特開 2024-125113 ナレッジグラフ生成装置、ナレッジグラフ生成システム、ナレッジグラフ生成方法およびプログラム

(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】P2024125113

(43)【公開日】2024-09-13

(54)【発明の名称】ナレッジグラフ生成装置、ナレッジグラフ生成システム、ナレッジグラフ生成方法およびプログラム

(51)【国際特許分類】

   G06F 16/38 20190101AFI20240906BHJP

【ＦＩ】

G06F16/38

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023033232

(22)【出願日】2023-03-03

(71)【出願人】

【識別番号】000006013

【氏名又は名称】三菱電機株式会社

(74)【代理人】

【識別番号】100095407

【弁理士】

【氏名又は名称】木村 満

(74)【代理人】

【識別番号】100131152

【弁理士】

【氏名又は名称】八島 耕司

(74)【代理人】

【識別番号】100147924

【弁理士】

【氏名又は名称】美恵 英樹

(74)【代理人】

【識別番号】100148149

【弁理士】

【氏名又は名称】渡邉 幸男

(74)【代理人】

【識別番号】100181618

【弁理士】

【氏名又は名称】宮脇 良平

(74)【代理人】

【識別番号】100174388

【弁理士】

【氏名又は名称】龍竹 史朗

(72)【発明者】

【氏名】中野 智晴

(72)【発明者】

【氏名】田中 耀喬

【テーマコード（参考）】

5B175

【Ｆターム（参考）】

5B175DA01

5B175HB03

5B175KA12

(57)【要約】

【課題】ユーザがナレッジグラフから曖昧なつながりを有する事例を検索することを可能にする。
【解決手段】ナレッジグラフ生成装置１は、事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する単語演算部１２と、単語ベクトルを用いて、事象の事例を表す文章を文章ベクトルに変換する文章演算部１３と、文章ベクトルに基づいて、事象の事例同士の類似度を算出する類似度演算部１４と、事象の事例をエンティティ、事象の事例同士の類似度を関係性として、事象の事例のナレッジグラフを構築するナレッジグラフ構築部１５と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する単語演算部と、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換する文章演算部と、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出する類似度演算部と、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するナレッジグラフ構築部と、
を備えるナレッジグラフ生成装置。

【請求項2】

前記事象は、機器の故障修理であって、
前記単語演算部は、
機器の故障修理に関連する故障修理文書に含まれる単語を数値化して単語ベクトルに変換し、
前記文章演算部は、
前記単語ベクトルを用いて、故障修理事例を表す文章を文章ベクトルに変換し、
前記類似度演算部は、
前記文章ベクトルに基づいて、前記故障修理事例同士の類似度を算出し、
前記ナレッジグラフ構築部は、
前記故障修理事例をエンティティ、前記故障修理事例同士の類似度を関係性として、前記故障修理事例のナレッジグラフを構築する、
請求項１に記載のナレッジグラフ生成装置。

【請求項3】

前記故障修理事例のナレッジグラフからユーザが入力した故障修理対象の特徴に近い前記故障修理事例を検索し、検索結果を前記ユーザに提示する検索部、
をさらに備える、
請求項２に記載のナレッジグラフ生成装置。

【請求項4】

前記検索部は、
前記ユーザが入力した前記故障修理対象の特徴を表す検索ワードの中の単語を前記単語ベクトルに変換し、変換した前記単語ベクトルの平均を検索ワード全体のベクトルとして算出し、前記故障修理事例の前記文章ベクトルの中から、最も前記検索ワード全体のベクトルに近い前記故障修理事例を特定し、特定した前記故障修理事例に基づいて検索クエリを作成し、作成した前記検索クエリを用いて前記故障修理事例のナレッジグラフを検索し、検索結果として抽出されたエンティティを示す検索結果情報を生成し、出力する、
請求項３に記載のナレッジグラフ生成装置。

【請求項5】

前記故障修理事例を表す文章を含む故障修理事例情報を取得する故障修理事例取得部をさらに備え、
前記文章演算部は、
前記単語ベクトルを用いて、前記故障修理事例情報に含まれる新たな故障修理事例を表す文章を文章ベクトルに変換し、
前記類似度演算部は、
前記文章ベクトルに基づいて、前記新たな故障修理事例間の類似度、および、前記新たな故障修理事例と既存の故障修理事例との間の類似度を算出し、
前記ナレッジグラフ構築部は、
前記新たな故障修理事例をエンティティとして追加し、前記新たな故障修理事例間の類似度、および、前記新たな故障修理事例と既存の故障修理事例との間の類似度を関係性として、前記故障修理事例のナレッジグラフを更新する、
請求項２から４のいずれか１項に記載のナレッジグラフ生成装置。

【請求項6】

ナレッジグラフを生成するナレッジグラフ生成装置と、ユーザが使用するユーザ端末とを備え、
前記ユーザ端末は、前記ユーザからの検索対象の特徴の入力を受け付け、前記検索対象の特徴を示す入力情報を前記ナレッジグラフ生成装置に送信し、
前記ナレッジグラフ生成装置は、
事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する単語演算部と、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換する文章演算部、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出する類似度演算部、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するナレッジグラフ構築部、および、
前記事象の事例のナレッジグラフから、前記ユーザ端末から受信した前記入力情報が示す前記検索対象の特徴に近い前記事象の事例を検索し、検索結果を示す検索結果情報を前記ユーザに提示する検索部、
を備え、
前記ユーザ端末は、前記ナレッジグラフ生成装置から受信した前記検索結果情報を出力するナレッジグラフ生成システム。

【請求項7】

ナレッジグラフ生成装置が実行する、
事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換するステップと、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換するステップと、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出するステップと、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するステップと、
を備える、ナレッジグラフ生成方法。

【請求項8】

コンピュータを、
事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する単語演算部、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換する文章演算部、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出する類似度演算部、および、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するナレッジグラフ構築部、
として機能させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、ナレッジグラフ生成装置、ナレッジグラフ生成システム、ナレッジグラフ生成方法およびプログラムに関する。

【背景技術】

【0002】

機器の修理では、多くの場合、部品の交換が必要となる。修理を行う対象となる機器が客先の工場、研究所などに設置してある場合、客先からコールセンターに機器の故障状況の報告があり、コールセンターの担当者が、その内容から機器の故障原因、交換用部品を推測するケースが多い。コールセンターの担当者には高い製品技術知識が必要であり、労働人口減少が進む中、ノウハウの蓄積および活用が課題である。コールセンターで利用される事例検索システムは誰でも使えるよう検索ワードを入力して検索ワードが含まれる類似事例を検索できる仕組みとなっていることが多いが、このシステムでは検索ワードの表記ゆれ、過不足などが原因で経験の少ないユーザは使いこなすことができない。このような問題に対し、近年、検索ノウハウがなくてもユーザの意図により近い検索を実現する技術としてナレッジグラフが注目されている。

【0003】

特許文献１には、例えば、テレビドラマ、映画といったコンテンツの、作品名、演者、監督などのコンテンツ同士のつながりが明確なデータをリレーショナルデータベースでなくナレッジグラフとして生成して可視化することで、ユーザへの提示効果を高める技術が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２０－２４６９８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、故障修理事例には、例えば複数の故障修理事例が、ある１社の顧客に紐付いている、交換した部品が同じである、といったつながりが明確な一致するデータのほかに、故障時の現象が似ている、原因が似ている、処置が似ている、といったつながりが曖昧な類似するデータがあり、特許文献１に記載の技術では、これらの曖昧なつながりをナレッジグラフとして生成することはできない。従って、ユーザはナレッジグラフから曖昧なつながりを有する事例を検索することはできない。

【0006】

本開示は、上記のような問題点を解決するためになされたものであり、ユーザがナレッジグラフから曖昧なつながりを有する事例を検索することを可能にすることを目的とする。

【課題を解決するための手段】

【0007】

上記目的を達成するため、本開示に係るナレッジグラフ生成装置は、単語演算部と、文章演算部と、類似度演算部と、ナレッジグラフ構築部と、を備える。単語演算部は、事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する。文章演算部は、単語ベクトルを用いて、事象の事例を表す文章を文章ベクトルに変換する。類似度演算部は、文章ベクトルに基づいて、事象の事例同士の類似度を算出する。ナレッジグラフ構築部は、事象の事例をエンティティ、事象の事例同士の類似度を関係性として、事象の事例のナレッジグラフを構築する。

【発明の効果】

【0008】

本開示によれば、定量的に事象の事例を表す文章の類似度を算出し、事象の事例をエンティティ、事象の事例同士の類似度を関係性として、ナレッジグラフを構築することで、ユーザがナレッジグラフから曖昧なつながりを有する事例を検索することが可能になる。

【図面の簡単な説明】

【0009】

【図1】実施の形態１に係るナレッジグラフ生成システムの構成例を示す図

【図2】実施の形態１に係る故障修理文書情報の例を示す図

【図3】実施の形態１に係る故障修理文書に含まれる単語の数値化の例を示す図

【図4】実施の形態１に係るニューラルネットワークの例を示す図

【図5】実施の形態１に係る単語変換テーブルの例を示す図

【図6】実施の形態１に係る故障修理事例情報の例を示す図

【図7】実施の形態１に係る文章ベクトル情報の例を示す図

【図8】実施の形態１に係る類似度情報の例を示す図

【図9】実施の形態１に係るナレッジグラフの例を示す図

【図10】実施の形態１に係るナレッジグラフ生成処理を示すフローチャート

【図11】実施の形態１に係るナレッジグラフ検索処理を示すフローチャート

【図12】実施の形態２に係るナレッジグラフ生成システムの構成例を示す図

【図13】実施の形態２に係るナレッジグラフ更新処理を示すフローチャート

【図14】実施の形態１および２に係るナレッジグラフ生成装置のハードウェア構成の一例を示す図

【発明を実施するための形態】

【0010】

以下に、本実施の形態に係るナレッジグラフ生成装置、ナレッジグラフ生成システム、ナレッジグラフ生成方法およびプログラムについて図面を参照して詳細に説明する。なお、図中同一または相当する部分には同じ符号を付す。以下の実施の形態では、機器の故障修理の事例である故障修理事例のナレッジグラフを生成する例について説明する。

【0011】

（実施の形態１）
実施の形態１に係るナレッジグラフ生成システム１００の構成について図１を用いて説明する。図１に示すように、ナレッジグラフ生成システム１００は、ナレッジグラフを生成するナレッジグラフ生成装置１と、ユーザが使用するユーザ端末２と、を備える。

【0012】

ナレッジグラフ生成装置１は、各種情報を記憶する記憶部１１と、機器の故障修理に関連する故障修理文書に含まれる単語を単語ベクトルに変換する単語演算部１２と、単語ベクトルを用いて故障修理事例を表す文章を文章ベクトルに変換する文章演算部１３と、故障修理事例同士の類似度を算出する類似度演算部１４と、故障修理事例のナレッジグラフを構築するナレッジグラフ構築部１５と、ナレッジグラフ構築部１５が構築したナレッジグラフからユーザが入力した故障修理対象の特徴に近い故障修理事例を検索する検索部１６とを備える。

【0013】

記憶部１１は、故障修理文書を示す故障修理文書情報を記憶する故障修理文書記憶部１１１と、故障修理事例を表す文章を含む故障修理事例情報を記憶する故障修理事例記憶部１１２と、単語演算部１２が故障修理文書に含まれる単語を数値化した単語ベクトルを示す単語変換テーブルを記憶する単語数値記憶部１１３と、文章演算部１３が故障修理事例を変換した文章ベクトルを示す文章ベクトル情報を記憶する文章数値記憶部１１４と、類似度演算部１４が算出した故障修理事例同士の類似度を示す類似度情報を記憶する類似度記憶部１１５と、ナレッジグラフ構築部１５が構築した、故障修理事例のナレッジグラフを記憶するナレッジグラフ記憶部１１６と、を備える。故障修理文書は、故障修理対象となる機器の様々な技術文書であり、例えば、各種作業マニュアル、品質関連の資料などである。

【0014】

単語演算部１２は、故障修理文書に含まれる単語を数値化し、単語ベクトルに変換する。単語演算部１２は、まず、故障修理文書記憶部１１１から故障修理文書を示す故障修理文書情報を取得する。故障修理文書情報が示す故障修理文書の文章を形態素に分割する形態素解析処理を行う。図２に、故障修理文書情報の例を示す。

【0015】

図２の例では、故障修理文書情報は、故障修理文書を識別する文書ＩＤと、故障修理文書の種類を示す分類と、故障修理文書が関連している機器の機種と、故障修理の内容を示す本文の項目を有する。例えば、文書ＩＤがＸ０００００００１の故障修理文書は、コールセンターの受付履歴であって、関連している機器の機種はＡＡＡであり、「操作画面がつかないため、線を交換した」という内容である。

【0016】

例えば、図３に示すように、単語演算部１２が、「機器Ａは操作画面の手前にレバーがあるので引く」という文章を含む故障修理文書情報を取得したとする。単語演算部１２は、「機器Ａは操作画面の手前にレバーがあるので引く」の文章を、「機器」、「Ａ」、「は」、「操作画面」、「の」、「手前」、「に」、「レバー」、「が」、「ある」、「ので」、「引く」と、単語ごとに分割する形態素解析処理を行う。なお、文章に句読点が含まれる場合、句読点は１つの単語として分割する。また、重複する単語がある場合は、１つにまとめる。

【0017】

次に、単語演算部１２は、ニューラルネットワークを利用して単語ごとの単語ベクトルを抽出する。しかし、ニューラルネットワークでは、テキストそのもの、すなわち単語そのものを直接処理することはできないので、処理の対象となる単語を、固定長のベクトルに変換する必要がある。単語を固定長のベクトルに変換する方法の一つとして、文字列をｏｎｅ－ｈｏｔベクトルに変換する方法がある。ｏｎｅ－ｈｏｔベクトルとは、ベクトルの要素のうち一つだけが「１」であり、残りが全て「０」であるベクトルである。ｏｎｅ－ｈｏｔベクトルを生成するには、文章を分割した形態素の数分の要素を持つベクトルを用意し、形態素ごとに異なるベクトルの要素に「１」を割り当てる。

【0018】

例えば、分割された単語「機器」、「Ａ」、「は」、「操作画面」、「の」、「手前」、「に」、「レバー」、「が」、「ある」、「ので」、「引く」は１２個である。そこで、単語演算部１２は、各単語を１２個の要素を持つｏｎｅ－ｈｏｔベクトルに変換する。例えば、「機器」は、第１要素を「１」とし、残りを「０」とする。また、「Ａ」は、第２要素を「１」とし、残りを「０」とする。以下、順番に、全ての形態素をｏｎｅ－ｈｏｔベクトルに変換する。

【0019】

続いて、単語演算部１２は、生成したｏｎｅ－ｈｏｔベクトルを、ニューラルネットワークの入力層に入力する。ニューラルネットワークの例について、図４を用いて説明する。図４に示すように、ニューラルネットワークは、任意の単語が入力層に入力されると、その値に重みＷ１を掛けて隠れ層に入力され、その結果にさらに重みＷ２を掛けて出力層から出力される。出力層の出力結果は、重みＷ１と重みＷ２の値によって変化する。単語演算部１２が用いるニューラルネットワークは、いわゆる教師あり学習により、周辺語の確率を学習するものとする。周辺語とは、その単語の直近の前後に配置された単語をいう。ニューラルネットワークは、入力層に単語を入力して出力層から出力された結果として、その単語の周辺語が出る確率が最も高くなる値に、重みＷ１および重みＷ２を調整することで学習する。

【0020】

ニューラルネットワークの入力層に入力される単語は、ｏｎｅ－ｈｏｔベクトルの形で入力されるが、具体的には、入力層の各ニューロンに、ｏｎｅ－ｈｏｔベクトルの各要素が入力される。例えば、図４に示すように、入力層に「機器」が入力される場合、第１要素を「１」とし残りを「０」とするｏｎｅ－ｈｏｔベクトル「１０００００００００００」がそれぞれ、入力層の各ニューロンに入力される。

【0021】

故障修理文書の文章が「機器Ａは操作画面の手前にレバーがあるので」である場合、「機器」の直近前後ある単語、すなわち周辺語となるのは、「Ａ」である。このため、ニューラルネットワークは、入力層に「機器」が入力された場合、出力層に「Ａ」が出る確率が最も高くなる値に、重みＷ１および重みＷ２を調整する。

【0022】

単語演算部１２は、ニューラルネットワークに、故障修理文書の文章に含まれる全ての単語について、その単語の周辺語の確率を学習させる。ニューラルネットワークの隠れ層の重みは行列であり、単語を数値化するための単語ベクトルとすることができる。単語演算部１２は、ニューラルネットワークの隠れ層の重みと、各単語のｏｎｅ－ｈｏｔベクトルとを掛け合わせることにより、各単語に対応する単語ベクトルを抽出する。例えば、単語「機器」のｏｎｅ－ｈｏｔベクトル「１０００００００００００」とニューラルネットワークの隠れ層の重み行列とを掛け合わせると、ｏｎｅ－ｈｏｔベクトルの１に対応する箇所の重み行列の行を抽出することができ、これが単語「機器」に対応する単語ベクトルである。

【0023】

ニューラルネットワークは、故障修理文書の文章に含まれる全ての単語について学習し、中間層の重みＷ１を算出する。中間層の重みＷ１の各行が、各形態素の単語ベクトルとなる。単語演算部１２は、各単語に対して単語ベクトルを紐付けた単語変換テーブルを生成し、単語数値記憶部１１３に記憶させる。単語数値記憶部１１３に記憶される単語変換テーブルの例を図５に示す。

【0024】

図５の例では、単語変換テーブルは、単語を識別する単語ＩＤと、単語名と、ｎ次元の単語ベクトルである数値１、数値２、・・・、数値ｎの項目を有する。例えば、単語ＩＤがＷ００００００１の単語は、「操作盤」であり、数値１は０．０３１２６７８７、数値２は、０．３９００７１２７、数値３は、０．４２６２２８３４、・・・、数値ｎは０．５３３５９１９８である。

【0025】

図１に戻り、文章演算部１３は、故障修理事例を表す文章を単語に分解し、単語変換テーブルを用いて、故障修理事例の文章ベクトルを算出する。故障修理事例を表す文章には複数の項目があってもよい。例えば、故障修理事例を表す文章に故障時の機器の状況、故障の原因、処置方法などの項目がある場合、文章演算部１３は、それぞれの項目の文章ベクトルを算出する。

【0026】

文章演算部１３は、まず、故障修理事例記憶部１１２から故障修理事例情報を取得する。故障修理事例記憶部１１２には、過去に発生した故障修理事例のうち、保守対象である全ての機種の故障修理事例情報が記憶されているものとする。図６に、故障修理事例情報の例を示す。

【0027】

図６の例では、故障修理事例情報は、故障修理事例を識別する報告書ＩＤ、故障修理を依頼した顧客を識別する顧客ＩＤ、故障修理を行った機器の機種、故障修理が完了した日付を指す作業終了日、故障したときの現象を自然文で記録した現象、現象を引き起こした原因を示す原因、故障を修理するために必要であった作業を示す処置の項目を有する。例えば、報告書ＩＤがＲ０００１の故障修理事例は、故障修理を依頼した顧客の顧客ＩＤがＣ０００００１であり、故障修理を行った機器の機種がＡＡＡであり、作業終了日は、２０２２／４／１である。また、故障したときの現象は、「操作画面がつかない」、現象を引き起こした原因は「ディスプレイ断線」、修理するために必要であった作業は「線を交換した」である。

【0028】

文章演算部１３は、単語ベクトルを用いて、故障修理事例を表す文章を文章ベクトルに変換する。故障修理事例を表す文章を文章ベクトルに変換する方法には、例えば、取得した故障修理事例を表す文章を形態素に分割し、単語数値記憶部１１３が記憶する単語変換テーブルを用いて、単語ごとの単語ベクトルを算出し、単語ベクトルの平均を文章ベクトルとする方法がある。文章演算部１３は、算出した故障修理事例ごとの文章ベクトルを示す文章ベクトル情報を文章数値記憶部１１４に記憶する。文章数値記憶部１１４に記憶される文章ベクトル情報の例を図７に示す。

【0029】

図７の例では、文章ベクトル情報は、報告書を識別する報告書ＩＤと、現象、原因および処置のうちのどの文章であるかを示す文章種別と、ｎ次元の文章ベクトルである数値１、数値２、・・・、数値ｎの項目を有する。例えば、報告書ＩＤがＲ０００１の故障修理事例の現象の文章ベクトルの数値１は０．７３３０２１３４、数値２は、０．２１２２９２３３、数値３は、０．７４４６６２４８、・・・、数値ｎは０．７２０６９４９４である。

【0030】

図１に戻り、類似度演算部１４は、文章数値記憶部１１４が記憶する文章ベクトル情報に基づいて、ナレッジグラフにおける関係性となる故障修理事例間の類似度を算出する。ここでは、故障修理事例間の類似度の一例として、コサイン類似度を採用する。コサイン類似度は、ｎ次元の２つのベクトルｑおよびベクトルｄに対して、以下の数１の計算式を用いて算出される。

【0031】

【数1】

【0032】

コサイン類似度を採用した場合、ｎ次元の２つのベクトルｑおよびベクトルｄが、比較対象の故障修理事例の文章ベクトルである。故障修理事例間の類似度は最大値１を取る実数値であり、１に近いほど２つの故障修理事例が類似していることを意味する。故障修理事例には、現象、原因および処置の３つの文章が記載されており、類似度演算部１４は、それぞれの文章について類似度を算出する。類似度演算部１４は、算出した故障修理事例間の類似度を示す類似度情報を類似度記憶部１１５に記憶する。類似度記憶部１１５に記憶される類似度情報の例を図８に示す。

【0033】

図８の例では、類似度情報は、比較対象の２つの故障修理事例の報告書を識別する報告書ＩＤ－１および報告書ＩＤ－２と、現象、原因および処置のうちのどの文章の類似度であるかを示す文章種別と、故障修理事例間の類似度を示す類似度の項目を有する。例えば、報告書ＩＤがＲ０００１の故障修理事例と報告書ＩＤがＲ０００２の故障修理事例との原因の類似度は、０．７４０１７６７９である。

【0034】

図１に戻り、ナレッジグラフ構築部１５は、各故障修理事例をエンティティとし、故障修理事例間の類似度を関係性としたナレッジグラフを構築する。ナレッジグラフ構築部１５は、まず、故障修理事例記憶部１１２から故障修理事例情報を取得し、類似度記憶部１１５から類似度情報を取得する。ナレッジグラフ構築部１５は、故障修理事例記憶部１１２から取得した故障修理事例情報に基づいて、１つの故障修理事例を１つのエンティティとしてエンティティを定義する。ナレッジグラフ構築部１５は、類似度記憶部１１５から取得した類似度情報に基づいて、各エンティティをつなぐ関係性を定義する。ナレッジグラフ構築部１５は、すべての故障修理事例について、エンティティおよび関係性を定義して、ナレッジグラフを構築する。ナレッジグラフ構築部１５は、構築したナレッジグラフをナレッジグラフ記憶部１１６に記憶する。

【0035】

ここで、ナレッジグラフについて、図９を用いて説明する。図９に示すように、ナレッジグラフ構築部１５がエンティティを定義すると、各エンティティが円形のノードで表される。図９の例では、各エンティティには各故障修理事例の報告書ＩＤが記載されているが、実際には故障修理事例記憶部１１２に存在するすべての項目の情報が１つ１つのノードに含まれる。ナレッジグラフ構築部１５が各エンティティをつなぐ関係性を定義すると、各エンティティをつなぐ線が構築される。この関係性には具体的な故障修理事例間の類似度の数値が記録される。ナレッジグラフの関係性はエンティティの数の２乗のオーダとなるため、予め定められた閾値以下の類似度を持つ関係性をナレッジグラフに含まないことで、ナレッジグラフを活用する上で検索時間の短縮につながり、有効性が高まる。

【0036】

図９の例では、類似度０．８以上の故障修理事例間の関係性のみ類似するものとして表示している。例えば、報告書ＩＤがＲ０００３の故障修理事例と、報告書ＩＤがＲ０００４の故障修理事例とは、原因の文章ベクトルの類似度が０．８以上である。

【0037】

図１に戻り、ユーザは、ユーザ端末２に故障修理対象の特徴を入力する。故障修理対象は、検索対象の例である。ユーザ端末２は、ユーザが入力した故障修理対象の特徴を示す入力情報をナレッジグラフ生成装置１に送信する。検索部１６は、ユーザ端末２から入力情報を受け取ると、ナレッジグラフ記憶部１１６が記憶するナレッジグラフから、入力情報が示す故障修理対象の特徴に近い故障修理事例を検索する。なお、検索部１６は、ユーザによる故障修理対象の特徴の入力を受け付けてもよい。

【0038】

例えば、ユーザは、機器のコールセンターの故障修理窓口担当であり、ユーザ端末２は、コールセンターに設置された故障修理窓口担当が使用する端末である。この場合、顧客から問い合わせのあった故障修理対象に近い事例を検索するために、ユーザは顧客からの問い合わせを受けて故障修理対象の特徴を表す検索ワードをユーザ端末２に入力する。ユーザ端末２は、ユーザが入力した検索ワードを示す入力情報をナレッジグラフ生成装置１に送信する。

【0039】

検索部１６は、ユーザ端末２から受け取った入力情報が示す検索ワードのうち、単語数値記憶部１１３に記憶されている単語変換テーブルに含まれる単語を全て単語ベクトルに変換し、その平均を検索ワード全体のベクトルとして算出する。次に、検索部１６は、文章数値記憶部１１４に記憶された文章ベクトル情報が示す各故障修理事例の文章ベクトルの中から、最も検索ワード全体のベクトルに近い故障修理事例を特定する。故障修理事例の文章ベクトルと検索ワード全体のベクトルとの近さの判定には、例えば、コサイン類似度を採用する。

【0040】

検索部１６は、ナレッジグラフを検索するためのクエリを作成する。検索部１６が作成する検索クエリは、例えば、最も検索ワード全体のベクトルに近い事例を起点として、２ＨＯＰ以内に存在するエンティティを抽出するといった単純な検索クエリでもよいし、関係性の類似度の乗算が予め決められた閾値以上になるエンティティを抽出するといった検索クエリでもよい。検索部１６は、作成した検索クエリを用いてナレッジグラフ記憶部１１６が記憶するナレッジグラフを検索し、検索結果として抽出されたエンティティを示す検索結果情報を生成する。検索部１６は、検索結果情報をユーザ端末２に送信する。ユーザ端末２は、受信した検索結果情報を出力し、ユーザに提示する。なお、検索結果情報の出力方法はこれに限らず、例えば、検索部１６がユーザによる故障修理対象の特徴の入力を受け付ける場合は、検索結果情報を画面表示してもよい。

【0041】

ここで、ナレッジグラフ生成装置１が実行するナレッジグラフ生成処理の流れについて、図１０を用いて説明する。図１０に示すナレッジグラフ生成処理は、ナレッジグラフ生成装置１に電源が投入された時、あるいは、ナレッジグラフ生成装置１にナレッジグラフ生成指示が入力された時に開始する。ナレッジグラフ生成装置１の単語演算部１２は、故障修理文書記憶部１１１から故障修理文書を示す故障修理文書情報を取得する（ステップＳ１１）。単語演算部１２は、故障修理文書情報が示す故障修理文書の文章を形態素に分割する（ステップＳ１２）。例えば、ステップＳ１１で、単語演算部１２が「機器Ａは操作画面の手前にレバーがあるので引く」という文章を含む故障修理文書情報を取得したとすると、ステップＳ１２で、単語演算部１２は、「機器」、「Ａ」、「は」、「操作画面」、「の」、「手前」、「に」、「レバー」、「が」、「ある」、「ので」、「引く」と、単語ごとに分割する形態素解析処理を行う。

【0042】

単語演算部１２は、ニューラルネットワークを利用して単語ごとの単語ベクトルを抽出する（ステップＳ１３）。単語を固定長のベクトルに変換する方法の一つとして、文字列をｏｎｅ－ｈｏｔベクトルに変換する方法がある。例えば、分割された単語「機器」、「Ａ」、「は」、「操作画面」、「の」、「手前」、「に」、「レバー」、「が」、「ある」、「ので」、「引く」は１２個であるので、各単語を１２個の要素を持つｏｎｅ－ｈｏｔベクトルに変換する。例えば、「機器」は、第１要素を「１」とし、残りを「０」とする。単語演算部１２は、各単語をｏｎｅ－ｈｏｔベクトルに変換し、ニューラルネットワークの入力層に入力する。単語演算部１２は、ニューラルネットワークに、故障修理文書の文章に含まれる全ての単語について、その単語の周辺語の確率を学習させる。単語演算部１２は、ニューラルネットワークの隠れ層の重みと、各単語のｏｎｅ－ｈｏｔベクトルとを掛け合わせることにより、各単語に対応する単語ベクトルを抽出する。

【0043】

単語演算部１２は、各単語に対して単語ベクトルを紐付けた単語変換テーブルを生成し（ステップＳ１４）、単語数値記憶部１１３に記憶する（ステップＳ１５）。文章演算部１３は、故障修理事例記憶部１１２から故障修理事例情報を取得する（ステップＳ１６）。文章演算部１３は、故障修理事例情報に含まれる故障修理事例を表す文章を形態素に分割する（ステップＳ１７）。文章演算部１３は、単語数値記憶部１１３が記憶する単語変換テーブルを用いて、単語ごとの単語ベクトルを算出する（ステップＳ１８）。文章演算部１３は、単語ベクトルの平均を文章ベクトルとして算出し（ステップＳ１９）、故障修理事例ごとの文章ベクトルを示す文章ベクトル情報を文章数値記憶部１１４に記憶する（ステップＳ２０）。

【0044】

類似度演算部１４は、文章数値記憶部１１４が記憶する文章ベクトル情報に基づいて、ナレッジグラフにおける関係性となる故障修理事例間の類似度を算出する（ステップＳ２１）。故障修理事例間の類似度には、例えばコサイン類似度を採用する。ステップ２１で、類似度演算部１４は、故障修理事例に含まれるそれぞれの文章について類似度を算出する。類似度演算部１４は、算出した故障修理事例間の類似度を示す類似度情報を類似度記憶部１１５に記憶する（ステップＳ２２）。

【0045】

ナレッジグラフ構築部１５は、故障修理事例記憶部１１２から故障修理事例情報を取得し（ステップＳ２３）、類似度記憶部１１５から類似度情報を取得する。ナレッジグラフ構築部１５は、故障修理事例記憶部１１２から取得した故障修理事例情報に基づいて、１つの故障修理事例を１つのエンティティとしてエンティティを定義する（ステップＳ２４）。ナレッジグラフ構築部１５は、類似度記憶部１１５から取得した類似度情報に基づいて、各エンティティをつなぐ関係性を定義する（ステップＳ２５）。ナレッジグラフ構築部１５は、構築したナレッジグラフをナレッジグラフ記憶部１１６に記憶し（ステップＳ２６）、処理を終了する。予め定められた閾値以下の類似度を持つ関係性をナレッジグラフに含まない場合、ステップＳ２５で、ナレッジグラフ構築部１５は、予め定められた閾値より大きい類似度を持つ関係性のみ定義する。

【0046】

続いて、ナレッジグラフ生成装置１が実行するナレッジグラフ検索処理の流れについて、図１１を用いて説明する。図１１に示すナレッジグラフ検索処理は、図１０に示すナレッジグラフ生成処理が実行された後に開始する。ナレッジグラフ生成装置１の検索部１６がユーザ端末２からユーザが入力した検索ワードを示す入力情報を取得しない場合（ステップＳ３１；ＮＯ）、処理はステップＳ３８に移行する。

【0047】

検索部１６がユーザ端末２からユーザが入力した検索ワードを示す入力情報を取得した場合（ステップＳ３１；ＹＥＳ）、検索部１６は、ユーザ端末２から受け取った入力情報が示す検索ワードのうち、単語数値記憶部１１３に記憶されている単語変換テーブルに含まれる単語を全て単語ベクトルに変換し、その平均を検索ワード全体のベクトルとして算出する（ステップＳ３２）。次に、検索部１６は、文章数値記憶部１１４に記憶された文章ベクトル情報が示す各故障修理事例の文章ベクトルの中から、最も検索ワード全体のベクトルに近い故障修理事例を特定する（ステップＳ３３）。

【0048】

検索部１６は、ナレッジグラフを検索するためのクエリを作成する（ステップＳ３４）。ステップＳ３４で、検索部１６は、例えば、最も検索ワード全体のベクトルに近い事例を起点として、２ＨＯＰ以内に存在するエンティティを抽出するという単純な検索クエリを作成する。検索部１６は、作成した検索クエリを用いてナレッジグラフ記憶部１１６が記憶するナレッジグラフを検索する（ステップＳ３５）。検索部１６は、検索結果として抽出されたエンティティを示す検索結果情報を生成する（ステップＳ３６）。検索部１６は、ユーザ端末２に検索結果情報を送信する（ステップＳ３７）。ナレッジグラフ生成装置１の電源がＯＦＦになっていなければ（ステップＳ３８；ＮＯ）、処理はステップＳ３１に戻り、ステップＳ３１～ステップＳ３８を繰り返す。電源がＯＦＦになると（ステップＳ３８；ＹＥＳ）、処理は終了する。

【0049】

実施の形態１に係るナレッジグラフ生成装置１によれば、定量的に事象の事例を表す文章の類似度を算出し、事象の事例をエンティティ、事象の事例同士の類似度を関係性として、ナレッジグラフを構築することで、ユーザがナレッジグラフから曖昧なつながりを有する事例を検索することが可能になる。

【0050】

（実施の形態２）
実施の形態２では、ナレッジグラフ生成装置１が日々蓄積される故障修理事例を取得し、ナレッジグラフを更新する。実施の形態２に係るナレッジグラフ生成システム２００の構成について、図１２を用いて説明する。

【0051】

図１２に示すように、ナレッジグラフ生成システム２００は、ナレッジグラフを生成するナレッジグラフ生成装置１と、故障修理管理システム３と、を備える。故障修理管理システム３には、日々報告される故障修理事例を表す文章を含む故障修理事例情報が蓄積される。

【0052】

ナレッジグラフ生成装置１は、記憶部１１と、単語演算部１２と、文章演算部と、類似度演算部１４と、ナレッジグラフ構築部１５とに加え、故障修理管理システム３から故障修理事例情報を取得する故障修理事例取得部１７を備える。

【0053】

故障修理事例取得部１７は、故障修理管理システム３から取得した故障修理事例情報を故障修理事例記憶部１１２に記憶する。文章演算部１３は、故障修理事例記憶部１１２に新たに故障修理事例情報が記憶されると、文章演算部１３は、単語ベクトルを用いて、故障修理事例情報に含まれる新たな故障修理事例を表す文章を文章ベクトルに変換する。故障修理事例を表す文章を文章ベクトルに変換する方法の例としては、実施の形態１と同様に、取得した故障修理事例を表す文章を形態素に分割し、単語数値記憶部１１３が記憶する単語変換テーブルを用いて、単語ごとの単語ベクトルを算出し、単語ベクトルの平均を文章ベクトルとする方法がある。文章演算部１３は、新たな故障修理事例の文章ベクトルを示す文章ベクトル情報を文章数値記憶部１１４に記憶する。

【0054】

類似度演算部１４は、文章数値記憶部１１４に記憶された新たな故障修理事例の文章ベクトルを示す文章ベクトル情報と既存の故障修理事例の文章ベクトルを示す文章ベクトル情報とに基づいて、新たな故障修理事例間の類似度、および、新たな故障修理事例と既存の故障修理事例との間の類似度を算出する。新たな故障修理事例が１件である場合には、当然ながら、類似度演算部１４は、新たな故障修理事例と既存の故障修理事例との間の類似度のみを算出する。類似度演算部１４は、故障修理事例に含まれるそれぞれの文章（例えば、現象、原因および処置）について類似度を算出する。類似度演算部１４は、算出した新たな故障修理事例間の類似度を示類似度情報および新たな故障修理事例と既存の故障修理事例との間の類似度を示す類似度情報を類似度記憶部１１５に記憶する。

【0055】

ナレッジグラフ構築部１５は、まず、故障修理事例記憶部１１２から新たな故障修理事例を表す文章を含む故障修理事例情報を取得し、類似度記憶部１１５から新たな故障修理事例間の類似度を示類似度情報および新たな故障修理事例と既存の故障修理事例との間の類似度を示す類似度情報を取得する。ナレッジグラフ構築部１５は、故障修理事例記憶部１１２から取得した新たな故障修理事例を表す文章を含む故障修理事例情報に基づいて、新たな故障修理事例を１つのエンティティとしてエンティティを、ナレッジグラフ記憶部１１６が記憶するナレッジグラフに追加する。ナレッジグラフ構築部１５は、類似度記憶部１１５から取得した新たな故障修理事例間の類似度を示類似度情報および新たな故障修理事例と既存の故障修理事例との間の類似度を示す類似度情報に基づいて、既存のナレッジグラフには存在しない関係性を抽出し、ナレッジグラフに追加する。ナレッジグラフ構築部１５は、すべての新たな故障修理事例について、エンティティおよび関係性を追加して、ナレッジグラフを更新する。その他の機能については、実施の形態１と同様である。

【0056】

ここで、ナレッジグラフ生成装置１が実行するナレッジグラフ更新処理の流れについて、図１３を用いて説明する。図１３に示すナレッジグラフ更新処理は、図１０に示すナレッジグラフ生成処理が実行された後に実行される。ナレッジグラフ生成装置１の故障修理事例取得部１７が、故障修理管理システム３から故障修理事例情報を取得していない場合（ステップＳ４１；ＮＯ）、処理はステップＳ５３に移行する。故障修理事例取得部１７が、故障修理管理システム３から故障修理事例情報を取得した場合（ステップＳ４１；ＹＥＳ）、故障修理事例取得部１７は取得した故障修理事例情報を故障修理事例記憶部１１２に記憶する（ステップＳ４２）。

【0057】

文章演算部１３は、故障修理事例記憶部１１２に新たに故障修理事例情報が記憶されると、文章演算部１３は、単語ベクトルを用いて、新たな故障修理事例情報に含まれる故障修理事例を表す文章を変換した文章ベクトルを算出する（ステップＳ４３）。文章演算部１３は、新たな故障修理事例の文章ベクトルを示す文章ベクトル情報を文章数値記憶部１１４に記憶する（ステップＳ４４）。

【0058】

類似度演算部１４は、文章数値記憶部１１４に記憶された新たな故障修理事例の文章ベクトルを示す文章ベクトル情報と既存の故障修理事例の文章ベクトルを示す文章ベクトル情報とに基づいて、新たな故障修理事例間の類似度、および、新たな故障修理事例と既存の故障修理事例との間の類似度を算出する（ステップＳ４５）。新たな故障修理事例が１件である場合には、ステップＳ４５で、類似度演算部１４は、新たな故障修理事例と既存の故障修理事例との間の類似度のみを算出する。また、ステップＳ４５で、類似度演算部１４は、故障修理事例に含まれるそれぞれの文章（例えば、現象、原因および処置）について類似度を算出する。類似度演算部１４は、算出した新たな故障修理事例間の類似度を示類似度情報および新たな故障修理事例と既存の故障修理事例との間の類似度を示す類似度情報を類似度記憶部１１５に記憶する（ステップＳ４６）。

【0059】

ナレッジグラフ構築部１５は、まず、故障修理事例記憶部１１２から新たな故障修理事例を表す文章を含む故障修理事例情報を取得し（ステップＳ４７）、類似度記憶部１１５から新たな故障修理事例間の類似度を示類似度情報および新たな故障修理事例と既存の故障修理事例との間の類似度を示す類似度情報を取得する（ステップＳ４８）。ナレッジグラフ構築部１５は、故障修理事例記憶部１１２から取得した新たな故障修理事例を表す文章を含む故障修理事例情報に基づいて、新たな故障修理事例を１つのエンティティとしてエンティティを、ナレッジグラフ記憶部１１６が記憶するナレッジグラフに追加する（ステップＳ４９）。ナレッジグラフ構築部１５は、類似度記憶部１１５から取得した新たな故障修理事例間の類似度を示類似度情報および新たな故障修理事例と既存の故障修理事例との間の類似度を示す類似度情報に基づいて、既存のナレッジグラフには存在しない関係性を抽出し、ナレッジグラフに追加する（ステップＳ５０）。すべての新たな故障修理事例について、エンティティおよび関係性を追加した場合（ステップＳ５１；ＹＥＳ）、ナレッジグラフ構築部１５は、ナレッジグラフを更新する（ステップＳ５２）。新たな故障修理事例について、エンティティおよび関係性を追加していない故障修理事例がある場合（ステップＳ５１；ＮＯ）、処理はステップＳ４９に戻り、ステップＳ４９～ステップＳ５１を繰り返す。ナレッジグラフ生成装置１の電源がＯＦＦになっていなければ（ステップＳ５３；ＮＯ）、処理はステップＳ４１に戻り、ステップＳ４１～ステップＳ５３を繰り返す。電源がＯＦＦになると（ステップＳ５３；ＹＥＳ）、処理は終了する。

【0060】

実施の形態２に係るナレッジグラフ生成装置１によれば、定量的に文章の類似度を算出し、類似度を関係性とするナレッジグラフを構築することで、ユーザがナレッジグラフから曖昧なつながりを有する事例を検索することが可能になる。また、定期的にナレッジグラフを更新することで、ナレッジグラフの陳腐化を防ぐことができる。

【0061】

ナレッジグラフ生成装置１のハードウェア構成について図１４を用いて説明する。図１４に示すように、ナレッジグラフ生成装置１は、一時記憶部１０１、記憶部１０２、計算部１０３、入力部１０４、送受信部１０５および表示部１０６を備える。一時記憶部１０１、記憶部１０２、入力部１０４、送受信部１０５および表示部１０６はいずれもＢＵＳを介して計算部１０３に接続されている。

【0062】

計算部１０３は、例えばＣＰＵ（Central Processing Unit）である。計算部１０３は、記憶部１０２に記憶されている制御プログラムに従って、単語演算部１２、文章演算部１３、類似度演算部１４、ナレッジグラフ構築部１５、検索部１６および故障修理事例取得部１７の処理を実行する。

【0063】

一時記憶部１０１は、例えばＲＡＭ（Random-Access Memory）である。一時記憶部１０１は、記憶部１０２に記憶されている制御プログラムをロードし、計算部１０３の作業領域として用いられる。

【0064】

記憶部１０２は、フラッシュメモリ、ハードディスク、ＤＶＤ－ＲＡＭ（Digital Versatile Disc - Random Access Memory）、ＤＶＤ－ＲＷ（Digital Versatile Disc - ReWritable）などの不揮発性メモリである。記憶部１０２は、ナレッジグラフ生成装置１の処理を計算部１０３に行わせるためのプログラムを予め記憶し、また、計算部１０３の指示に従って、このプログラムが記憶する情報を計算部１０３に供給し、計算部１０３から供給された情報を記憶する。記憶部１１は、記憶部１０２に構成される。

【0065】

入力部１０４は、キーボード、ポインティングデバイス、音声入力機器などの入力装置と、入力装置をＢＵＳに接続するインターフェース装置である。入力部１０４を介して、ユーザが入力した情報が計算部１０３に供給される。検索部１６が、ユーザによる入力を受け付ける場合、入力部１０４は、検索部１６として機能する。故障修理事例取得部１７が、ユーザによる入力を受け付ける場合、入力部１０４は、故障修理事例取得部１７として機能する。

【0066】

送受信部１０５は、ネットワークに接続する網終端装置または無線通信装置、およびそれらと接続するシリアルインターフェースまたはＬＡＮ（Local Area Network）インターフェースである。検索部１６が、入力情報をユーザ端末２から受信する構成の場合、あるいは、検索結果情報をユーザ端末２に送信する構成の場合、送受信部１０５は、検索部１６として機能する。故障修理事例取得部１７が、故障修理事例情報を故障修理管理システム３から受信する構成の場合、送受信部１０５は、故障修理事例取得部１７として機能する。

【0067】

表示部１０６は、ＬＣＤ（Liquid Crystal Display）、有機ＥＬ（electroluminescence）ディスプレイなどの表示装置である。検索部１６が、検索結果情報を画面表示する構成の場合、表示部１０６は、検索部１６として機能する。

【0068】

図１および図１２に示すナレッジグラフ生成装置１の記憶部１１，単語演算部１２、文章演算部１３、類似度演算部１４、ナレッジグラフ構築部１５、検索部１６および故障修理事例取得部１７の処理は、制御プログラムが、一時記憶部１０１、計算部１０３、記憶部１０２、入力部１０４、送受信部１０５および表示部１０６などを資源として用いて処理することによって実行する。

【0069】

その他、前記のハードウェア構成およびフローチャートは一例であり、任意に変更および修正が可能である。

【0070】

計算部１０３、一時記憶部１０１、記憶部１０２、入力部１０４、送受信部１０５、表示部１０６などのナレッジグラフ生成装置１の処理を行う中心となる部分は、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。例えば、前記の動作を実行するためのコンピュータプログラムを、フレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disc - Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc - Read Only Memory）などのコンピュータが読み取り可能な記録媒体に格納して配布し、当該コンピュータプログラムをコンピュータにインストールすることにより、前記の処理を実行するナレッジグラフ生成装置１を構成してもよい。また、インターネットに代表される通信ネットワーク上のサーバ装置が有する記憶装置に当該コンピュータプログラムを格納しておき、通常のコンピュータシステムがダウンロードすることでナレッジグラフ生成装置１を構成してもよい。

【0071】

また、ナレッジグラフ生成装置１の機能を、ＯＳ（Operating System）とアプリケーションプログラムの分担、またはＯＳとアプリケーションプログラムとの協働により実現する場合などには、アプリケーションプログラム部分のみを記録媒体、記憶装置に格納してもよい。

【0072】

また、搬送波にコンピュータプログラムを重畳し、通信ネットワークを介して提供することも可能である。例えば、通信ネットワーク上の掲示板（BBS, Bulletin Board System）に前記コンピュータプログラムを掲示し、通信ネットワークを介して前記コンピュータプログラムを提供してもよい。そして、このコンピュータプログラムを起動し、ＯＳの制御下で、他のアプリケーションプログラムと同様に実行することにより、前記の処理を実行できる構成にしてもよい。

【0073】

上記の実施の形態１では、ナレッジグラフ生成装置１は検索部１６を備えるが、これに限らない。ナレッジグラフ生成装置１は、検索部１６を備えない構成にしてもよい。この場合、検索部１６は、ユーザ端末２が備えてもよいし、他の装置またはシステムが備えてもよい。

【0074】

上記の実施の形態２では、ナレッジグラフ生成装置１の故障修理事例取得部１７は、故障修理管理システム３から故障修理事例情報を取得したが、これに限らない。例えば、機器の故障修理の担当者が使用する担当者端末から故障修理事例情報を受信してもよい。担当者端末は、機器の故障修理を担当した担当者による故障修理事例の入力を受け付ける。担当者端末は、故障修理事例を示す故障修理事例情報をナレッジグラフ生成装置１に送信する。担当者端末は１台に限らず、複数の担当者端末から故障修理事例情報を収集してもよい。

【0075】

上記の実施の形態１および２について、別々に説明したが、実施の形態１および２を組み合わせてもよい。つまり、ナレッジグラフ生成装置１、ユーザ端末２および故障修理管理システム３を備えるナレッジグラフ生成システムを構成してもよい。

【0076】

上記の実施の形態１および２では、ナレッジグラフ生成装置１が故障修理事例のナレッジグラフを生成する例について説明したが、これに限らない。ナレッジグラフ生成装置１は、曖昧なつながりを有する様々な事象のナレッジグラフを生成することができる。

【0077】

上記の実施の形態１および２では、故障時の現象が似ている、原因が似ている、処置が似ている、といった曖昧なつながりを有する故障修理事例のナレッジグラフをナレッジグラフ生成装置１が生成する例について説明したが、これに限らない。ナレッジグラフ生成装置１は、曖昧なつながりだけでなく、故障修理を依頼した顧客が一致する、故障修理を行った機器の機種が一致する、といった明確なつながりも含むナレッジグラフを生成してもよい。

【0078】

以上、好ましい実施の形態について詳説したが、上述した実施の形態に制限されることはなく、特許請求の範囲に記載された範囲を逸脱することなく、上述した実施の形態に種々の変形及び置換を加えることができる。

【0079】

以下、本開示の諸態様を付記としてまとめて記載する。

【0080】

（付記１）
事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する単語演算部と、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換する文章演算部と、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出する類似度演算部と、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するナレッジグラフ構築部と、
を備えるナレッジグラフ生成装置。
（付記２）
前記事象は、機器の故障修理であって、
前記単語演算部は、
機器の故障修理に関連する故障修理文書に含まれる単語を数値化して単語ベクトルに変換し、
前記文章演算部は、
前記単語ベクトルを用いて、故障修理事例を表す文章を文章ベクトルに変換し、
前記類似度演算部は、
前記文章ベクトルに基づいて、前記故障修理事例同士の類似度を算出し、
前記ナレッジグラフ構築部は、
前記故障修理事例をエンティティ、前記故障修理事例同士の類似度を関係性として、前記故障修理事例のナレッジグラフを構築する、
付記１に記載のナレッジグラフ生成装置。
（付記３）
前記故障修理事例のナレッジグラフからユーザが入力した故障修理対象の特徴に近い前記故障修理事例を検索し、検索結果を前記ユーザに提示する検索部、
をさらに備える、
付記２に記載のナレッジグラフ生成装置。
（付記４）
前記検索部は、
前記ユーザが入力した前記故障修理対象の特徴を表す検索ワードの中の単語を前記単語ベクトルに変換し、変換した前記単語ベクトルの平均を検索ワード全体のベクトルとして算出し、前記故障修理事例の前記文章ベクトルの中から、最も前記検索ワード全体のベクトルに近い前記故障修理事例を特定し、特定した前記故障修理事例に基づいて検索クエリを作成し、作成した前記検索クエリを用いて前記故障修理事例のナレッジグラフを検索し、検索結果として抽出されたエンティティを示す検索結果情報を生成し、出力する、
付記３に記載のナレッジグラフ生成装置。
（付記５）
前記故障修理事例を表す文章を含む故障修理事例情報を取得する故障修理事例取得部をさらに備え、
前記文章演算部は、
前記単語ベクトルを用いて、前記故障修理事例情報に含まれる新たな故障修理事例を表す文章を文章ベクトルに変換し、
前記類似度演算部は、
前記文章ベクトルに基づいて、前記新たな故障修理事例間の類似度、および、前記新たな故障修理事例と既存の故障修理事例との間の類似度を算出し、
前記ナレッジグラフ構築部は、
前記新たな故障修理事例をエンティティとして追加し、前記新たな故障修理事例間の類似度、および、前記新たな故障修理事例と既存の故障修理事例との間の類似度を関係性として、前記故障修理事例のナレッジグラフを更新する、
付記２から４のいずれかに記載のナレッジグラフ生成装置。
（付記６）
ナレッジグラフを生成するナレッジグラフ生成装置と、ユーザが使用するユーザ端末とを備え、
前記ユーザ端末は、前記ユーザからの検索対象の特徴の入力を受け付け、前記検索対象の特徴を示す入力情報を前記ナレッジグラフ生成装置に送信し、
前記ナレッジグラフ生成装置は、
事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する単語演算部と、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換する文章演算部、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出する類似度演算部、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するナレッジグラフ構築部、および、
前記事象の事例のナレッジグラフから、前記ユーザ端末から受信した前記入力情報が示す前記検索対象の特徴に近い前記事象の事例を検索し、検索結果を示す検索結果情報を前記ユーザに提示する検索部、
を備え、
前記ユーザ端末は、前記ナレッジグラフ生成装置から受信した前記検索結果情報を出力するナレッジグラフ生成システム。
（付記７）
ナレッジグラフ生成装置が実行する、
事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換するステップと、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換するステップと、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出するステップと、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するステップと、
を備える、ナレッジグラフ生成方法。
（付記８）
コンピュータを、
事象に関連する文書に含まれる単語を数値化して単語ベクトルに変換する単語演算部、
前記単語ベクトルを用いて、前記事象の事例を表す文章を文章ベクトルに変換する文章演算部、
前記文章ベクトルに基づいて、前記事象の事例同士の類似度を算出する類似度演算部、および、
前記事象の事例をエンティティ、前記事象の事例同士の類似度を関係性として、前記事象の事例のナレッジグラフを構築するナレッジグラフ構築部、
として機能させるプログラム。

【符号の説明】

【0081】

１ ナレッジグラフ生成装置、２ ユーザ端末、３ 故障修理管理システム、１１ 記憶部、１２ 単語演算部、１３ 文章演算部、１４ 類似度演算部、１５ ナレッジグラフ構築部、１６ 検索部、１７ 故障修理事例取得部、１００，２００ ナレッジグラフ生成システム、１０１ 一時記憶部、１０２ 記憶部、１０３ 計算部、１０４ 入力部、１０５ 送受信部、１０６ 表示部、１１１ 故障修理文書記憶部、１１２ 故障修理事例記憶部、１１３ 単語数値記憶部、１１４ 文章数値記憶部、１１５ 類似度記憶部、１１６ ナレッジグラフ記憶部。

【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】