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】P2024140928
(43)【公開日】2024-10-10
(54)【発明の名称】文章の分析装置
(51)【国際特許分類】
G06F 40/279 20200101AFI20241003BHJP
G06F 40/216 20200101ALI20241003BHJP
【ＦＩ】
G06F40/279
G06F40/216
【審査請求】有
【請求項の数】4
【出願形態】ＯＬ
(21)【出願番号】P 2023052301
(22)【出願日】2023-03-28
(11)【特許番号】
(45)【特許公報発行日】2023-10-25
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＪＡＶＡＳＣＲＩＰＴ
(71)【出願人】
【識別番号】313002982
【氏名又は名称】株式会社ジール
(74)【代理人】
【識別番号】100185270
【弁理士】
【氏名又は名称】原田 貴史
(72)【発明者】
【氏名】川合 雅寛
(72)【発明者】
【氏名】奥出 泰葉
(57)【要約】
【課題】文章の特徴を容易に把握可能な分析結果を提供可能とすること。
【解決手段】本発明の分析装置１は、文章を取得可能な文章取得部１１１と、文章を複数の解析単位に分割可能な文章分割部１１２と、文章における解析単位ごとの感情ベクトルの推移を生成可能な感情ベクトル生成部１１３と、感情ベクトルの推移に対する評価を生成可能な評価生成部１１４と、評価の表示を指令可能な表示指令部１１８と、文章及び解析単位に基づく推移の生成を機械学習可能な第１機械学習部１１９と、を備え、感情ベクトルは、複数種類の感情の強さそれぞれを元とするベクトルであり、感情ベクトル生成部１１３は、文章と解析単位と第１機械学習部１１９による機械学習とに基づいて推移を生成可能であり、評価生成部１１４は、少なくとも、感情ベクトルのノルムと該ノルムの移動平均との相関に関する相関評価を生成可能である。
【選択図】図１
【解決手段】本発明の分析装置１は、文章を取得可能な文章取得部１１１と、文章を複数の解析単位に分割可能な文章分割部１１２と、文章における解析単位ごとの感情ベクトルの推移を生成可能な感情ベクトル生成部１１３と、感情ベクトルの推移に対する評価を生成可能な評価生成部１１４と、評価の表示を指令可能な表示指令部１１８と、文章及び解析単位に基づく推移の生成を機械学習可能な第１機械学習部１１９と、を備え、感情ベクトルは、複数種類の感情の強さそれぞれを元とするベクトルであり、感情ベクトル生成部１１３は、文章と解析単位と第１機械学習部１１９による機械学習とに基づいて推移を生成可能であり、評価生成部１１４は、少なくとも、感情ベクトルのノルムと該ノルムの移動平均との相関に関する相関評価を生成可能である。
【選択図】図１
【特許請求の範囲】
【請求項1】
文章を取得可能な文章取得部と、
前記文章を複数の解析単位に分割可能な文章分割部と、
前記文章における前記解析単位毎の感情ベクトルの推移を生成可能な感情ベクトル生成部と、
前記感情ベクトルの推移に対する評価を生成可能な評価生成部と、
前記評価の表示を指令可能な表示指令部と、
前記文章及び前記解析単位に基づく前記感情ベクトルの生成を機械学習可能な第１機械学習部と、
を備え、
前記感情ベクトルは、複数種類の感情の強さそれぞれを元とするベクトルであり、
前記感情ベクトル生成部は、前記文章と前記解析単位と前記第１機械学習部による機械学習とに基づいて前記感情ベクトルの推移を生成可能であり、
前記評価生成部は、少なくとも、前記感情ベクトルのノルムと前記ノルムの移動平均との相関に関する相関評価を生成可能である、
文章の分析装置。
前記文章を複数の解析単位に分割可能な文章分割部と、
前記文章における前記解析単位毎の感情ベクトルの推移を生成可能な感情ベクトル生成部と、
前記感情ベクトルの推移に対する評価を生成可能な評価生成部と、
前記評価の表示を指令可能な表示指令部と、
前記文章及び前記解析単位に基づく前記感情ベクトルの生成を機械学習可能な第１機械学習部と、
を備え、
前記感情ベクトルは、複数種類の感情の強さそれぞれを元とするベクトルであり、
前記感情ベクトル生成部は、前記文章と前記解析単位と前記第１機械学習部による機械学習とに基づいて前記感情ベクトルの推移を生成可能であり、
前記評価生成部は、少なくとも、前記感情ベクトルのノルムと前記ノルムの移動平均との相関に関する相関評価を生成可能である、
文章の分析装置。
【請求項2】
前記文章の要約を生成可能な要約生成部と、
前記文章及び前記解析単位に基づく前記要約の生成を機械学習可能な第２機械学習部と、
をさらに備え、
前記要約生成部は、前記文章と前記第２機械学習部による機械学習とに基づいて前記要約を生成可能であり、
前記表示指令部は、前記要約の表示をさらに指令可能である、
請求項１に記載の分析装置。
前記文章及び前記解析単位に基づく前記要約の生成を機械学習可能な第２機械学習部と、
をさらに備え、
前記要約生成部は、前記文章と前記第２機械学習部による機械学習とに基づいて前記要約を生成可能であり、
前記表示指令部は、前記要約の表示をさらに指令可能である、
請求項１に記載の分析装置。
【請求項3】
前記文章の登場人物の登場人物情報を取得可能な登場人物情報取得部と、
前記登場人物情報に基づいて前記登場人物の画像を生成可能な画像生成部と、
前記登場人物情報に基づく前記画像の生成を機械学習可能な第３機械学習部と、
をさらに備え、
前記画像生成部は、前記第３機械学習部による機械学習に基づいて前記画像を生成可能であり、
前記表示指令部は、前記画像の表示をさらに指令可能である、
請求項１に記載の分析装置。
前記登場人物情報に基づいて前記登場人物の画像を生成可能な画像生成部と、
前記登場人物情報に基づく前記画像の生成を機械学習可能な第３機械学習部と、
をさらに備え、
前記画像生成部は、前記第３機械学習部による機械学習に基づいて前記画像を生成可能であり、
前記表示指令部は、前記画像の表示をさらに指令可能である、
請求項１に記載の分析装置。
【請求項4】
前記文章取得部は、画像を含む文章を取得可能であり、
前記文章分割部は、画像を含まない解析単位及び画像からなる解析単位からなる複数の解析単位に前記画像を含む文章を分割可能であり、
前記感情ベクトル生成部は、
前記画像を含まない解析単位について、前記第１機械学習部による機械学習に基づいて前記感情ベクトルの推移を生成可能であり、
前記画像からなる解析単位について、画像に基づく感情ベクトルの生成に係る所定の機械学習に基づいて前記感情ベクトルの推移を生成可能である、
請求項１に記載の分析装置。
前記文章分割部は、画像を含まない解析単位及び画像からなる解析単位からなる複数の解析単位に前記画像を含む文章を分割可能であり、
前記感情ベクトル生成部は、
前記画像を含まない解析単位について、前記第１機械学習部による機械学習に基づいて前記感情ベクトルの推移を生成可能であり、
前記画像からなる解析単位について、画像に基づく感情ベクトルの生成に係る所定の機械学習に基づいて前記感情ベクトルの推移を生成可能である、
請求項１に記載の分析装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、文章の分析装置に関する。
【背景技術】
【0002】
文章を分析する要望がある。分析対象となる文章は、例えば、脚本、小説、論説文、エッセイ、ブログ等である。文章の分析に関し、物語性を有する文章等では、文章を読んだ場合に引き起こされる感情を分析する要望がある。感情の分析は、文章の特徴を把握する際に役立つのみならず、文章の要約、文章の登場人物の視覚的表現の生成等に活用され得る。
【0003】
文章の内容を分析することに関し、特許文献１は、文章の入力を受け付ける入力部と、前記文章を複数のシーンに分割する分割部と、前記シーン毎に複数の個別感情値を算出する第１算出部と、前記複数の個別感情値に基づいて、前記シーンの代表感情値を算出する第２算出部と、前記代表感情値のグラフを表示する表示部と、を備える文章解析装置を開示している。特許文献１の技術は、文章全体を通して感情的な盛り上がりを解析する技術を提供できる。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２２－２６２７８号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ところで、文章の分析では、文章の特徴を容易に把握したいとの要望がある。特許文献１の技術は、代表感情値のグラフを表示するにとどまる。そのため、ユーザは、該グラフを読み解く能力を求められる。よって、特許文献１の技術は、文章の特徴を容易に把握する点において、さらなる改良の余地がある。
【0006】
本発明の目的は、文章の特徴を容易に把握可能な分析結果を提供可能とすることである。
【課題を解決するための手段】
【0007】
本発明者らは、上記課題を解決するために鋭意検討した結果、感情ベクトルのノルムと該ノルムの移動平均との相関に関する相関評価を表示すること等によって、上記の目的を達成できることを見出した。そして、本発明者らは、本発明を完成させるに至った。具体的に、本発明は以下のものを提供する。
【0008】
第１の特徴に係る発明は、文章を取得可能な文章取得部と、前記文章を複数の解析単位に分割可能な文章分割部と、前記文章における前記解析単位毎の感情ベクトルの推移を生成可能な感情ベクトル生成部と、前記感情ベクトルの推移に対する評価を生成可能な評価生成部と、前記評価の表示を指令可能な表示指令部と、前記文章及び前記解析単位に基づく前記感情ベクトルの生成を機械学習可能な第１機械学習部と、を備え、前記感情ベクトルは、複数種類の感情の強さそれぞれを元とするベクトルであり、前記感情ベクトル生成部は、前記文章と前記解析単位と前記第１機械学習部による機械学習とに基づいて前記感情ベクトルの推移を生成可能であり、前記評価生成部は、少なくとも、前記感情ベクトルのノルムと前記ノルムの移動平均との相関に関する相関評価を生成可能である、文章の分析装置を提供する。
【0009】
第１の特徴に係る発明は、取得した文章を複数の解析単位に分割し、解析単位ごとの感情ベクトルの推移を機械学習に基づいて生成できる。すなわち、第１の特徴に係る発明は、取得した文章において、複数種類の感情値が解析単位ごとにどのように変化するかの推移を機械学習に基づく客観的なアルゴリズムによって生成できる。
【0010】
しかしながら、このような推移をグラフ等として表示する場合、利用者は、表示されたグラフ等を読み解くことへの習熟を求められる。本発明者らは、鋭意検討した結果、感情ベクトルのノルムと該ノルムの移動平均との相関に関する相関評価を用いることにより、文章の特徴をよりいっそう容易に把握可能とする表示を行えることを見出した。
【0011】
ノルムは、ベクトルの「長さ」の概念を一般化したものである。よって、感情ベクトルのノルムは、対応する解析単位における総合的な感情の強さに対応する。一方、感情ベクトルのノルムの移動平均は、対応する解析単位だけでなく、その周辺の解析単位をも含めた部分における総合的な感情の強さに対応する。
【0012】
そのため、総合的な感情の強さがあまり変化せず感情の強さも小さい部分、及び、総合的な感情の強さが急激に変化して感情の強さが大きい部分のそれぞれでは、該ノルムと該移動平均との相関は、大きくなる。一方、総合的な感情の強さがあまり変化しないが感情の強さが大きい部分、及び、総合的な感情の強さが急激に変化するが感情の強さが小さい部分のそれぞれでは、該ノルムと該移動平均との相関は、小さくなる。よって、該相関を用いれば、文章において、総合的な感情の強さが急激に変化して強くなる盛り上がりどころがいずれの解析単位に対応するかを評価できる。
【0013】
第１の特徴に係る発明は、感情ベクトルのノルムとノルムの移動平均との相関に関する相関評価を生成し、表示可能である。よって、第１の特徴に係る発明は、文章における盛り上がりどころに関する分析結果を表示できる。よって、利用者は、文章の特徴をよりいっそう容易に把握できる。
【発明の効果】
【0014】
本発明は、文章の特徴を容易に把握可能な分析結果を提供できる。
【図面の簡単な説明】
【0015】
【発明を実施するための形態】
【0016】
以下は、本発明の実施形態の一例について、図面を参照しながら詳細に説明するものである。
【0017】
【0018】
〔分析装置１〕
分析装置１は、文章の内容を分析する装置である。分析装置１は、制御部１１、記憶部１３、通信部１４等を備える。分析装置１は、パーソナルコンピュータ等の端末、１つのサーバ、複数のサーバを含むサーバ群等の各種態様でよい。
分析装置１は、文章の内容を分析する装置である。分析装置１は、制御部１１、記憶部１３、通信部１４等を備える。分析装置１は、パーソナルコンピュータ等の端末、１つのサーバ、複数のサーバを含むサーバ群等の各種態様でよい。
【0019】
サーバ群は、例えば、サーバ間の負荷を調整するロードバランサ、ＵＩ等を提供するフロントサーバ、分析処理に用いられる各種ソフトウェア構成要素のＡＰＩを提供するＡＰＩサーバ、及び文章分割部１１２が行う処理等の文章の前処理を行うテキスト前処理サーバ等の通常サーバ、感情ベクトル生成部１１３等を実現する推論サーバ（文章用推論サーバ）、並びに第１機械学習部１１９等を実現する学習サーバ（文章用学習サーバ）等の１以上を含んで構成される。
【0020】
［制御部１１］
制御部１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備える。
制御部１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備える。
【0021】
制御部１１は、必要に応じて記憶部１３及び／又は通信部１４等と協働する。そして、制御部１１は、分析装置１で実行される本実施形態のプログラムのソフトウェア構成要素である、文章取得部１１１、文章分割部１１２、感情ベクトル生成部１１３、評価生成部１１４、要約生成部１１５、登場人物情報取得部１１６、画像生成部１１７、表示指令部１１８、第１機械学習部１１９、第２機械学習部１２０、第３機械学習部１２１等を実現する。本実施形態のプログラムのソフトウェア構成要素それぞれが提供する機能は、後述する分析処理の好ましい流れの説明において示される。
【0022】
［記憶部１３］
記憶部１３は、データ及び／又はファイルが記憶される装置であって、ハードディスク、半導体メモリ、記録媒体、及びメモリカード等の１以上を用いて構成されたデータのストレージ部を有する。
記憶部１３は、データ及び／又はファイルが記憶される装置であって、ハードディスク、半導体メモリ、記録媒体、及びメモリカード等の１以上を用いて構成されたデータのストレージ部を有する。
【0023】
記憶部１３は、ネットワークＮを介してＮＡＳ、ＳＡＮ、クラウドストレージ、ファイルサーバ及び／又は分散ファイルシステム等の記憶装置又は記憶システムとの接続を可能にする仕組みを有してもよい。ＮＡＳは、Ｎｅｔｗｏｒｋ Ａｔｔａｃｈｅｄ Ｓｔｏｒａｇｅの略語である。ＳＡＮは、Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋの略語である。
【0024】
記憶部１３には、マイクロコンピューターで実行されるプログラム、文章リスト１３１、解析単位リスト１３２、登場人物リスト１３３、第１機械学習部１１９の機械学習データ（第１機械学習データ）、第２機械学習部１２０の機械学習データ（第２機械学習データ）、第３機械学習部１２１の機械学習データ（第３機械学習データ）等が記憶されている。
【0025】
記憶部１３は、文章の定義情報が格納されるリレーショナルデータベースを含むことが好ましい。文章リスト１３１は、独立したストレージに格納されることが好ましい。解析単位リスト１３２は、独立したデータストアに格納されることが好ましい。
【0026】
（文章リスト１３１）
文章リスト１３１には、分析装置１の分析対象となる文章及び該文章に関連する各種情報が格納される。格納される文章は、特に限定されない。該文章は、例えば、脚本、プロット、対談、小説、エッセイ、ブログ、議事録、報告書、論説文等でよい。各種情報のフォーマットは、特に限定されない。該フォーマットは、例えば、テキスト形式、ｊｓｏｎ（ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ）形式等でよい。
文章リスト１３１には、分析装置１の分析対象となる文章及び該文章に関連する各種情報が格納される。格納される文章は、特に限定されない。該文章は、例えば、脚本、プロット、対談、小説、エッセイ、ブログ、議事録、報告書、論説文等でよい。各種情報のフォーマットは、特に限定されない。該フォーマットは、例えば、テキスト形式、ｊｓｏｎ（ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ）形式等でよい。
【0027】
文章は、文章の定義情報と関連付けられて格納されることが好ましい。定義情報は、文章の表題、作者、発行日、様式等によって例示される、文章本体に付随する各種情報の１以上を含む文章に関する情報である。様式は、例えば、脚本、プロット、対談、小説、エッセイ、ブログ、議事録、報告書、論説文等によって例示される文章の各種様式である。
【0028】
文章は、文章の分析結果と関連付けられて格納されることが好ましい。分析結果は、評価生成部１１４によって生成された評価、要約生成部１１５によって生成された要約等を含む。これにより、分析結果の再利用が可能となる。
【0029】
文章は、文章を識別可能な文章ＩＤと関連付けられて格納されることが好ましい。これにより、分析装置１は、文章ＩＤを用いて関連付けられた文章を利用できる。
【0030】
【0031】
図２に示す例では、該文章は、「△△グループの決算発表（注意１）を見ながら・・・」との書き出しを有し、「・・・我こそは、と思う方は是非ご一報ください。」と締めくくられている。
【0032】
図２に示す例では、該定義情報は、表題「△△の市場とは？」、発行日「２０２１年７月２８日」、様式「ブログ」等の文章本体に付随する各種情報を含む。
【0033】
図２に示す例では、該分析結果は、該文章がオイディプス型に近いグラフ相関を有する等の評価を含んでいる。
【0034】
図２に示す例に上述の定義情報、分析結果と関連付けられた文章が格納されることにより、分析装置１は、文章を分析し、分析結果を定義情報と共に表示するよう指令できる。そして、利用者は、該表示を見て、文章の特徴を容易に把握できる。
【0035】
（解析単位リスト１３２）
解析単位リスト１３２には、文章分割部１１２によって分割された文章の解析単位及び該解析単位に関連する各種情報が格納される。
解析単位リスト１３２には、文章分割部１１２によって分割された文章の解析単位及び該解析単位に関連する各種情報が格納される。
【0036】
解析単位は、本実施形態の分析装置１が文章を解析するときに用いる処理単位である。解析単位は、文章の様式に応じて、文１つ、形式段落１つ、意味段落１つ、セクション１つ、チャプター１つ、脚本におけるシーン１つ等から選択される。文章の様式の判別及び文章の様式に応じた解析単位の選択は、後に、本実施形態の分析処理の流れの説明において、より詳細に説明される。解析単位は、「シーン」とも称される。
【0037】
解析単位リスト１３２において、解析単位は、該解析単位に対応する感情ベクトルと関連付けられて格納されることが好ましい。これにより、分析装置１は、解析単位に対応する感情ベクトルを容易に取得できる。
【0038】
感情ベクトルは、複数種類の感情の強さを元とするベクトルである。感情の強さは、「感情値」「個別感情値」等とも称される。感情値の種類は、特に限定されない。感情値の種類は、例えば、プルチックの感情の輪における８種類の基本感情、エクマンの７種類の基本感情等でよい。なお、プルチックの感情の輪における８種類の基本感情は、怒り、期待、喜び、信頼、恐怖、驚き、悲しみ、嫌悪である。エクマンの７種類の基本感情は、驚き、恐れ、嫌悪、怒り、喜び、悲しみ、通常である。
【0039】
解析単位リスト１３２において、解析単位は、該解析単位に対応する感情ベクトルのノルムと関連付けられて格納されることが好ましい。これにより、分析装置１は、解析単位に対応する感情ベクトルのノルムを容易に取得できる。
【0040】
感情ベクトルのノルムは、特に限定されない。該ノルムは、例えば、最大値ノルム、ユークリッドノルム、ｐ次平均ノルム、内積が定めるノルム等によって例示される任意のノルムでよい。最大値ノルムは、感情ベクトルの元のうち最も大きな値の元を値とするノルムである。ユークリッドノルムは、感情ベクトルが含む元の２乗和の平方根を値とするノルムである。ｐ次平均ノルムは、感情ベクトルが含む元のｐ乗和のｐ乗根を値とするノルムである。内積が定めるノルムは、指定のベクトルと感情ベクトルとの内積の平方根を値とするノルムである。
【0041】
解析単位リスト１３２において、感情ベクトルのノルムは、１種類が格納されてもよく、複数種類が格納されてもよい。
【0042】
感情ベクトルのノルムは、なかでも、最大値ノルムであることが好ましい。これにより、感情ベクトルのノルムは、感情ベクトルに含まれる最も強い感情の強さを示すことができる。感情ベクトルのノルムが最大値ノルムである場合、最大値ノルムの値は、「代表感情値」とも称される。
【0043】
解析単位リスト１３２において、解析単位は、該解析単位に対応する感情ベクトルのノルムの移動平均と関連付けられて格納可能であることが好ましい。これにより、分析装置１は、解析単位に対応する感情ベクトルのノルムの移動平均を容易に取得できる。
【0044】
移動平均は、特に限定されない。該移動平均は、例えば、単純移動平均、加重移動平均、指数移動平均等によって例示される各種の移動平均でよい。該移動平均は、生成対象となる解析単位における感情ベクトルのノルムと、その前後の解析単位における感情ベクトルのノルムそれぞれとの移動平均であることが好ましい。これにより、分析装置１は、感情ベクトルのノルムが変化した解析単位との対応がわかりやすい移動平均を生成できる。
【0045】
解析単位リスト１３２において、解析単位は、該解析単位に対応する感情ベクトルのノルムと該ノルムの移動平均との相関と関連付けられて格納可能であることが好ましい。これにより、分析装置１は、解析単位に対応する相関を容易に取得できる。
【0046】
解析単位は、該解析単位に対応する文章を識別可能な文章ＩＤと関連付けられて格納されることが好ましい。これにより、分析装置１は、解析単位に対応する文章を把握できる。
【0047】
解析単位は、解析単位を識別可能な解析単位ＩＤと関連付けられて格納されることが好ましい。これにより、分析装置１は、解析単位ＩＤを用いて解析単位を利用できる。
【0048】
図３は、解析単位リスト１３２の一例である。図３に示す例では、解析単位ＩＤ「Ｕ０００１」で識別される解析単位が格納されている。該解析単位は、該解析単位に対応する感情ベクトル、ノルム、移動平均、及び文章ＩＤと関連付けられて格納されている。
【0049】
図３に示す例では、該解析単位は、「△△グループの決算発表（注意１）を見ながら・・・」との書き出しを有し、「・・・これはとても短く書きます。」と締めくくられている。
【0050】
図３に示す例では、該解析単位は、感情ベクトル、値が「５２」のノルム、及び文章ＩＤ「Ｔ０００１」と関連付けられている。
【0051】
また、図３に示す例では、上述の解析単位と別の解析単位ＩＤ「Ｕ０００２」で識別される別の解析単位が格納されている。該別の解析単位は、該別の解析単位に対応する感情ベクトル、ノルム、移動平均、及び文章ＩＤと関連付けられて格納されている。
【0052】
図３に示す例では、該別の解析単位は、「グローバルのエンターテイメントの消費について・・・」との書き出しを有し、「・・・Ｐ△以降を御覧ください。」と締めくくられている。
【0053】
図３に示す例では、該別の解析単位は、感情ベクトル、値が「４５」のノルム、値が「４８」の移動平均、及び文章ＩＤ「Ｔ０００１」と関連付けられている。
【0054】
図３に示す例に上述の感情ベクトル、ノルム、移動平均、文章ＩＤと関連付けられた解析単位がそれぞれ格納されることにより、分析装置１は、感情ベクトル等の推移等の各種情報を利用できる。そして、分析装置１は、これら各種情報を用いて文章を分析できる。
【0055】
（登場人物リスト１３３）
登場人物リスト１３３には、文章の登場人物に関する登場人物情報が格納される。登場人物情報は、「キャラクター情報」とも称される。登場人物情報は、特に限定されない。登場人物情報には、例えば、登場人物の特徴を示す文章・キーワード、登場人物に関連する画像、登場人物に関連するネットワーク上の位置等が含まれる。また、登場人物リスト１３３には、画像生成部１１７が生成した画像が格納され得る。
登場人物リスト１３３には、文章の登場人物に関する登場人物情報が格納される。登場人物情報は、「キャラクター情報」とも称される。登場人物情報は、特に限定されない。登場人物情報には、例えば、登場人物の特徴を示す文章・キーワード、登場人物に関連する画像、登場人物に関連するネットワーク上の位置等が含まれる。また、登場人物リスト１３３には、画像生成部１１７が生成した画像が格納され得る。
【0056】
登場人物情報は、なかでも、登場人物の特徴を示す文章・キーワードを含むことが好ましい。これにより画像生成部１１７は、該文章及び／又は該キーワードに基づく画像生成を行える。
【0057】
登場人物情報は、登場人物情報を識別可能な登場人物ＩＤと関連付けられて格納されることが好ましい。これにより、分析装置１は、登場人物ＩＤを用いて登場人物情報を利用できる。
【0058】
登場人物情報は、該登場人物情報に対応する文章を識別可能な文章ＩＤと関連付けられて格納されることが好ましい。これにより、分析装置１は、登場人物情報に対応する文章を把握できる。
【0059】
図４は、登場人物リスト１３３の一例である。図４に示す例では、登場人物ＩＤ「Ｃ０００１」で識別され、文章ＩＤ「Ｔ０００２」と対応する登場人物情報「眼鏡をかけ、前髪を中央で分けた男性」が格納されている。該登場人物情報は、該登場人物情報に基づいて生成された画像と関連付けられて格納されている。
【0060】
図４に示す例に上述の登場人物情報及び画像が格納されることにより、分析装置１は、該登場人物情報と該画像とを表示するよう指令できる。これにより、利用者は、登場人物の特徴をよりいっそう容易に把握できる。よって、利用者は、文章の特徴をよりいっそう容易に把握できる。
【0061】
［通信部１４］
通信部１４は、分析装置１をネットワークＮに接続して端末Ｔ等と通信可能にするものであれば特に限定されない。通信部１４として、例えば、携帯電話ネットワークに対応した無線装置、ＩＥＥＥ８０２．１１に準拠したＷｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）対応デバイス、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格等に対応した近距離無線装置、及びイーサネット規格に対応したネットワークカード等が挙げられる。
通信部１４は、分析装置１をネットワークＮに接続して端末Ｔ等と通信可能にするものであれば特に限定されない。通信部１４として、例えば、携帯電話ネットワークに対応した無線装置、ＩＥＥＥ８０２．１１に準拠したＷｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）対応デバイス、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格等に対応した近距離無線装置、及びイーサネット規格に対応したネットワークカード等が挙げられる。
【0062】
〔ネットワークＮ〕
ネットワークＮの種類は、分析装置１と端末Ｔ等とを通信可能にするものであれば特に限定されない。ネットワークＮは、例えば、ローカルエリアネットワーク、イントラネット、エクストラネット、インターネット、あるいはこれらネットワークを複数組み合わせたネットワーク等が挙げられる。
ネットワークＮの種類は、分析装置１と端末Ｔ等とを通信可能にするものであれば特に限定されない。ネットワークＮは、例えば、ローカルエリアネットワーク、イントラネット、エクストラネット、インターネット、あるいはこれらネットワークを複数組み合わせたネットワーク等が挙げられる。
【0063】
〔端末Ｔ〕
端末Ｔは、ネットワークＮ等を介して分析装置１と通信可能であれば、特に限定されない。端末Ｔは、持ち運び可能な携帯端末であってもよいし、一定の場所に据え置かれている据え置き型端末であってもよい。端末Ｔの台数は、特に限定されない。
端末Ｔは、ネットワークＮ等を介して分析装置１と通信可能であれば、特に限定されない。端末Ｔは、持ち運び可能な携帯端末であってもよいし、一定の場所に据え置かれている据え置き型端末であってもよい。端末Ｔの台数は、特に限定されない。
【0064】
携帯端末の種類は特に限定されるものでなく、例えば、スマートフォン、タブレット端末、及びノートパソコン等が挙げられる。また、据え置き型端末の種類も特に限定されるものでなく、例えば、デスクトップ式のパーソナルコンピュータ等が挙げられる。
【0065】
端末Ｔは、文章のデータ、ネットワーク上における文章の位置、及び／又は分析装置１に格納された文章を指定可能な文章指定情報を分析装置１に提供可能である。また、端末Ｔは、分析装置１からの指令に応じて、文章の分析結果を表示可能である。
【0066】
文章のデータのフォーマットは、特に限定されない。ネットワーク上における文章の位置のフォーマットは、特に限定されず、例えば、ＵＲＩ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｉｄｅｎｔｉｆｉｅｒ）、ＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）等でよい。文章指定情報は、特に限定されず、例えば、文章リスト１３１における文章ＩＤ、記憶部１３に格納された文章ファイルのパス等でよい。
【0067】
〔分析処理のメインフローチャート〕
図５は、本実施形態の分析処理の好ましい流れの一例を示すメインフローチャートである。図６は、図５に続く図である。図７は、図６に続く図である。以下、図５乃至図７を用いて、該分析処理の好ましい流れの一例が説明される。
図５は、本実施形態の分析処理の好ましい流れの一例を示すメインフローチャートである。図６は、図５に続く図である。図７は、図６に続く図である。以下、図５乃至図７を用いて、該分析処理の好ましい流れの一例が説明される。
【0068】
まず、分析装置１は、文章を取得する文章取得ステップ（ステップＳ１からステップＳ２）を実行する。
【0069】
［ステップＳ１：文章を取得可能か判別］
制御部１１は、記憶部１３及び通信部１４と協働して文章取得部１１１を実行する。そして、制御部１１は、文章を取得可能か判別する処理を行う（ステップＳ１、文章取得可否判別ステップ）。取得可能であると判別したならば、制御部１１は、処理をステップＳ２に移す。取得可能であると判別しなかったならば、制御部１１は、処理をステップＳ１へ移す。
制御部１１は、記憶部１３及び通信部１４と協働して文章取得部１１１を実行する。そして、制御部１１は、文章を取得可能か判別する処理を行う（ステップＳ１、文章取得可否判別ステップ）。取得可能であると判別したならば、制御部１１は、処理をステップＳ２に移す。取得可能であると判別しなかったならば、制御部１１は、処理をステップＳ１へ移す。
【0070】
文章を取得可能か判別する処理は、特に限定されない。該処理は、例えば、端末Ｔから文章のデータ、ネットワーク上における文章の位置、及び／又は分析装置１に格納された文章を指定可能な文章指定情報のいずれかを受信した場合に、文章を取得可能であると判別する処理等でよい。
【0071】
［ステップＳ２：文章を取得］
制御部１１は、記憶部１３及び通信部１４と協働して文章取得部１１１を実行する。そして、制御部１１は、ステップＳ１で取得可能であると判別された文章を取得する処理を行う（ステップＳ２、文章取得実行ステップ）。制御部１１は、処理をステップＳ３へ移す。なお、文章を取得する処理は、取得された文章を文章リスト１３１に格納する処理を含む。
制御部１１は、記憶部１３及び通信部１４と協働して文章取得部１１１を実行する。そして、制御部１１は、ステップＳ１で取得可能であると判別された文章を取得する処理を行う（ステップＳ２、文章取得実行ステップ）。制御部１１は、処理をステップＳ３へ移す。なお、文章を取得する処理は、取得された文章を文章リスト１３１に格納する処理を含む。
【0072】
続いて、分析装置１は、文章を解析単位に分割する文章分割ステップ（ステップＳ３からステップＳ４）を実行する。文章分割ステップは、文章の様式を判別する様式判別ステップ（ステップＳ３）を含むことが好ましい。これにより、分析装置１は、様式に応じた解析単位で文章を分割できる。
【0073】
［ステップＳ３：文章の様式を判別］
制御部１１は、記憶部１３と協働して文章分割部１１２を実行する。そして、制御部１１は、ステップＳ２で取得した文章の様式を判別する処理を行う（ステップＳ３、様式判別ステップ）。制御部１１は、処理をステップＳ４へ移す。
制御部１１は、記憶部１３と協働して文章分割部１１２を実行する。そして、制御部１１は、ステップＳ２で取得した文章の様式を判別する処理を行う（ステップＳ３、様式判別ステップ）。制御部１１は、処理をステップＳ４へ移す。
【0074】
文章の様式を判別する処理は、特に限定されない。文章の様式を判別する処理は、例えば、文章を脚本、プロット、対談、小説、エッセイ、ブログ、議事録、報告書、論説文等によって例示される各種様式の２以上を含む所定の様式群に含まれる様式のいずれかを判別結果とする判別でよい。
【0075】
文章の様式を判別する処理は、例えば、様式と関連する文章中のキーワードを用いて様式を判別する手順、段落の区切り方を用いて様式を判別する手順、段落の冒頭を用いて様式を判別する手順、機械学習を用いて様式を判別する手順等によって例示される各種手順の１以上を用いる処理でよい。
【0076】
［ステップＳ４：文章を解析単位に分割］
制御部１１は、記憶部１３と協働して文章分割部１１２を実行する。そして、制御部１１は、ステップＳ２で取得した文章を解析単位に分割する処理を行う（ステップＳ４、文章分割実行ステップ）。制御部１１は、処理をステップＳ５へ移す。なお、文章を解析単位に分割する処理は、分割された解析単位を解析単位リスト１３２に格納する処理を含む。
制御部１１は、記憶部１３と協働して文章分割部１１２を実行する。そして、制御部１１は、ステップＳ２で取得した文章を解析単位に分割する処理を行う（ステップＳ４、文章分割実行ステップ）。制御部１１は、処理をステップＳ５へ移す。なお、文章を解析単位に分割する処理は、分割された解析単位を解析単位リスト１３２に格納する処理を含む。
【0077】
分析処理が様式判別ステップを含む場合、文章分割実行ステップは、ステップＳ３で判別された様式に基づいて文章を解析単位に分割する手順を含むことが好ましい。これにより、分析装置１は、様式に応じた解析単位で文章を分割できる。様式に基づいて文章を解析単位に分割する手順は、例えば、文章が脚本であると判別した場合に脚本におけるシーンが解析単位に対応するよう文章を分割するプロセス、文章がブログであると判別した場合に形式段落が解析単位に対応するよう文章を分割するプロセス等を含む手順、文章が小説であると判別した場合にチャプターが解析単位に対応するよう文章を分割するプロセス等を含む手順、である。
【0078】
文章を解析単位に分割した後に、分析装置１は、解析単位ごとの感情ベクトルの推移を生成する感情ベクトル生成ステップ（ステップＳ５）を実行する。
【0079】
［ステップＳ５：解析単位ごとの感情ベクトルの推移を生成］
制御部１１は、記憶部１３と協働して感情ベクトル生成部１１３を実行する。そして、制御部１１は、ステップＳ２で取得された文章におけるステップＳ４で分割された解析単位ごとの感情ベクトルの推移を生成する処理を行う（ステップＳ５、感情ベクトル生成ステップ）。制御部１１は、処理をステップＳ６へ移す。
制御部１１は、記憶部１３と協働して感情ベクトル生成部１１３を実行する。そして、制御部１１は、ステップＳ２で取得された文章におけるステップＳ４で分割された解析単位ごとの感情ベクトルの推移を生成する処理を行う（ステップＳ５、感情ベクトル生成ステップ）。制御部１１は、処理をステップＳ６へ移す。
【0080】
感情ベクトルの推移を生成する処理は、ステップＳ２で取得された文章とステップＳ４で分割された解析単位と第１機械学習部１１９による機械学習（第１機械学習データ）とに基づいて解析単位ごとの感情ベクトルの推移を生成する手順を含む。該手順は、感情ベクトルに関する推論を、第１機械学習データを用いて行う手順を含む。
【0081】
感情ベクトルの生成に関し、感情に関する文章中の要素を予め感情と対応付け、該対応付けに基づいて感情ベクトルを生成する手順があり得る。しかしながら、感情に関する文章中の要素は、単語、表現、改行、記号等、多岐に渡る。そのため、この対応付けを手作業で行うことは、多大な労力を要し得る。また、対応付けに漏れがあった場合、不正確な感情ベクトルが生成され得る。流行語、新語、擬態語、擬音語、方言、俗語、隠語等を含む文章では、このような漏れが頻繁に生じることが懸念される。
【0082】
後述する第１機械学習部１１９による機械学習に基づいて解析単位ごとの感情ベクトルの推移を生成する手順は、この対応付けを手作業で行うことなく、感情ベクトルの推移を生成できる。これにより、該手順は、少ない労力でより正確な感情ベクトルを生成できる。
【0083】
感情ベクトルの推移を生成した後に、分析装置１は、感情ベクトルの推移に対する評価を生成する評価生成ステップを実行する。評価生成ステップにおいて生成される評価は、特に限定されない。
【0084】
（評価生成ステップにおいて生成される評価について）
評価生成ステップにおいて生成される評価は、感情ベクトルのノルムと該ノルムの移動平均との相関に関する相関評価を含む。該評価が上述の相関評価を含むことにより、文章の特徴をよりいっそう容易に把握できる。以下は、この点についての説明である。
評価生成ステップにおいて生成される評価は、感情ベクトルのノルムと該ノルムの移動平均との相関に関する相関評価を含む。該評価が上述の相関評価を含むことにより、文章の特徴をよりいっそう容易に把握できる。以下は、この点についての説明である。
【0085】
ノルムは、ベクトルの「長さ」の概念を一般化したものである。よって、感情ベクトルのノルムは、対応する解析単位における総合的な感情の強さに対応する。一方、感情ベクトルのノルムの移動平均は、対応する解析単位だけでなく、その周辺の解析単位をも含めた部分における総合的な感情の強さに対応する。
【0086】
そのため、総合的な感情の強さがあまり変化せず感情の強さも小さい部分、及び、総合的な感情の強さが急激に変化して感情の強さが大きい部分のそれぞれでは、該ノルムと該移動平均との相関は、大きくなる。一方、総合的な感情の強さがあまり変化しないが感情の強さが大きい部分、及び、総合的な感情の強さが急激に変化するが感情の強さが小さい部分のそれぞれでは、該ノルムと該移動平均との相関は、小さくなる。よって、該相関を用いれば、文章において、総合的な感情の強さが急激に変化して強くなる盛り上がりどころがいずれの解析単位に対応するかを評価できる。
【0087】
評価生成ステップにおいて生成される評価は、加えて、１以上の他の評価を含んでも良い。他の評価は、例えば、相関評価、感情平均幅に関する評価、感情変化率に関する評価、感情平均終始差に関する評価、感情値平均に関する評価等である。
【0088】
感情平均幅は、感情ベクトルのノルムの変化の幅である。感情変化率は、感情ベクトルのノルムの変化率である。感情平均終始差は、感情ベクトルのノルムの移動平均が所定の範囲で変化した量である。感情値終始差は、感情ベクトルのノルムが所定の範囲で変化した量である。感情値平均は、所定の範囲における感情ベクトルのノルムの平均である。所定の範囲は、特に限定されず、例えば、文章全体、連続する複数の解析単位に対応する範囲等でよい。
【0089】
該評価が感情平均幅に関する評価及び／又は感情変化率に関する評価を含むことにより、分析装置１は、文章における緩急・メリハリの評価を表示できる。該評価が感情平均終始差及び／又は感情値終始差に関する評価を含むことにより、分析装置１は、完結した文章であるか次に続く文章であるかどっちつかずの文章であるかの評価を表示できる。該評価が感情値平均に関する評価を含むことにより、分析装置１は、文章が感情に与える影響の評価を表示できる。
【0090】
以下ステップＳ６からステップＳ８は、上述の相関評価を生成する手順の一例である。分析装置１は、他の評価についても、同様の手順で評価を生成可能である。
【0091】
［ステップＳ６：感情ベクトルのノルムと該ノルムの移動平均とを生成］
制御部１１は、記憶部１３と協働して評価生成部１１４を実行する。そして、制御部１１は、ステップＳ４で分割された解析単位ごとに、ステップＳ５で生成された感情ベクトルのノルムと該ノルムの移動平均とを生成する処理を行う（ステップＳ６、ノルム等生成ステップ）。制御部１１は、処理をステップＳ７へ移す。
制御部１１は、記憶部１３と協働して評価生成部１１４を実行する。そして、制御部１１は、ステップＳ４で分割された解析単位ごとに、ステップＳ５で生成された感情ベクトルのノルムと該ノルムの移動平均とを生成する処理を行う（ステップＳ６、ノルム等生成ステップ）。制御部１１は、処理をステップＳ７へ移す。
【0092】
ノルム等生成ステップが生成する感情ベクトルのノルムは、特に限定されない。該ノルムは、例えば、最大値ノルム、ユークリッドノルム、ｐ次平均ノルム、内積が定めるノルム等によって例示される任意のノルムでよい。最大値ノルムは、感情ベクトルの元のうち最も大きな値の元を値とするノルムである。ユークリッドノルムは、感情ベクトルが含む元の２乗和の平方根を値とするノルムである。ｐ次平均ノルムは、感情ベクトルが含む元のｐ乗和のｐ乗根を値とするノルムである。内積が定めるノルムは、指定のベクトルと感情ベクトルとの内積の平方根を値とするノルムである。
【0093】
該ノルムは、なかでも、最大値ノルムであることが好ましい。これにより、感情ベクトルのノルムは、感情ベクトルに含まれる最も強い感情の強さを示すことができる。
【0094】
ノルム等生成ステップが生成する移動平均は、特に限定されない。該移動平均は、例えば、単純移動平均、加重移動平均、指数移動平均等によって例示される公知の移動平均でよい。該移動平均は、生成対象となる解析単位における感情ベクトルのノルムと、その前後の解析単位における感情ベクトルのノルムそれぞれとの移動平均であることが好ましい。これにより、分析装置１は、感情ベクトルのノルムが変化した解析単位との対応がわかりやすい移動平均を生成できる。
【0095】
［ステップＳ７：ノルムと移動平均との相関を生成］
制御部１１は、記憶部１３と協働して評価生成部１１４を実行する。そして、制御部１１は、ステップＳ６で生成されたノルムと移動平均との相関を生成する処理を行う（ステップＳ７、相関生成ステップ）。制御部１１は、処理をステップＳ８へ移す。
制御部１１は、記憶部１３と協働して評価生成部１１４を実行する。そして、制御部１１は、ステップＳ６で生成されたノルムと移動平均との相関を生成する処理を行う（ステップＳ７、相関生成ステップ）。制御部１１は、処理をステップＳ８へ移す。
【0096】
相関生成ステップが生成する相関は、特に限定されない。該相関は、例えば、ピアソンの積率相関係数、スピアマンの順位相関係数、ケンドールの順位相関係数等によって例示される公知の相関でよい。相関を生成する際に参照されるデータは、特に限定されず、例えば、生成対象となる解析単位及びその前後の解析単位における感情ベクトルのノルムの推移及び該ノルムの移動平均の推移等でよい。これにより、分析装置１は、感情ベクトルのノルムが変化した解析単位との対応がわかりやすい相関を生成できる。
【0097】
［ステップＳ８：相関評価を生成］
制御部１１は、記憶部１３と協働して評価生成部１１４を実行する。そして、制御部１１は、ステップＳ７で生成された相関に基づく相関評価を生成する処理を行う（ステップＳ８、相関評価生成ステップ）。制御部１１は、処理をステップＳ９へ移す。
制御部１１は、記憶部１３と協働して評価生成部１１４を実行する。そして、制御部１１は、ステップＳ７で生成された相関に基づく相関評価を生成する処理を行う（ステップＳ８、相関評価生成ステップ）。制御部１１は、処理をステップＳ９へ移す。
【0098】
相関評価生成ステップにおいて相関評価を生成する手順は、特に限定されない。該手順は、例えば、文章全体における相関の値に対応する評価を生成する手順、文章全体における相関の値及びノルムの変化パターンに対応する評価を生成する手順等でよい。
【0099】
文章全体における相関の値及びノルムの変化パターンに対応する評価を生成する手順は、例えば、該変化パターンに応じて、立身出世型、悲劇型、起死回生型、失墜型、シンデレラ型、オイディプス型の６つの類型のいずれに近い文章であるかの評価を生成する手順等が挙げられる。
【0100】
立身出世型は、感情の強さが継続的に上昇する変化パターンに対応する。悲劇型は、感情の強さが継続的に下降する変化パターンに対応する。起死回生型は、感情の強さが下降から上昇に転じる変化パターンに対応する。失墜型は、感情の強さが上昇から下降に転じる変化パターンに対応する。シンデレラ型は、感情の強さが上昇、下降、上昇と変化する変化パターンに対応する。オイディプス型は、感情の強さが下降、上昇、下降と変化する変化パターンに対応する。
【0101】
本実施形態の評価生成ステップは、ノルムだけでなく相関の値も用いるため、分析装置１は、上昇・下降に相当する部分を容易に判別できる。これにより、分析装置１は、６つの型のいずれに近い文章であるかの評価を容易に生成できる。そして、利用者は、該評価によって、文章の特徴を容易に把握できる。
【0102】
（助言を含む評価）
評価生成ステップが生成する評価は、文章取得ステップで取得された文章を改善するための助言を含んでもよい。これにより、利用者は、該助言を用いて該文章を改善できる。該助言は、上述の評価に基づく助言であることが好ましい。このような助言として、例えば、上述の類型における好ましいノルム・相関の変化パターンから外れている部分を修正するよう促す助言、感情平均幅及び／又は感情変化率を類型に適した値に近づけるよう促す助言、感情平均終始差及び／又は感情値終始差を類型に適した値に近づけるよう促す助言、感情値平均をより大きくするよう促す助言等が挙げられる。
評価生成ステップが生成する評価は、文章取得ステップで取得された文章を改善するための助言を含んでもよい。これにより、利用者は、該助言を用いて該文章を改善できる。該助言は、上述の評価に基づく助言であることが好ましい。このような助言として、例えば、上述の類型における好ましいノルム・相関の変化パターンから外れている部分を修正するよう促す助言、感情平均幅及び／又は感情変化率を類型に適した値に近づけるよう促す助言、感情平均終始差及び／又は感情値終始差を類型に適した値に近づけるよう促す助言、感情値平均をより大きくするよう促す助言等が挙げられる。
【0103】
必須の態様ではないが、分析装置１は、要約を生成する要約生成ステップ（ステップＳ９）を実行することが好ましい。
【0104】
［ステップＳ９：要約を生成］
制御部１１は、記憶部１３と協働して要約生成部１１５を実行する。そして、制御部１１は、ステップＳ２で取得した文章の要約を生成する処理を行う（ステップＳ９、要約生成ステップ）。制御部１１は、処理をステップＳ１０へ移す。
制御部１１は、記憶部１３と協働して要約生成部１１５を実行する。そして、制御部１１は、ステップＳ２で取得した文章の要約を生成する処理を行う（ステップＳ９、要約生成ステップ）。制御部１１は、処理をステップＳ１０へ移す。
【0105】
要約を生成する処理は、ステップＳ２で取得された文章とステップＳ４で分割された解析単位と第２機械学習部１２０による機械学習（第２機械学習データ）とに基づいて文章の要約を生成する手順を含む。該手順は、要約に関する推論を、第２機械学習データを用いて行う手順を含む。
【0106】
要約に関し、文章の主題に関する文章中の要素を予め列挙し、該列挙に基づいて要約を生成する手順があり得る。しかしながら、主題に関する文章中の要素は、単語、表現、改行、記号等、多岐に渡る。そのため、この列挙を手作業で行うことは、多大な労力を要し得る。また、列挙に漏れがあった場合、不正確な要約が生成され得る。
【0107】
後述する第２機械学習部１２０による機械学習に基づいて要約を生成する手順は、この列挙を手作業で行うことなく、要約を生成できる。これにより、該手順は、少ない労力でより正確な要約を生成できる。
【0108】
必須の態様ではないが、分析装置１は、登場人物情報を取得する登場人物情報取得ステップ（ステップＳ１０からステップＳ１１）と、登場人物の画像を生成する画像生成ステップ（ステップＳ１２）とを実行することが好ましい。
【0109】
［ステップＳ１０：登場人物情報を取得可能か判別］
制御部１１は、記憶部１３及び通信部１４と協働して登場人物情報取得部１１６を実行する。そして、制御部１１は、登場人物情報を取得可能か判別する処理を行う（ステップＳ１０、登場人物情報取得可否判別ステップ）。取得可能であると判別したならば、制御部１１は、処理をステップＳ２に移す。取得可能であると判別しなかったならば、制御部１１は、処理をステップＳ１３へ移す。
制御部１１は、記憶部１３及び通信部１４と協働して登場人物情報取得部１１６を実行する。そして、制御部１１は、登場人物情報を取得可能か判別する処理を行う（ステップＳ１０、登場人物情報取得可否判別ステップ）。取得可能であると判別したならば、制御部１１は、処理をステップＳ２に移す。取得可能であると判別しなかったならば、制御部１１は、処理をステップＳ１３へ移す。
【0110】
登場人物情報を取得可能か判別する処理は、特に限定されない。該処理は、例えば、登場人物のデータを端末Ｔから受信可能である場合、ネットワーク上における登場人物情報の位置を端末Ｔから受信可能である場合、及び／又は分析装置１に格納された文章から登場人物情報を取得可能である場合に、登場人物情報を取得可能であると判別する処理等でよい。
【0111】
［ステップＳ１１：登場人物情報を取得］
制御部１１は、記憶部１３及び通信部１４と協働して登場人物情報取得部１１６を実行する。そして、制御部１１は、ステップＳ１０で取得可能であると判別された登場人物情報を取得する処理を行う（ステップＳ１１、登場人物情報取得実行ステップ）。制御部１１は、処理をステップＳ１２へ移す。なお、登場人物情報を取得する処理は、取得された登場人物情報を登場人物リスト１３３に格納する処理を含む。
制御部１１は、記憶部１３及び通信部１４と協働して登場人物情報取得部１１６を実行する。そして、制御部１１は、ステップＳ１０で取得可能であると判別された登場人物情報を取得する処理を行う（ステップＳ１１、登場人物情報取得実行ステップ）。制御部１１は、処理をステップＳ１２へ移す。なお、登場人物情報を取得する処理は、取得された登場人物情報を登場人物リスト１３３に格納する処理を含む。
【0112】
登場人物情報を取得する処理は、特に限定されない。該処理は、例えば、登場人物のデータを端末Ｔから受信する手順、ネットワーク上における登場人物情報の位置に基づいて該位置から登場人物情報を取得する手順、文章及び／又は解析単位から機械学習を用いた処理によって登場人物情報を取得する手順等の１以上を含む処理でよい。
【0113】
登場人物情報は、特に限定されず、例えば、登場人物の特徴を示す単語及び／又は表現等を有するテキストを含む情報でよい。登場人物の特徴を示す単語及び／又は表現等は、「画像出力用の専用文言」とも称される。登場人物情報がこのようなテキストを含む場合、登場人物情報取得実行ステップは、画像出力用の専用文言を含むテキストから画像出力用の専用文言を抽出する手順を含むことが好ましい。これにより、分析装置１は、登場人物紹介等のテキストから画像出力用の専用文言を抽出できる。そして、分析装置１は、抽出された画像出力用の専用文言に基づいて画像を生成できる。
【0114】
［ステップＳ１２：登場人物の画像を生成］
制御部１１は、記憶部１３と協働して画像生成部１１７を実行する。そして、制御部１１は、ステップＳ１１で取得した登場人物情報に基づいて登場人物の画像を生成する処理を行う（ステップＳ１２、画像生成ステップ）。制御部１１は、処理をステップＳ１３へ移す。なお、登場人物の画像を生成する処理は、生成された画像を登場人物リスト１３３に格納する処理を含む。
制御部１１は、記憶部１３と協働して画像生成部１１７を実行する。そして、制御部１１は、ステップＳ１１で取得した登場人物情報に基づいて登場人物の画像を生成する処理を行う（ステップＳ１２、画像生成ステップ）。制御部１１は、処理をステップＳ１３へ移す。なお、登場人物の画像を生成する処理は、生成された画像を登場人物リスト１３３に格納する処理を含む。
【0115】
画像を生成する処理は、ステップＳ１１で取得された登場人物情報と第３機械学習部１２１による機械学習（第３機械学習データ）とに基づいて画像を生成する手順を含む。該手順は、拡散モデル、潜在拡散モデル、及び／又は冷たい拡散（Ｃｏｌｄ Ｄｉｆｆｕｓｉｏｎ）モデルに基づく逆拡散プロセスを含むことが好ましい。これにより、分析装置１は、敵対的ネットワークを用いた画像生成より少ない計算量で画像を生成することと、登場人物情報を反映した画像を生成することとを両立できる。
【0116】
評価等を生成した後に、分析装置１は、生成された評価の表示を指令する表示指令ステップ（ステップＳ１３）を実行する。
【0117】
［ステップＳ１３：評価の表示を指令］
制御部１１は、記憶部１３及び通信部１４と協働して表示指令部１１８を実行する。そして、制御部１１は、ステップＳ８で生成された評価の表示を端末Ｔに指令する処理を行う（ステップＳ１３、表示指令ステップ）。制御部１１は、処理をステップＳ１４へ移す。
制御部１１は、記憶部１３及び通信部１４と協働して表示指令部１１８を実行する。そして、制御部１１は、ステップＳ８で生成された評価の表示を端末Ｔに指令する処理を行う（ステップＳ１３、表示指令ステップ）。制御部１１は、処理をステップＳ１４へ移す。
【0118】
分析処理が要約生成ステップを含む場合、表示指令ステップは、要約生成ステップで生成された要約の表示を端末Ｔに指令する手順を含むことが好ましい。また、分析処理が画像生成ステップを含む場合、表示指令ステップは、画像生成ステップで生成された画像の表示を端末Ｔに指令する手順を含むことが好ましい。
【0119】
表示指令ステップは、ステップＳ６で生成された感情ベクトルのノルムのグラフを表示するよう指令可能であることが好ましい。これにより、利用者は、該グラフを介して文章における感情の強さの変化を容易に把握できる。
【0120】
表示指令ステップは、ステップＳ７で生成された相関のグラフを上述のノルムのグラフに重畳して表示するよう指令可能であることが好ましい。これにより、利用者は、これら重畳された２つのグラフを介して、文章における盛り上がりどころを容易に把握できる。
【0121】
表示指令ステップは、ステップＳ５で生成された感情ベクトルのうち、指定された感情の種類に対応する元のグラフを表示するよう指令可能であることが好ましい。これにより、利用者は、該グラフを介して文章における指定された感情の強さの変化を容易に把握できる。
【0122】
表示指令ステップは、感情ベクトルに関する上述の各種評価の１以上を表示するよう指令可能であることが好ましい。これにより、利用者は、これらの評価を用いて文章の特徴を容易に把握できる。
【0123】
［ステップＳ１４：感情ベクトルの生成を機械学習するか判別］
制御部１１は、記憶部１３と協働して第１機械学習部１１９を実行する。そして、制御部１１は、感情ベクトルの生成を機械学習するか判別する処理を行う（ステップＳ１４、第１機械学習要否判別ステップ）。機械学習すると判別したならば、制御部１１は、処理をステップＳ１５に移す。機械学習すると判別しなかったならば、制御部１１は、処理をステップＳ１６へ移す。
制御部１１は、記憶部１３と協働して第１機械学習部１１９を実行する。そして、制御部１１は、感情ベクトルの生成を機械学習するか判別する処理を行う（ステップＳ１４、第１機械学習要否判別ステップ）。機械学習すると判別したならば、制御部１１は、処理をステップＳ１５に移す。機械学習すると判別しなかったならば、制御部１１は、処理をステップＳ１６へ移す。
【0124】
感情ベクトルの生成を機械学習するか判別する処理は、特に限定されず、例えば、感情ベクトルの生成を機械学習すべく定期的に設けられた所定のタイミングであれば感情ベクトルの生成を機械学習すると判別する処理等でよい。
【0125】
［ステップＳ１５：感情ベクトルの生成を機械学習］
制御部１１は、記憶部１３と協働して第１機械学習部１１９を実行する。そして、制御部１１は、ステップＳ２で取得された文章及びステップＳ４で分割された解析単位に基づく感情ベクトルの生成を機械学習する処理を行う（ステップＳ１５、第１機械学習実行ステップ）。制御部１１は、処理をステップＳ１６へ移す。該手順は、機械学習によって得られた学習データ（第１機械学習データ）を、記憶部１３に格納する手順を含む。
制御部１１は、記憶部１３と協働して第１機械学習部１１９を実行する。そして、制御部１１は、ステップＳ２で取得された文章及びステップＳ４で分割された解析単位に基づく感情ベクトルの生成を機械学習する処理を行う（ステップＳ１５、第１機械学習実行ステップ）。制御部１１は、処理をステップＳ１６へ移す。該手順は、機械学習によって得られた学習データ（第１機械学習データ）を、記憶部１３に格納する手順を含む。
【0126】
感情ベクトルの生成を機械学習する処理は、特に限定されない。該処理は、例えば、条件付き確率場（Ｃｏｎｄｉｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄ、ＣＲＦ）、構造化サポートベクターマシン、回帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＲＮＮ）、及び長・短期記憶（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ、ＬＳＴＭ）並びにこれらの手法の組合せ・改良手法等を用いて文章及び解析単位からの感情ベクトル生成を機械学習する手順等でよい。
【0127】
［ステップＳ１６：要約の生成を機械学習するか判別］
制御部１１は、記憶部１３と協働して第２機械学習部１２０を実行する。そして、制御部１１は、要約の生成を機械学習するか判別する処理を行う（ステップＳ１６、第２機械学習要否判別ステップ）。機械学習すると判別したならば、制御部１１は、処理をステップＳ１７に移す。機械学習すると判別しなかったならば、制御部１１は、処理をステップＳ１８へ移す。
制御部１１は、記憶部１３と協働して第２機械学習部１２０を実行する。そして、制御部１１は、要約の生成を機械学習するか判別する処理を行う（ステップＳ１６、第２機械学習要否判別ステップ）。機械学習すると判別したならば、制御部１１は、処理をステップＳ１７に移す。機械学習すると判別しなかったならば、制御部１１は、処理をステップＳ１８へ移す。
【0128】
要約の生成を機械学習するか判別する処理は、特に限定されず、例えば、要約の生成を機械学習すべく定期的に設けられた所定のタイミングであれば要約の生成を機械学習すると判別する処理等でよい。
【0129】
［ステップＳ１７：要約の生成を機械学習］
制御部１１は、記憶部１３と協働して第２機械学習部１２０を実行する。そして、制御部１１は、ステップＳ２で取得された文章及びステップＳ４で分割された解析単位に基づく要約の生成を機械学習する処理を行う（ステップＳ１７、第２機械学習実行ステップ）。制御部１１は、処理をステップＳ１６へ移す。該手順は、機械学習によって得られた学習データ（第２機械学習データ）を、記憶部１３に格納する手順を含む。
制御部１１は、記憶部１３と協働して第２機械学習部１２０を実行する。そして、制御部１１は、ステップＳ２で取得された文章及びステップＳ４で分割された解析単位に基づく要約の生成を機械学習する処理を行う（ステップＳ１７、第２機械学習実行ステップ）。制御部１１は、処理をステップＳ１６へ移す。該手順は、機械学習によって得られた学習データ（第２機械学習データ）を、記憶部１３に格納する手順を含む。
【0130】
要約の生成を機械学習する処理は、特に限定されない。該処理は、例えば、Ｅｎｃｏｒｄｅｒ－Ｄｅｃｏｒｄｅｒモデル、注意（Ａｔｔｅｎｔｉｏｎ）機構付きの回帰型ニューラルネットワーク、トランスフォーマー（Ｔｒａｎｓｆｏｒｍｅｒ）、及びＲｅｆｏｒｍｅｒ並びにこれらの手法の組合せ・改良手法等を用いて文章及び解析単位からの要約生成を機械学習する手順等でよい。
【0131】
［ステップＳ１８：画像の生成を機械学習するか判別］
制御部１１は、記憶部１３と協働して第３機械学習部１２１を実行する。そして、制御部１１は、画像の生成を機械学習するか判別する処理を行う（ステップＳ１８、第３機械学習要否判別ステップ）。機械学習すると判別したならば、制御部１１は、処理をステップＳ１９に移す。機械学習すると判別しなかったならば、制御部１１は、処理をステップＳ１へ移し、ステップＳ１からステップＳ１９までの処理を繰り返す。
制御部１１は、記憶部１３と協働して第３機械学習部１２１を実行する。そして、制御部１１は、画像の生成を機械学習するか判別する処理を行う（ステップＳ１８、第３機械学習要否判別ステップ）。機械学習すると判別したならば、制御部１１は、処理をステップＳ１９に移す。機械学習すると判別しなかったならば、制御部１１は、処理をステップＳ１へ移し、ステップＳ１からステップＳ１９までの処理を繰り返す。
【0132】
画像の生成を機械学習するか判別する処理は、特に限定されず、例えば、画像の生成を機械学習すべく定期的に設けられた所定のタイミングであれば画像の生成を機械学習すると判別する処理等でよい。
【0133】
［ステップＳ１９：画像の生成を機械学習］
制御部１１は、記憶部１３と協働して第３機械学習部１２１を実行する。そして、制御部１１は、ステップＳ１１で取得された登場人物情報に基づく画像の生成を機械学習する処理を行う（ステップＳ１９、第３機械学習実行ステップ）。制御部１１は、処理をステップＳ１へ移し、ステップＳ１からステップＳ１９までの処理を繰り返す。該手順は、機械学習によって得られた学習データ（第３機械学習データ）を、記憶部１３に格納する手順を含む。
制御部１１は、記憶部１３と協働して第３機械学習部１２１を実行する。そして、制御部１１は、ステップＳ１１で取得された登場人物情報に基づく画像の生成を機械学習する処理を行う（ステップＳ１９、第３機械学習実行ステップ）。制御部１１は、処理をステップＳ１へ移し、ステップＳ１からステップＳ１９までの処理を繰り返す。該手順は、機械学習によって得られた学習データ（第３機械学習データ）を、記憶部１３に格納する手順を含む。
【0134】
画像の生成を機械学習する処理は、特に限定されない。該処理は、例えば、拡散モデル、潜在拡散モデル、及び／又は冷たい拡散（Ｃｏｌｄ Ｄｉｆｆｕｓｉｏｎ）モデル並びにこれらの手法の組合せ・改良手法等を用いて登場人物情報からの画像生成を機械学習する手順等でよい。
【0135】
［分析処理の効果］
本実施形態の分析処理を実行することにより、分析装置１は、取得した文章を複数の解析単位に分割し、解析単位ごとの感情ベクトルの推移を生成できる。すなわち、分析装置１は、取得した文章において、複数種類の感情値が解析単位ごとにどのように変化するかの推移を生成できる。
本実施形態の分析処理を実行することにより、分析装置１は、取得した文章を複数の解析単位に分割し、解析単位ごとの感情ベクトルの推移を生成できる。すなわち、分析装置１は、取得した文章において、複数種類の感情値が解析単位ごとにどのように変化するかの推移を生成できる。
【0136】
上述のとおり、感情ベクトルのノルムは、対応する解析単位における総合的な感情の強さに対応する。一方、感情ベクトルのノルムの移動平均は、対応する解析単位だけでなく、その周辺の解析単位をも含めた部分における総合的な感情の強さに対応する。そして、該ノルムと該ノルムの移動平均との相関を用いれば、文章において、総合的な感情の強さが急激に変化して強くなる盛り上がりどころがいずれの解析単位に対応するかを評価できる。
【0137】
本実施形態の分析処理を実行する分析装置１は、感情ベクトルのノルムとノルムの移動平均との相関に関する相関評価を生成し、表示可能である。よって、分析装置１は、文章における盛り上がりどころに関する分析結果を表示できる。よって、利用者は、文章の特徴をよりいっそう容易に把握できる。
【0138】
〔分析装置１の使用例〕
以下は、本実施形態における分析装置１の使用例の説明である。
以下は、本実施形態における分析装置１の使用例の説明である。
【0139】
［分析対象とする文章を指定］
利用者は、分析対象とする文章を指定する。この指定は、分析対象とする文章の分析装置１へのアップロード、既にアップロードした文章を指定する情報の送信等によって実現される。
利用者は、分析対象とする文章を指定する。この指定は、分析対象とする文章の分析装置１へのアップロード、既にアップロードした文章を指定する情報の送信等によって実現される。
【0140】
［分析の実行］
分析装置１は、指定された文章を取得し、解析単位（シーン）に分割する。そして、分析装置１は、解析単位ごとの感情ベクトルの推移を生成する。分析装置１は、感情ベクトルのノルム及び該ノルムの移動平均を生成する。分析装置１は、該ノルム及び該移動平均の相関を生成し、該相関に基づく評価を生成する。
分析装置１は、指定された文章を取得し、解析単位（シーン）に分割する。そして、分析装置１は、解析単位ごとの感情ベクトルの推移を生成する。分析装置１は、感情ベクトルのノルム及び該ノルムの移動平均を生成する。分析装置１は、該ノルム及び該移動平均の相関を生成し、該相関に基づく評価を生成する。
【0141】
【0142】
この例では、分析対象となる文章の表題と、感情ベクトルのノルム（実線）、移動平均（一点破線）、相関（破線）のシーン（解析単位）ごとの推移を示すグラフと、評価を示すテキストと、が表示されている。
【0143】
利用者は、実線で示された感情ベクトルのノルムのグラフから、該文章における感情の強さの推移を容易に把握できる。利用者は、一点破線で示された感情ベクトルのノルムの移動平均のグラフから、該文章における感情の強さの推移の概略を把握できる。そして、利用者は、破線で示された感情ベクトルのノルムと該ノルムの移動平均との相関のグラフから、該文章における盛り上がりどころが序盤の第３シーン近傍と終盤の第９シーン近傍とにあることを容易に把握できる。
【0144】
加えて、利用者は、評価を示すテキストから、文章の類型がオイディプス型に近いことを把握できる。そして、利用者は、緩急がなく平坦な文章のミッドポイントを低くし、盛り上がるポイントのメリハリをつけるとの助言を用いて、文章を改善できる。
【0145】
したがって、本実施形態の分析装置１によれば、利用者は、文章の特徴を容易に把握し、該文章を改善できる。
【0146】
＜変形例＞画像を含む文章の分析
分析装置１は、画像を含む文章の特徴を分析するよう構成可能である。
分析装置１は、画像を含む文章の特徴を分析するよう構成可能である。
【0147】
本変形例の分析装置１は、以下の点において実施形態の分析装置１と異なる。
【0148】
〔分析装置１〕
本変形例の分析装置１がサーバ群として構成される場合、該サーバ群は、文章に係る感情ベクトルの推移を生成する文字列用深層学習サーバと、画像に係る感情ベクトルの推移を生成する画像用深層学習サーバとをさらに含んで構成されることが好ましい。
本変形例の分析装置１がサーバ群として構成される場合、該サーバ群は、文章に係る感情ベクトルの推移を生成する文字列用深層学習サーバと、画像に係る感情ベクトルの推移を生成する画像用深層学習サーバとをさらに含んで構成されることが好ましい。
【0149】
［記憶部１３］
本変形例の記憶部１３には、文章である解析単位に基づく感情ベクトルの生成の機械学習が行われた第１機械学習に加えて、画像である解析単位に基づく感情ベクトルの生成の機械学習が行われた第４機械学習（所定の機械学習）が格納される。また、本変形例の記憶部１３に格納される文章リスト１３１は、画像を含む文章を格納可能であるよう構成される。加えて、本変形例の記憶部１３に格納される解析単位リスト１３２は、画像である解析単位を格納可能であるよう構成される。
本変形例の記憶部１３には、文章である解析単位に基づく感情ベクトルの生成の機械学習が行われた第１機械学習に加えて、画像である解析単位に基づく感情ベクトルの生成の機械学習が行われた第４機械学習（所定の機械学習）が格納される。また、本変形例の記憶部１３に格納される文章リスト１３１は、画像を含む文章を格納可能であるよう構成される。加えて、本変形例の記憶部１３に格納される解析単位リスト１３２は、画像である解析単位を格納可能であるよう構成される。
【0150】
〔本変形例の分析処理〕
本変形例の分析処理は、以下の点において実施形態の分析処理と異なる。
本変形例の分析処理は、以下の点において実施形態の分析処理と異なる。
【0151】
［ステップＳ１からＳ２（文章取得ステップ）］
本変形例の文章取得ステップは、画像を含む文章を取得可能である。このような文章として、例えば、文章及び画像を含むＷｅｂページ、文章及び画像を含むＰＤＦファイル、文章及び画像を含む電子書籍等の各種態様の文章が挙げられる。
本変形例の文章取得ステップは、画像を含む文章を取得可能である。このような文章として、例えば、文章及び画像を含むＷｅｂページ、文章及び画像を含むＰＤＦファイル、文章及び画像を含む電子書籍等の各種態様の文章が挙げられる。
【0152】
［ステップＳ３からＳ４（文章分割ステップ）］
本変形例の文章分割ステップは、文章の様式が画像を含む様式であると判別した場合に、画像それぞれが独立した解析単位となるよう文章を分割可能である。
本変形例の文章分割ステップは、文章の様式が画像を含む様式であると判別した場合に、画像それぞれが独立した解析単位となるよう文章を分割可能である。
【0153】
［ステップＳ５（感情ベクトル生成ステップ）］
本変形例の感情ベクトル生成ステップは、生成の対象となる解析単位が文章である場合、第１機械学習に基づいて感情ベクトルの推移を生成し、生成の対象となる解析単位が画像である場合、第４機械学習に基づいて感情ベクトルの推移を生成する。
本変形例の感情ベクトル生成ステップは、生成の対象となる解析単位が文章である場合、第１機械学習に基づいて感情ベクトルの推移を生成し、生成の対象となる解析単位が画像である場合、第４機械学習に基づいて感情ベクトルの推移を生成する。
【0154】
本変形例の感情ベクトル生成ステップは、第１機械学習に基づいて生成された感情ベクトルの推移と第４機械学習に基づいて生成された感情ベクトルの推移とが一群の感情ベクトルの推移を構成するよう、第１機械学習及び／又は第４機械学習に基づいて生成された感情ベクトルを補正する手順を含む。これにより、分析装置１は、異なる機械学習に基づいて生成された感情ベクトルを合成して一群の感情ベクトルの推移とすることができる。
【0155】
〔本変形例の分析装置１がもたらす効果〕
文章が写真、挿絵等の画像を含む場合、そのような画像は、文章によって引き起こされる感情に影響を及ぼし得る。例えば、悲惨な情景を写した写真を見た場合、読者は、悲しみ、怒り、恐怖等の感情を引き起こされ得る。また、例えば、笑顔の人物が描かれた挿絵を見た場合、読者は、期待、喜び等の感情を引き起こされ得る。したがって、画像を含む文章について、画像をも考慮した文章の特徴を分析する要望がある。
文章が写真、挿絵等の画像を含む場合、そのような画像は、文章によって引き起こされる感情に影響を及ぼし得る。例えば、悲惨な情景を写した写真を見た場合、読者は、悲しみ、怒り、恐怖等の感情を引き起こされ得る。また、例えば、笑顔の人物が描かれた挿絵を見た場合、読者は、期待、喜び等の感情を引き起こされ得る。したがって、画像を含む文章について、画像をも考慮した文章の特徴を分析する要望がある。
【0156】
本変形例の分析装置１は、画像を含む文章について、文章だけでなく画像をも考慮した文章の特徴を分析可能である。本変形例の分析装置１は、画像である解析単位に基づく感情ベクトルの生成の機械学習が行われた第４機械学習を用いて画像に係る感情ベクトルを生成するため、機械学習に基づく客観的なアルゴリズムによって画像に係る感情ベクトルを生成できる。
【0157】
よって、本変形例の分析装置１は、画像を含む文章の特徴を容易に把握可能な分析結果を提供できる。
【0158】
〔変形例の分析装置１がサーバ群である場合の分析処理〕
図９は、変形例について、サーバ群である分析装置１で実行される分析処理の好ましい流れの一例を示すフローチャートである。図１０は、図９に続く図である。以下は、図９及び図１０を用いた、本変形例の分析装置１が通常サーバ、画像用深層学習サーバ、文字列用深層学習サーバを含むサーバ群である場合の分析処理の好ましい流れの一例の説明である。
図９は、変形例について、サーバ群である分析装置１で実行される分析処理の好ましい流れの一例を示すフローチャートである。図１０は、図９に続く図である。以下は、図９及び図１０を用いた、本変形例の分析装置１が通常サーバ、画像用深層学習サーバ、文字列用深層学習サーバを含むサーバ群である場合の分析処理の好ましい流れの一例の説明である。
【0159】
まず、通常サーバにおける処理の流れ（ステップＳ１０１からステップＳ１１０）のうち、ステップＳ１０１からステップＳ１０４が説明される。
【0160】
［ステップＳ１０１：文章取得］
通常サーバは、分析対象となる文章を取得する処理を実行する（ステップＳ１０１、文章取得ステップ）。通常サーバは、処理をステップＳ１０２に移す。文章取得ステップは、図５のステップＳ１からステップＳ２と同様でよい。
通常サーバは、分析対象となる文章を取得する処理を実行する（ステップＳ１０１、文章取得ステップ）。通常サーバは、処理をステップＳ１０２に移す。文章取得ステップは、図５のステップＳ１からステップＳ２と同様でよい。
【0161】
［ステップＳ１０２：解析単位に分割］
通常サーバは、ステップＳ１０１で取得された文章を解析単位に分割する処理を実行する（ステップＳ１０２、文章分割ステップ）。通常サーバは、処理をステップＳ１０３に移す。文章分割ステップは、図５のステップＳ３からステップＳ４と同様でよい。
通常サーバは、ステップＳ１０１で取得された文章を解析単位に分割する処理を実行する（ステップＳ１０２、文章分割ステップ）。通常サーバは、処理をステップＳ１０３に移す。文章分割ステップは、図５のステップＳ３からステップＳ４と同様でよい。
【0162】
［ステップＳ１０３：解析単位を他サーバから取得可能とする］
通常サーバは、ステップＳ１０２で分割された解析単位のそれぞれを他サーバから取得可能とする処理を実行する（ステップＳ１０３、取得準備ステップ）。通常サーバは、処理をステップＳ１０４に移す。取得準備ステップは、例えば、ＵＲＬ等の識別子を用いて解析単位を取得可能とする手順等を含む。他サーバから取得可能な解析単位の格納先は、特に限定されない。該格納先は、例えば、通常サーバ、ステップＳ１０１で取得された文章を公開しているサーバ等でよい。
通常サーバは、ステップＳ１０２で分割された解析単位のそれぞれを他サーバから取得可能とする処理を実行する（ステップＳ１０３、取得準備ステップ）。通常サーバは、処理をステップＳ１０４に移す。取得準備ステップは、例えば、ＵＲＬ等の識別子を用いて解析単位を取得可能とする手順等を含む。他サーバから取得可能な解析単位の格納先は、特に限定されない。該格納先は、例えば、通常サーバ、ステップＳ１０１で取得された文章を公開しているサーバ等でよい。
【0163】
［ステップＳ１０４：解析単位の解析を指令する］
通常サーバは、解析単位の種類に応じたサーバに、解析単位の解析を指令する処理を実行する（ステップＳ１０４、解析指令ステップ）。
通常サーバは、解析単位の種類に応じたサーバに、解析単位の解析を指令する処理を実行する（ステップＳ１０４、解析指令ステップ）。
【0164】
解析指令ステップにおいて、通常サーバは、画像からなる解析単位（解析単位（画像）Ｄ１）について、画像用深層学習サーバに解析を指令する。そして、感情ベクトルＤ３を画像用深層学習サーバから取得したときに、通常サーバは、処理をステップＳ１０５に移す。
【0165】
また、解析指令ステップにおいて、通常サーバは、画像を含まない解析単位（解析単位（文章）Ｄ２）について、文字列用深層学習サーバに解析を指令する。そして、感情ベクトルＤ４を文字列用深層学習サーバから取得したときに、通常サーバは、処理をステップＳ１０６に移す。
【0166】
ステップＳ１０５以降に係る説明の前に、画像用深層学習サーバにおける処理（ステップＳ２０１からステップＳ２０３）及び文字列用深層学習サーバにおける処理（ステップＳ３０１からステップＳ３０４）が説明される。
【0167】
以下は、画像用深層学習サーバにおける処理（ステップＳ２０１からステップＳ２０３）の説明である。
【0168】
［ステップＳ２０１：第４機械学習を取得］
画像用深層学習サーバは、画像に基づく感情ベクトルの生成に係る第４機械学習を取得する処理を実行する（ステップＳ２０１、第４機械学習取得ステップ）。画像用深層学習サーバは、処理をステップＳ２０２に移す。
画像用深層学習サーバは、画像に基づく感情ベクトルの生成に係る第４機械学習を取得する処理を実行する（ステップＳ２０１、第４機械学習取得ステップ）。画像用深層学習サーバは、処理をステップＳ２０２に移す。
【0169】
［ステップＳ２０２：画像に係る推論を実行］
画像用深層学習サーバは、第４機械学習に基づいて、ステップＳ１０４で解析を指令された解析単位Ｄ１の画像に係る感情ベクトルの推論を行う処理を実行する（ステップＳ２０２、画像推論ステップ）。画像用深層学習サーバは、処理をステップＳ２０３に移す。
画像用深層学習サーバは、第４機械学習に基づいて、ステップＳ１０４で解析を指令された解析単位Ｄ１の画像に係る感情ベクトルの推論を行う処理を実行する（ステップＳ２０２、画像推論ステップ）。画像用深層学習サーバは、処理をステップＳ２０３に移す。
【0170】
［ステップＳ２０３：推論結果を感情ベクトルとして返す］
画像用深層学習サーバは、ステップＳ２０２で推論された感情ベクトルの推論結果を感情ベクトルＤ３として通常サーバに返す処理を実行する（ステップＳ２０３、画像推論結果提供ステップ）。画像用深層学習サーバは、処理を終了する。
画像用深層学習サーバは、ステップＳ２０２で推論された感情ベクトルの推論結果を感情ベクトルＤ３として通常サーバに返す処理を実行する（ステップＳ２０３、画像推論結果提供ステップ）。画像用深層学習サーバは、処理を終了する。
【0171】
以下は、文字列用深層学習サーバにおける処理（ステップＳ３０１からステップＳ３０４）の説明である。
【0172】
［ステップＳ３０１：分かち書きをする］
文字列用深層学習サーバは、ステップＳ１０４で解析を指令された解析単位Ｄ２の文章を分かち書きする処理を実行する（ステップＳ３０１、分かち書きステップ）。文字列用深層学習サーバは、処理をステップＳ３０３に移す。分かち書きステップは、特に限定されない。分かち書きステップは、解析単位Ｄ２の文章を第１機械学習における解析に適した処理単位で分かち書きする手順を含む。該処理単位は、例えば、文節、単語等である。
文字列用深層学習サーバは、ステップＳ１０４で解析を指令された解析単位Ｄ２の文章を分かち書きする処理を実行する（ステップＳ３０１、分かち書きステップ）。文字列用深層学習サーバは、処理をステップＳ３０３に移す。分かち書きステップは、特に限定されない。分かち書きステップは、解析単位Ｄ２の文章を第１機械学習における解析に適した処理単位で分かち書きする手順を含む。該処理単位は、例えば、文節、単語等である。
【0173】
［ステップＳ３０２：第１機械学習を取得］
文字列用深層学習サーバは、文章に基づく感情ベクトルの生成に係る第１機械学習を取得する処理を実行する（ステップＳ３０２、第１機械学習取得ステップ）。文字列用深層学習サーバは、処理をステップＳ３０３に移す。
文字列用深層学習サーバは、文章に基づく感情ベクトルの生成に係る第１機械学習を取得する処理を実行する（ステップＳ３０２、第１機械学習取得ステップ）。文字列用深層学習サーバは、処理をステップＳ３０３に移す。
【0174】
［ステップＳ３０３：文章に係る推論を実行］
文字列用深層学習サーバは、第１機械学習に基づいて、ステップＳ３０１で分かち書きされた解析単位Ｄ２の文章に係る感情ベクトルの推論を行う処理を実行する（ステップＳ３０３、文字列推論ステップ）。文字列用深層学習サーバは、処理をステップＳ３０４に移す。
文字列用深層学習サーバは、第１機械学習に基づいて、ステップＳ３０１で分かち書きされた解析単位Ｄ２の文章に係る感情ベクトルの推論を行う処理を実行する（ステップＳ３０３、文字列推論ステップ）。文字列用深層学習サーバは、処理をステップＳ３０４に移す。
【0175】
［ステップＳ３０４：推論結果を感情ベクトルとして返す］
文字列用深層学習サーバは、ステップＳ３０３で推論された感情ベクトルの推論結果を感情ベクトルＤ４として通常サーバに返す処理を実行する（ステップＳ２０３、文字列推論結果提供ステップ）。文字列用深層学習サーバは、処理を終了する。
文字列用深層学習サーバは、ステップＳ３０３で推論された感情ベクトルの推論結果を感情ベクトルＤ４として通常サーバに返す処理を実行する（ステップＳ２０３、文字列推論結果提供ステップ）。文字列用深層学習サーバは、処理を終了する。
【0176】
説明は、通常サーバにおける処理に係る内容に戻る。
【0177】
［ステップＳ１０５：画像に係る感情ベクトルを補正］
画像用深層学習サーバから感情ベクトルＤ３を取得した通常サーバは、画像に係る感情ベクトルＤ３を補正する処理を実行する（ステップＳ１０５、補正ステップ）。通常サーバは、処理をステップＳ１０６に移す。
画像用深層学習サーバから感情ベクトルＤ３を取得した通常サーバは、画像に係る感情ベクトルＤ３を補正する処理を実行する（ステップＳ１０５、補正ステップ）。通常サーバは、処理をステップＳ１０６に移す。
【0178】
［ステップＳ１０６：感情ベクトルを抽出］
通常サーバは、ステップＳ１０５で補正された感情ベクトルＤ３又は文字列用深層学習サーバから取得された感情ベクトルＤ４を抽出する処理を実行する（ステップＳ１０６、抽出ステップ）。通常サーバは、処理をステップＳ１０７に移す。
通常サーバは、ステップＳ１０５で補正された感情ベクトルＤ３又は文字列用深層学習サーバから取得された感情ベクトルＤ４を抽出する処理を実行する（ステップＳ１０６、抽出ステップ）。通常サーバは、処理をステップＳ１０７に移す。
【0179】
［ステップＳ１０７：解析単位全てを推論したか判別］
通常サーバは、ステップＳ１０２で分割された解析単位全てを推論したか判別する処理を実行する（ステップＳ１０７、推論完了判別ステップ）。全てを推論したと判別したならば、通常サーバは、処理をステップＳ１０８に移す。全てを推論したと判別しなかったならば、通常サーバは、処理をステップＳ１０４に移す。
通常サーバは、ステップＳ１０２で分割された解析単位全てを推論したか判別する処理を実行する（ステップＳ１０７、推論完了判別ステップ）。全てを推論したと判別したならば、通常サーバは、処理をステップＳ１０８に移す。全てを推論したと判別しなかったならば、通常サーバは、処理をステップＳ１０４に移す。
【0180】
［ステップＳ１０８：結果を格納］
通常サーバは、ステップＳ１０６で抽出された感情ベクトルＤ３及び感情ベクトルＤ４を含む結果を格納する処理を実行する（ステップＳ１０８、格納ステップ）。通常サーバは、処理をステップＳ１０９に移す。
通常サーバは、ステップＳ１０６で抽出された感情ベクトルＤ３及び感情ベクトルＤ４を含む結果を格納する処理を実行する（ステップＳ１０８、格納ステップ）。通常サーバは、処理をステップＳ１０９に移す。
【0181】
［ステップＳ１０９：感情ベクトルのノルム等を生成］
通常サーバは、ステップＳ１０９で格納された感情ベクトルのノルム等を生成する処理を実行する（ステップＳ１０９、ノルム等生成ステップ）。通常サーバは、処理をステップＳ１１０に移す。ノルム等生成ステップは、図５のステップＳ６と同様でよい。ノルム等生成ステップは、感情ベクトルのノルム及び該ノルムの移動平均を生成する。
通常サーバは、ステップＳ１０９で格納された感情ベクトルのノルム等を生成する処理を実行する（ステップＳ１０９、ノルム等生成ステップ）。通常サーバは、処理をステップＳ１１０に移す。ノルム等生成ステップは、図５のステップＳ６と同様でよい。ノルム等生成ステップは、感情ベクトルのノルム及び該ノルムの移動平均を生成する。
【0182】
［ステップＳ１１０：ノルム等に係る相関評価等を生成・表示］
通常サーバは、ステップＳ１１０で生成されたノルム等に係る相関評価等を生成・表示する処理を実行する（ステップＳ１１０、相関評価等生成・表示ステップ）。通常サーバは、処理を終了する。相関評価等生成・表示ステップは、図５のステップＳ７から図６のステップＳ１３までと同様でよい。相関評価等生成・表示ステップは、ノルムと該ノルムの移動平均との相関に係る相関評価を生成し、該相関評価を含む文章の評価を表示する。
通常サーバは、ステップＳ１１０で生成されたノルム等に係る相関評価等を生成・表示する処理を実行する（ステップＳ１１０、相関評価等生成・表示ステップ）。通常サーバは、処理を終了する。相関評価等生成・表示ステップは、図５のステップＳ７から図６のステップＳ１３までと同様でよい。相関評価等生成・表示ステップは、ノルムと該ノルムの移動平均との相関に係る相関評価を生成し、該相関評価を含む文章の評価を表示する。
【0183】
［変形例の分析装置１がサーバ群である場合の分析処理の効果］
上述の分析処理により、サーバ群である分析装置１は、文字列用深層学習サーバと画像用深層学習サーバとにおいて異なる処理単位に対応する感情ベクトルを並列に生成できる。これにより、分析装置１は、画像に係る感情ベクトルをも考慮するより複雑な処理を実行するにも拘わらず、一体の装置として構成された分析装置１より迅速に文章に係る評価を生成・表示できる。また、サーバ群である分析装置１の各サーバは、一体の装置として構成された分析装置１より簡易かつ保守性が高い構成となり得る。これにより、分析装置１の保守性及び経済性が高められ得る。
上述の分析処理により、サーバ群である分析装置１は、文字列用深層学習サーバと画像用深層学習サーバとにおいて異なる処理単位に対応する感情ベクトルを並列に生成できる。これにより、分析装置１は、画像に係る感情ベクトルをも考慮するより複雑な処理を実行するにも拘わらず、一体の装置として構成された分析装置１より迅速に文章に係る評価を生成・表示できる。また、サーバ群である分析装置１の各サーバは、一体の装置として構成された分析装置１より簡易かつ保守性が高い構成となり得る。これにより、分析装置１の保守性及び経済性が高められ得る。
【0184】
［画像である解析単位に基づく感情ベクトルの生成の機械学習について］
本変形例の分析装置１は、第４機械学習に係る機械学習を実行する第４機械学習部（図示せず）を含んで構成されることが好ましい。これにより、分析装置１は、画像である解析単位に基づく感情ベクトルの生成の機械学習をさらに行うことができる。これにより、分析装置１は、その運用中において感情解析の精度をよりいっそう高め得る。このとき、サーバ群は、第４機械学習部を実現する学習サーバ（画像用学習サーバ）をさらに含んで構成されることが好ましい。これにより、分析装置１は、文章の評価と学習とを並列に実行できる。そして、分析装置１は、並列実行に係る上述の各種効果を得うる。
本変形例の分析装置１は、第４機械学習に係る機械学習を実行する第４機械学習部（図示せず）を含んで構成されることが好ましい。これにより、分析装置１は、画像である解析単位に基づく感情ベクトルの生成の機械学習をさらに行うことができる。これにより、分析装置１は、その運用中において感情解析の精度をよりいっそう高め得る。このとき、サーバ群は、第４機械学習部を実現する学習サーバ（画像用学習サーバ）をさらに含んで構成されることが好ましい。これにより、分析装置１は、文章の評価と学習とを並列に実行できる。そして、分析装置１は、並列実行に係る上述の各種効果を得うる。
【0185】
＜変形例２＞動画、画像を含む文章、又は画像等を伴わない文章の分析
分析装置１は、動画、画像を含む文章、又は画像等を伴わない文章の特徴を分析するよう構成可能である。
分析装置１は、動画、画像を含む文章、又は画像等を伴わない文章の特徴を分析するよう構成可能である。
【0186】
変形例２の分析装置１は、変形例の分析装置１と同様である。
【0187】
〔変形例２の分析処理〕
図１１は、変形例２について、サーバ群である分析装置１で実行される分析処理の好ましい流れの別の例を示すフローチャートである。変形例２の分析処理は、以下の点において変形例の分析処理と異なる。
図１１は、変形例２について、サーバ群である分析装置１で実行される分析処理の好ましい流れの別の例を示すフローチャートである。変形例２の分析処理は、以下の点において変形例の分析処理と異なる。
【0188】
［ステップＳ１２１：ファイル取得］
変形例２の分析処理において、通常サーバは、ステップＳ１０１の文章取得ステップを実行する代わりに、端末Ｔ等からファイルを取得する処理を実行する（ステップＳ１２１、ファイル取得ステップ）。通常サーバは、処理をステップＳ１２２に移す。
変形例２の分析処理において、通常サーバは、ステップＳ１０１の文章取得ステップを実行する代わりに、端末Ｔ等からファイルを取得する処理を実行する（ステップＳ１２１、ファイル取得ステップ）。通常サーバは、処理をステップＳ１２２に移す。
【0189】
［ステップＳ１２２：解析単位生成処理］
変形例２の分析処理において、通常サーバは、ステップＳ１０２の文章分割ステップを実行する代わりに、解析単位生成処理を実行する（ステップＳ１２２、解析単位生成処理実行ステップ）。通常サーバは、処理をステップＳ１０３に移す。解析単位生成処理は、後に図１２及び図１３を用いてより詳細に説明される。
変形例２の分析処理において、通常サーバは、ステップＳ１０２の文章分割ステップを実行する代わりに、解析単位生成処理を実行する（ステップＳ１２２、解析単位生成処理実行ステップ）。通常サーバは、処理をステップＳ１０３に移す。解析単位生成処理は、後に図１２及び図１３を用いてより詳細に説明される。
【0190】
［ステップＳ１２５：推論結果補正処理］
変形例２の分析処理において、通常サーバは、ステップＳ１０５の補正ステップを実行する代わりに、推論結果補正処理を実行する（ステップＳ１２５、推論結果補正処理実行ステップ）。通常サーバは、処理をステップＳ１０６に移す。推論結果補正処理は、後に図１４及び図１５を用いてより詳細に説明される。
変形例２の分析処理において、通常サーバは、ステップＳ１０５の補正ステップを実行する代わりに、推論結果補正処理を実行する（ステップＳ１２５、推論結果補正処理実行ステップ）。通常サーバは、処理をステップＳ１０６に移す。推論結果補正処理は、後に図１４及び図１５を用いてより詳細に説明される。
【0191】
〔解析単位生成処理〕
図１２は、図１１のステップＳ１２２で実行される解析単位生成処理のフローチャートである。図１３は、図１２に続く図である。以下は、図１２及び図１３を用いた、図１１のステップＳ１２２で実行される解析単位生成処理の好ましい流れの一例である。
図１２は、図１１のステップＳ１２２で実行される解析単位生成処理のフローチャートである。図１３は、図１２に続く図である。以下は、図１２及び図１３を用いた、図１１のステップＳ１２２で実行される解析単位生成処理の好ましい流れの一例である。
【0192】
［ステップＳ４０１：利用者の入力を取得］
通常サーバは、端末Ｔ等から利用者の入力を取得する処理を実行する（ステップＳ４０１、入力取得ステップ）。通常サーバは、処理をステップＳ４０２に移す。入力取得ステップは、特に限定されない。入力取得ステップは、例えば、端末Ｔに表示されたＧＵＩからの入力を取得する手順等を含む。
通常サーバは、端末Ｔ等から利用者の入力を取得する処理を実行する（ステップＳ４０１、入力取得ステップ）。通常サーバは、処理をステップＳ４０２に移す。入力取得ステップは、特に限定されない。入力取得ステップは、例えば、端末Ｔに表示されたＧＵＩからの入力を取得する手順等を含む。
【0193】
［ステップＳ４０２：動画か判別］
通常サーバは、ステップＳ１２１で取得したファイルが動画であるか判別する処理を実行する（ステップＳ４０２、第１動画判別ステップ）。動画であると判別したならば、通常サーバは、処理をステップＳ４０３に移す。動画であると判別しなかったならば、通常サーバは、処理をステップＳ４０６に移す。
通常サーバは、ステップＳ１２１で取得したファイルが動画であるか判別する処理を実行する（ステップＳ４０２、第１動画判別ステップ）。動画であると判別したならば、通常サーバは、処理をステップＳ４０３に移す。動画であると判別しなかったならば、通常サーバは、処理をステップＳ４０６に移す。
【0194】
［ステップＳ４０３：動画の音声を処理単位に分割］
通常サーバは、ステップＳ４０２で判別された動画の音声を処理単位に分割する処理を実行する（ステップＳ４０３、動画分割ステップ）。通常サーバは、処理をステップＳ４０４及びステップＳ４１４に移す。処理単位は、特に限定されず、例えば、ステップＳ４０１で取得した入力においてユーザが指定したフレーム数等でよい。
通常サーバは、ステップＳ４０２で判別された動画の音声を処理単位に分割する処理を実行する（ステップＳ４０３、動画分割ステップ）。通常サーバは、処理をステップＳ４０４及びステップＳ４１４に移す。処理単位は、特に限定されず、例えば、ステップＳ４０１で取得した入力においてユーザが指定したフレーム数等でよい。
【0195】
ステップＳ４０３に続いて、通常サーバは、ステップＳ４０４からステップＳ４０５までの一連の処理及びステップＳ４１４からステップＳ４１５までの一連の処理を並列実行する。この並列実行により、通常サーバは、音声と画像とを同時に処理し、より短い時間で動画に関する解析単位を生成できる。
【0196】
［ステップＳ４０４：音声をテキストに変換］
通常サーバは、ステップＳ４０３で処理単位に分割された音声をテキストに変換する処理を実行する（ステップＳ４０４、テキスト変換ステップ）。通常サーバは、処理をステップＳ４０５に移す。音声をテキストに変換する処理は、特に限定されない。該処理は、例えば、ディープラーニングを用いた音声認識によって音声をテキストに変換する手順等を含む。
通常サーバは、ステップＳ４０３で処理単位に分割された音声をテキストに変換する処理を実行する（ステップＳ４０４、テキスト変換ステップ）。通常サーバは、処理をステップＳ４０５に移す。音声をテキストに変換する処理は、特に限定されない。該処理は、例えば、ディープラーニングを用いた音声認識によって音声をテキストに変換する手順等を含む。
【0197】
［ステップＳ４０５：変換により得られたテキストを修正］
通常サーバは、ステップＳ４０４の変換により得られたテキストを修正する処理を実行する（ステップＳ４０５、テキスト修正ステップ）。通常サーバは、ステップＳ４１５の処理終了後、解析単位生成処理を終了し、元の処理に戻る。テキストに修正する処理は、特に限定されない。該処理は、例えば、利用者の入力に基づいてテキストを修正する手順、ディープラーニングを用いた自動校正によってテキストを修正する手順等を含む。
通常サーバは、ステップＳ４０４の変換により得られたテキストを修正する処理を実行する（ステップＳ４０５、テキスト修正ステップ）。通常サーバは、ステップＳ４１５の処理終了後、解析単位生成処理を終了し、元の処理に戻る。テキストに修正する処理は、特に限定されない。該処理は、例えば、利用者の入力に基づいてテキストを修正する手順、ディープラーニングを用いた自動校正によってテキストを修正する手順等を含む。
【0198】
［ステップＳ４１４：動画の画像を処理単位に分割］
通常サーバは、ステップＳ４０２で判別された動画の画像を処理単位に分割する処理を実行する（ステップＳ４１４、動画画像分割ステップ）。通常サーバは、処理をステップＳ４１５に移す。
通常サーバは、ステップＳ４０２で判別された動画の画像を処理単位に分割する処理を実行する（ステップＳ４１４、動画画像分割ステップ）。通常サーバは、処理をステップＳ４１５に移す。
【0199】
［ステップＳ４１５：分割により得られた画像を格納］
通常サーバは、ステップＳ４１４の分割により得られた画像を通常サーバの記憶部に格納する処理を実行する（ステップＳ４１５、動画画像格納ステップ）。通常サーバは、ステップＳ４０５の処理終了後、解析単位生成処理を終了し、元の処理に戻る。
通常サーバは、ステップＳ４１４の分割により得られた画像を通常サーバの記憶部に格納する処理を実行する（ステップＳ４１５、動画画像格納ステップ）。通常サーバは、ステップＳ４０５の処理終了後、解析単位生成処理を終了し、元の処理に戻る。
【0200】
［ステップＳ４０６：画像・文章混在か判別］
通常サーバは、ステップＳ１２１で取得したファイルが画像・文章が混在したファイルであるか判別する処理を実行する（ステップＳ４０６、第１混在ファイル判別ステップ）。混在したファイルであると判別したならば、通常サーバは、処理をステップＳ４０７に移す。混在したファイルであると判別しなかったならば、通常サーバは、処理をステップＳ４０９に移す。なお、第１混在ファイル判別ステップは、画像のみのファイルについても、混在したファイルであると判別した場合と同様の処理を行う。
通常サーバは、ステップＳ１２１で取得したファイルが画像・文章が混在したファイルであるか判別する処理を実行する（ステップＳ４０６、第１混在ファイル判別ステップ）。混在したファイルであると判別したならば、通常サーバは、処理をステップＳ４０７に移す。混在したファイルであると判別しなかったならば、通常サーバは、処理をステップＳ４０９に移す。なお、第１混在ファイル判別ステップは、画像のみのファイルについても、混在したファイルであると判別した場合と同様の処理を行う。
【0201】
［ステップＳ４０７：画像・文章のフォーマットを判別］
通常サーバは、ステップＳ４０６で判別された画像・文章のフォーマットをそれぞれ判別する処理を実行する（ステップＳ４０７、画像・文章フォーマット判別ステップ）。通常サーバは、解析単位生成処理を終了し、元の処理に戻る。これにより、分析装置１は、上述の構成と同様に、フォーマットに応じた推論等の処理を行える。
通常サーバは、ステップＳ４０６で判別された画像・文章のフォーマットをそれぞれ判別する処理を実行する（ステップＳ４０７、画像・文章フォーマット判別ステップ）。通常サーバは、解析単位生成処理を終了し、元の処理に戻る。これにより、分析装置１は、上述の構成と同様に、フォーマットに応じた推論等の処理を行える。
【0202】
［ステップＳ４０８：画像を格納］
通常サーバは、ステップＳ４０７でフォーマットを判別された画像を通常サーバの記憶部に格納する処理を実行する（ステップＳ４０８、画像格納ステップ）。通常サーバは、解析単位生成処理を終了し、元の処理に戻る。
通常サーバは、ステップＳ４０７でフォーマットを判別された画像を通常サーバの記憶部に格納する処理を実行する（ステップＳ４０８、画像格納ステップ）。通常サーバは、解析単位生成処理を終了し、元の処理に戻る。
【0203】
［ステップＳ４０９：文章のフォーマットを判別］
通常サーバは、ステップＳ４０６で判別された文章のフォーマットを判別する処理を実行する（ステップＳ４０９、文章フォーマット判別ステップ）。通常サーバは、解析単位生成処理を終了し、元の処理に戻る。これにより、分析装置１は、上述の構成と同様に、フォーマットに応じた推論等の処理を行える。
通常サーバは、ステップＳ４０６で判別された文章のフォーマットを判別する処理を実行する（ステップＳ４０９、文章フォーマット判別ステップ）。通常サーバは、解析単位生成処理を終了し、元の処理に戻る。これにより、分析装置１は、上述の構成と同様に、フォーマットに応じた推論等の処理を行える。
【0204】
ステップＳ１０１の文章取得ステップを実行する代わりにファイル取得ステップを実行し、かつ、ステップＳ１０２の文章分割ステップを実行する代わりに解析単位生成処理を実行することにより、変形例２の通常サーバは、動画、画像を含む文章、又は画像等を伴わない文章等の各種ファイルのいずれにおいても、各種ファイルを解析単位に分割できる。
【0205】
〔推論結果補正処理〕
図１４は、図１１のステップＳ１２５で実行される推論結果補正処理のフローチャートである。図１５は、図１４に続く図である。以下は、図１４及び図１５を用いた、図１１のステップＳ１２５で実行される推論結果補正処理の好ましい流れの一例である。
図１４は、図１１のステップＳ１２５で実行される推論結果補正処理のフローチャートである。図１５は、図１４に続く図である。以下は、図１４及び図１５を用いた、図１１のステップＳ１２５で実行される推論結果補正処理の好ましい流れの一例である。
【0206】
［ステップＳ５０１：動画か判別］
通常サーバは、ステップＳ１２１で取得したファイルが動画であるか判別する処理を実行する（ステップＳ５０１、第２動画判別ステップ）。動画であると判別したならば、通常サーバは、処理をステップＳ５０２に移す。動画であると判別しなかったならば、通常サーバは、処理をステップＳ５０４に移す。
通常サーバは、ステップＳ１２１で取得したファイルが動画であるか判別する処理を実行する（ステップＳ５０１、第２動画判別ステップ）。動画であると判別したならば、通常サーバは、処理をステップＳ５０２に移す。動画であると判別しなかったならば、通常サーバは、処理をステップＳ５０４に移す。
【0207】
［ステップＳ５０２：シーンに与える影響が強い画像・文章を選出］
通常サーバは、ステップＳ５０１で判別された動画に係る推論結果のうち、シーンに与える影響が強い推論結果（画像）及びシーンに与える影響が強い推論結果（文章）を選出する処理を実行する（ステップＳ５０２、第１代表画像・文章選出ステップ）。通常サーバは、処理をステップＳ５０３に移す。ここで、「シーンに与える影響が強い」は、最も大きい感情値を有する推論結果であることを指す。
通常サーバは、ステップＳ５０１で判別された動画に係る推論結果のうち、シーンに与える影響が強い推論結果（画像）及びシーンに与える影響が強い推論結果（文章）を選出する処理を実行する（ステップＳ５０２、第１代表画像・文章選出ステップ）。通常サーバは、処理をステップＳ５０３に移す。ここで、「シーンに与える影響が強い」は、最も大きい感情値を有する推論結果であることを指す。
【0208】
［ステップＳ５０３：選出された画像・文章に基づいて推論結果を補正］
通常サーバは、ステップＳ５０２で選出された画像・文章に基づいて推論結果を補正する処理を実行する（ステップＳ５０３、動画推論結果補正ステップ）。通常サーバは、推論結果補正処理を終了し、元の処理に戻る。動画推論結果補正ステップは、例えば、セリフ（文章）を基準として、画像の推論結果及びセリフの推論結果を合算し、要素数で割った値を推論結果とする手順を含む。なお、動画に係る感情ベクトルの推論において画像が文字等を含む場合、分析装置１は、該画像から文字をＯＣＲ等によって切り出すことなく、該画像を画像として感情ベクトルを推論することが好ましい。これにより、推論結果補正処理における計算負荷が低減される。
通常サーバは、ステップＳ５０２で選出された画像・文章に基づいて推論結果を補正する処理を実行する（ステップＳ５０３、動画推論結果補正ステップ）。通常サーバは、推論結果補正処理を終了し、元の処理に戻る。動画推論結果補正ステップは、例えば、セリフ（文章）を基準として、画像の推論結果及びセリフの推論結果を合算し、要素数で割った値を推論結果とする手順を含む。なお、動画に係る感情ベクトルの推論において画像が文字等を含む場合、分析装置１は、該画像から文字をＯＣＲ等によって切り出すことなく、該画像を画像として感情ベクトルを推論することが好ましい。これにより、推論結果補正処理における計算負荷が低減される。
【0209】
［ステップＳ５０４：画像・文章混在か判別］
通常サーバは、ステップＳ１２１で取得したファイルが画像・文章が混在したファイルであるか判別する処理を実行する（ステップＳ５０４、第２画像・文章混在判別ステップ）。混在したファイルであると判別したならば、通常サーバは、処理をステップＳ５０５に移す。混在したファイルであると判別しなかったならば、通常サーバは、処理をステップＳ５０７に移す。なお、第２画像・文章混在判別ステップは、画像のみのファイルについても、混在したファイルであると判別した場合と同様の処理を行う。
通常サーバは、ステップＳ１２１で取得したファイルが画像・文章が混在したファイルであるか判別する処理を実行する（ステップＳ５０４、第２画像・文章混在判別ステップ）。混在したファイルであると判別したならば、通常サーバは、処理をステップＳ５０５に移す。混在したファイルであると判別しなかったならば、通常サーバは、処理をステップＳ５０７に移す。なお、第２画像・文章混在判別ステップは、画像のみのファイルについても、混在したファイルであると判別した場合と同様の処理を行う。
【0210】
［ステップＳ５０５：シーンに与える影響が強い画像・文章を選出］
通常サーバは、ステップＳ５０４で判別されたファイルに係る推論結果のうち、シーンに与える影響が強い推論結果（画像）及びシーンに与える影響が強い推論結果（文章）を選出する処理を実行する（ステップＳ５０５、第２代表画像・文章選出ステップ）。通常サーバは、処理をステップＳ５０６に移す。
通常サーバは、ステップＳ５０４で判別されたファイルに係る推論結果のうち、シーンに与える影響が強い推論結果（画像）及びシーンに与える影響が強い推論結果（文章）を選出する処理を実行する（ステップＳ５０５、第２代表画像・文章選出ステップ）。通常サーバは、処理をステップＳ５０６に移す。
【0211】
［ステップＳ５０６：選出された画像・文章に基づいて推論結果を補正］
通常サーバは、ステップＳ５０５で選出された画像・文章に基づいて推論結果を補正する処理を実行する（ステップＳ５０６、混在ファイル推論結果補正ステップ）。通常サーバは、推論結果補正処理を終了し、元の処理に戻る。なお、混在したファイルに係る感情ベクトルの推論において画像が文字等を含む場合、分析装置１は、該画像から文字をＯＣＲ等によって切り出すことなく、該画像を画像として感情ベクトルを推論することが好ましい。これにより、推論結果補正処理における計算負荷が低減される。ただし、該画像が漫画等のセリフが感情ベクトルに与える影響が大きいコンテンツの画像である場合、分析装置１は、任意で該画像から文字をＯＣＲ等によって切り出し、感情ベクトルの推論の対象とすることが可能である。
通常サーバは、ステップＳ５０５で選出された画像・文章に基づいて推論結果を補正する処理を実行する（ステップＳ５０６、混在ファイル推論結果補正ステップ）。通常サーバは、推論結果補正処理を終了し、元の処理に戻る。なお、混在したファイルに係る感情ベクトルの推論において画像が文字等を含む場合、分析装置１は、該画像から文字をＯＣＲ等によって切り出すことなく、該画像を画像として感情ベクトルを推論することが好ましい。これにより、推論結果補正処理における計算負荷が低減される。ただし、該画像が漫画等のセリフが感情ベクトルに与える影響が大きいコンテンツの画像である場合、分析装置１は、任意で該画像から文字をＯＣＲ等によって切り出し、感情ベクトルの推論の対象とすることが可能である。
【0212】
［ステップＳ５０７：シーンに与える影響が強い文章を選出］
通常サーバは、ステップＳ５０４で判別されたファイルに係る推論結果のうち、シーンに与える影響が強い推論結果（文章）を選出する処理を実行する（ステップＳ５０７、文章選出ステップ）。通常サーバは、推論結果補正処理を終了し、元の処理に戻る。
通常サーバは、ステップＳ５０４で判別されたファイルに係る推論結果のうち、シーンに与える影響が強い推論結果（文章）を選出する処理を実行する（ステップＳ５０７、文章選出ステップ）。通常サーバは、推論結果補正処理を終了し、元の処理に戻る。
【0213】
ステップＳ１０１の文章取得ステップを実行する代わりにファイル取得ステップを実行し、かつ、ステップＳ１０５の補正ステップを実行する代わりに推論結果補正処理を実行することにより、変形例２の通常サーバは、動画、画像を含む文章、又は画像等を伴わない文章等の各種ファイルのいずれにおいても、解析単位に分割された各種ファイルに係る推論結果を補正できる。
【0214】
これにより、変形例２の分析装置１は、動画、画像を含む文章、又は画像等を伴わない文章等の多種多様なファイルの特徴を分析できる。
【0215】
以上、本発明の好ましい態様の一例が説明された。なお、本発明の思想の範疇において、各種の変更例及び修正例は、当業者であれば想到し得るものである。よって、それら変更例及び修正例は、上述の一例と同様に、本発明の範囲に属するものと了解される。例えば、前述の実施の形態に対して、当業者が適宜、構成要素の追加、削除若しくは設計変更を行ったもの、又は、工程の追加、省略若しくは条件変更を行ったものは、本発明の要旨を備えている限り、上述の一例と同様に、本発明の範囲に含まれる。
【符号の説明】
【0216】
Ｓ 分析システム
１ 分析装置
１１ 制御部
１１１ 文章取得部
１１２ 文章分割部
１１３ 感情ベクトル生成部
１１４ 評価生成部
１１５ 要約生成部
１１６ 登場人物情報取得部
１１７ 画像生成部
１１８ 表示指令部
１１９ 第１機械学習部
１２０ 第２機械学習部
１２１ 第３機械学習部
１３ 記憶部
１３１ 文章リスト
１３２ 解析単位リスト
１３３ 登場人物リスト
１４ 通信部
Ｎ ネットワーク
Ｔ 端末
１ 分析装置
１１ 制御部
１１１ 文章取得部
１１２ 文章分割部
１１３ 感情ベクトル生成部
１１４ 評価生成部
１１５ 要約生成部
１１６ 登場人物情報取得部
１１７ 画像生成部
１１８ 表示指令部
１１９ 第１機械学習部
１２０ 第２機械学習部
１２１ 第３機械学習部
１３ 記憶部
１３１ 文章リスト
１３２ 解析単位リスト
１３３ 登場人物リスト
１４ 通信部
Ｎ ネットワーク
Ｔ 端末
【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】
【手続補正書】
【提出日】2023-07-05
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
文章を取得可能な文章取得部と、
前記文章を複数の解析単位に分割可能な文章分割部と、
前記文章における前記解析単位毎の感情ベクトルの推移を生成可能な感情ベクトル生成部と、
前記感情ベクトルの推移に対する評価を生成可能な評価生成部と、
前記評価の表示を指令可能な表示指令部と、
前記文章及び前記解析単位に基づく前記感情ベクトルの生成を機械学習可能な第１機械学習部と、
を備え、
前記感情ベクトルは、複数種類の感情の強さそれぞれを元とするベクトルであり、
前記感情ベクトル生成部は、前記文章と前記解析単位と前記第１機械学習部による機械学習とに基づいて前記感情ベクトルの推移を生成可能であり、
前記評価生成部は、少なくとも、前記感情ベクトルのノルムと前記ノルムの移動平均との相関に関する相関の値に対応する評価を生成可能である、
文章の分析装置。
前記文章を複数の解析単位に分割可能な文章分割部と、
前記文章における前記解析単位毎の感情ベクトルの推移を生成可能な感情ベクトル生成部と、
前記感情ベクトルの推移に対する評価を生成可能な評価生成部と、
前記評価の表示を指令可能な表示指令部と、
前記文章及び前記解析単位に基づく前記感情ベクトルの生成を機械学習可能な第１機械学習部と、
を備え、
前記感情ベクトルは、複数種類の感情の強さそれぞれを元とするベクトルであり、
前記感情ベクトル生成部は、前記文章と前記解析単位と前記第１機械学習部による機械学習とに基づいて前記感情ベクトルの推移を生成可能であり、
前記評価生成部は、少なくとも、前記感情ベクトルのノルムと前記ノルムの移動平均との相関に関する相関の値に対応する評価を生成可能である、
文章の分析装置。
【請求項2】
前記文章の要約を生成可能な要約生成部と、
前記文章及び前記解析単位に基づく前記要約の生成を機械学習可能な第２機械学習部と、
をさらに備え、
前記要約生成部は、前記文章と前記第２機械学習部による機械学習とに基づいて前記要約を生成可能であり、
前記表示指令部は、前記要約の表示をさらに指令可能である、
請求項１に記載の分析装置。
前記文章及び前記解析単位に基づく前記要約の生成を機械学習可能な第２機械学習部と、
をさらに備え、
前記要約生成部は、前記文章と前記第２機械学習部による機械学習とに基づいて前記要約を生成可能であり、
前記表示指令部は、前記要約の表示をさらに指令可能である、
請求項１に記載の分析装置。
【請求項3】
前記文章の登場人物の登場人物情報を取得可能な登場人物情報取得部と、
前記登場人物情報に基づいて前記登場人物の画像を生成可能な画像生成部と、
前記登場人物情報に基づく前記画像の生成を機械学習可能な第３機械学習部と、
をさらに備え、
前記画像生成部は、前記第３機械学習部による機械学習に基づいて前記画像を生成可能であり、
前記表示指令部は、前記画像の表示をさらに指令可能である、
請求項１に記載の分析装置。
前記登場人物情報に基づいて前記登場人物の画像を生成可能な画像生成部と、
前記登場人物情報に基づく前記画像の生成を機械学習可能な第３機械学習部と、
をさらに備え、
前記画像生成部は、前記第３機械学習部による機械学習に基づいて前記画像を生成可能であり、
前記表示指令部は、前記画像の表示をさらに指令可能である、
請求項１に記載の分析装置。
【請求項4】
前記文章取得部は、画像を含む文章を取得可能であり、
前記文章分割部は、画像を含まない解析単位及び画像からなる解析単位からなる複数の解析単位に前記画像を含む文章を分割可能であり、
前記感情ベクトル生成部は、
前記画像を含まない解析単位について、前記第１機械学習部による機械学習に基づいて前記感情ベクトルの推移を生成可能であり、
前記画像からなる解析単位について、画像に基づく感情ベクトルの生成に係る所定の機械学習に基づいて前記感情ベクトルの推移を生成可能である、
請求項１に記載の分析装置。
前記文章分割部は、画像を含まない解析単位及び画像からなる解析単位からなる複数の解析単位に前記画像を含む文章を分割可能であり、
前記感情ベクトル生成部は、
前記画像を含まない解析単位について、前記第１機械学習部による機械学習に基づいて前記感情ベクトルの推移を生成可能であり、
前記画像からなる解析単位について、画像に基づく感情ベクトルの生成に係る所定の機械学習に基づいて前記感情ベクトルの推移を生成可能である、
請求項１に記載の分析装置。