定を「ＹＥＳ」として処理を続けることにより、上記の文章（Ｍ３）の［ＭＡＳＫ］に入る置換単語として、「テレビ番組」よりも予測確度の低い「ゲーム」が選ばれる可能性がある。この場合も、文章ベクトルが大きく異なる有益文章が抽出でき、ユーザに様々な視点から新たたな気づきを与えることができる。
【0124】
（実施の形態３）
実施の形態１では、図３のステップＳ２００にて、ユーザに１つの初期有益文章を選択させたが、ユーザに複数の初期有益文章を選択させて、それらを基に有益文章を抽出することにしてもよい。
実施の形態１では、図３のステップＳ２００にて、ユーザに１つの初期有益文章を選択させたが、ユーザに複数の初期有益文章を選択させて、それらを基に有益文章を抽出することにしてもよい。
【0125】
例えば、図３のステップＳ２００にて、以下の（Ａ０）、（Ａ２）の２つの初期有益文章が選択されたとする。
【0126】
（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』
（Ａ２）『コロナの影響で外での部活が難しくなったが、解決策も無い』
このとき、以下に示す２つの方法を適宜選択または組み合わせ、（方法１）及び／又は（方法２）によって、有益文章を抽出してよい。
（Ａ２）『コロナの影響で外での部活が難しくなったが、解決策も無い』
このとき、以下に示す２つの方法を適宜選択または組み合わせ、（方法１）及び／又は（方法２）によって、有益文章を抽出してよい。
【0127】
（方法１）： 文章（Ａ０）と文章（Ａ２）から共通で抽出された文章については、類似度の「平均値」を算出し、各文章について、平均値の大きい順に有益とみなす。
（方法２）： 文章（Ａ０）と文章（Ａ２）から共通で抽出された文章については、類似度の「最大値」を取得し、各文章について、最大値の大きい順に有益とみなす。
（方法２）： 文章（Ａ０）と文章（Ａ２）から共通で抽出された文章については、類似度の「最大値」を取得し、各文章について、最大値の大きい順に有益とみなす。
【0128】
ユーザに、図１３に示すようなフィードバック画面を表示し、ユーザからの評価フィードバックに基づいて、調整を行ってよい。例えば、次の処理を行ってよい。
・ユーザがためになったと選択した文章を、「初期有益文章」の候補の一部として追加する。
・各初期有益文章についてユーザがためになったと選択した文章との類似度が大きいか小さいかによって（つまり（類似性が高いか低いか）、各初期有益文章と他の文章との類似度を補正する。このとき、上記（方法１）では、単純な平均値ではなく、「補正した類似度の平均値」を算出する。
・ユーザがためになったと選択した文章を、「初期有益文章」の候補の一部として追加する。
・各初期有益文章についてユーザがためになったと選択した文章との類似度が大きいか小さいかによって（つまり（類似性が高いか低いか）、各初期有益文章と他の文章との類似度を補正する。このとき、上記（方法１）では、単純な平均値ではなく、「補正した類似度の平均値」を算出する。
【0129】
上記の補正方法として、次の例が挙げられる。
（補正方法１）ユーザがためになったと選択した文章との類似度が所定値よりも大きい初期有益文章について、他の文章との類似度を１２０％と補正する。つまり、判定に大きく関与させる。
（補正方法２）ユーザがためになったと選択した文章との類似度が所定値よりも小さい初期有益文章について、他の文章との類似度を８０％と補正する。つまり、判定への関与を小さくさせる。
（補正方法１）ユーザがためになったと選択した文章との類似度が所定値よりも大きい初期有益文章について、他の文章との類似度を１２０％と補正する。つまり、判定に大きく関与させる。
（補正方法２）ユーザがためになったと選択した文章との類似度が所定値よりも小さい初期有益文章について、他の文章との類似度を８０％と補正する。つまり、判定への関与を小さくさせる。
【0130】
（実施の形態４）
実施の形態１では、ユーザが選択した初期有益文章（Ａ０）を起点として処理を行って有益文章リストを作成しユーザに提示したが、その処理の中で生じる置換後文章（Ａ１）を起点として処理を起点として更に有益文章リストを作成する処理を行うことにしてもよい。
（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』
（Ａ１）『スポーツの中では野球が好きです。日本人が活躍するので』
例えば、初期有益文章（Ａ０）から得られた置換後文章（Ａ１）の「スポーツ」を「ゲーム」に置換し、初期有益文章（Ａ０）とは文章ベクトルが大きく異なる下記の文章（Ａ３）を生成するということが可能となる。それを繰り返すことにより、文章（Ａ３）からさらに別の下記文章（Ａ４）を生成することも可能である。
（Ａ３）『ゲームの中では野球が好きです。日本人が活躍するので』
（Ａ４）『ゲームの中では野球が好きです。コロナ禍でも安心なスポーツです』
単語を１つ置き換えた場合、類似する文章が生成される確率は高くなるものの、ユーザが新しい気づきを得られる可能性は低くなる。つまり、人間が想像できる範囲であり、すでに実現されている可能性が高い。対して、上述のように単語の置換を繰り返し行うことで、上記の文章（Ａ１）、（Ａ３）、（Ａ４）のように、初期有益文章（Ａ０）とは文章ベクトルが大きく異なる文章を生成できる。これにより、実施の形態３と組み合わせると、次のような有益順の取得も可能となる。ここで、文章（Ａ２）は『コロナの影響で外での部活が難しくなったが、解決策も無い』である。
実施の形態１では、ユーザが選択した初期有益文章（Ａ０）を起点として処理を行って有益文章リストを作成しユーザに提示したが、その処理の中で生じる置換後文章（Ａ１）を起点として処理を起点として更に有益文章リストを作成する処理を行うことにしてもよい。
（Ａ０）『スポーツの中ではサッカーが好きです。日本人が活躍するので』
（Ａ１）『スポーツの中では野球が好きです。日本人が活躍するので』
例えば、初期有益文章（Ａ０）から得られた置換後文章（Ａ１）の「スポーツ」を「ゲーム」に置換し、初期有益文章（Ａ０）とは文章ベクトルが大きく異なる下記の文章（Ａ３）を生成するということが可能となる。それを繰り返すことにより、文章（Ａ３）からさらに別の下記文章（Ａ４）を生成することも可能である。
（Ａ３）『ゲームの中では野球が好きです。日本人が活躍するので』
（Ａ４）『ゲームの中では野球が好きです。コロナ禍でも安心なスポーツです』
単語を１つ置き換えた場合、類似する文章が生成される確率は高くなるものの、ユーザが新しい気づきを得られる可能性は低くなる。つまり、人間が想像できる範囲であり、すでに実現されている可能性が高い。対して、上述のように単語の置換を繰り返し行うことで、上記の文章（Ａ１）、（Ａ３）、（Ａ４）のように、初期有益文章（Ａ０）とは文章ベクトルが大きく異なる文章を生成できる。これにより、実施の形態３と組み合わせると、次のような有益順の取得も可能となる。ここで、文章（Ａ２）は『コロナの影響で外での部活が難しくなったが、解決策も無い』である。
【0131】
（方法１）： 文章（Ａ０）と文章（Ａ２）、及び、文章（Ａ１）（Ａ３）（Ａ４）について、共通で抽出された文章については、類似度の「平均値」を取り、各文章について、平均値の大きい順に有益とみなす。
（方法２）： 文章（Ａ０）と文章（Ａ２）、及び、文章（Ａ１）（Ａ３）（Ａ４）について、共通で抽出された文章については、類似度の「最大値」を取り、各文章について、最大値の大きい順に有益とみなす。
（方法２）： 文章（Ａ０）と文章（Ａ２）、及び、文章（Ａ１）（Ａ３）（Ａ４）について、共通で抽出された文章については、類似度の「最大値」を取り、各文章について、最大値の大きい順に有益とみなす。
【0132】
また、実施の形態３と同様、ユーザに、図１３に示すようなフィードバック画面を表示し、ユーザからの評価フィードバックに基づいて、調整を行ってよい。このとき、文章（Ａ１）（Ａ３）（Ａ４）も初期有益文章の選択の候補となり、初期有益文章（Ａ０）よりも、ためになったとユーザが選択した文章との類似度の方が高い場合は、初期有益文章（Ａ０）をユーザに選択された文章（つまりユーザが新たな気づきを得た文章）を用いて、再度本実施の形態の処理フローを実行してもよい。例えば、次の処理を行ってよい。
・ユーザがためになったと選択した文章、及び、文章（Ａ１）（Ａ３）（Ａ４）を「初期有益文章」の候補の一部に追加する。
・各初期有益文章についてユーザがためになったと選択した文章、及び、文章（Ａ１）（Ａ３）（Ａ４）との類似度が大きいか小さいかによって、各初期有益文章と他の文章との類似度を補正する。
・ユーザがためになったと選択した文章、及び、文章（Ａ１）（Ａ３）（Ａ４）を「初期有益文章」の候補の一部に追加する。
・各初期有益文章についてユーザがためになったと選択した文章、及び、文章（Ａ１）（Ａ３）（Ａ４）との類似度が大きいか小さいかによって、各初期有益文章と他の文章との類似度を補正する。
【0133】
上記の補正方法として、次の例が挙げられる。
（補正方法１）ユーザがためになったと選択した文章との類似度が所定値よりも大きい初期有益文章について、類似度を１２０％と補正する。つまり、判定に大きく関与させる。
（補正方法２）ユーザがためになったと選択した文章との類似度が所定値よりも小さい初期有益文章について、類似度を８０％と補正する。つまり、判定への関与は小さくさせる。
（補正方法１）ユーザがためになったと選択した文章との類似度が所定値よりも大きい初期有益文章について、類似度を１２０％と補正する。つまり、判定に大きく関与させる。
（補正方法２）ユーザがためになったと選択した文章との類似度が所定値よりも小さい初期有益文章について、類似度を８０％と補正する。つまり、判定への関与は小さくさせる。
【符号の説明】
【0134】
１…有益文章抽出装置、２…プロセッサ、３…主記憶装置、４…補助記憶装置、５…入力装置、６…出力装置、７…通信装置、８…外部記憶媒体、１０…外部メディア装置、１１…テキストアップローダ、１２…クエリ、１３…メディアデータ、１４…テキスト、１５…データ取得部、１６…取得データ、１７…情報記憶部、２０…感情分析部、２１…テキスト、２２…処理済みデータ、３０…有益文章抽出部、３１…テキスト、３２…処理済みデータ、５０…データ表示部、５１…検索条件、５２…処理済みデータ、６０…メディアデータ格納部、７０…感情分析データ格納部、８０…有益文章データ格納部、８１…置換後文章データ格納部、９０…他データ格納部
【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】