特許 7376275 電文振分装置、方法、プログラム、およびシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-10-30

(45)【発行日】2023-11-08

(54)【発明の名称】電文振分装置、方法、プログラム、およびシステム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20231031BHJP

【ＦＩ】

G06N20/00 130

【請求項の数】 10

(21)【出願番号】P 2019146405

(22)【出願日】2019-08-08

(65)【公開番号】P2021026671

(43)【公開日】2021-02-22

【審査請求日】2022-07-04

(73)【特許権者】

【識別番号】598049322

【氏名又は名称】株式会社三菱ＵＦＪ銀行

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(72)【発明者】

【氏名】多川 勇介

(72)【発明者】

【氏名】辻本 皓亮

(72)【発明者】

【氏名】西嶋 由衣

(72)【発明者】

【氏名】芳田 恭彰

【審査官】円子 英紀

(56)【参考文献】

【文献】特開２０１８－１０１３５１（ＪＰ，Ａ）

【文献】特開２０１９－０５７３１１（ＪＰ，Ａ）

【文献】特開２０１９－０７４９０７（ＪＰ，Ａ）

【文献】特開２０１５－０４５９５３（ＪＰ，Ａ）

【文献】柴田 秀哉 ほか，多クラス分類による電子メール誤送信検出手法，第３回データ工学と情報マネジメントに関するフォーラム 論文集 [online]，日本，電子情報通信学会 データ工学専門委員会，2011年02月28日，[検索日 2023.05.18], インターネット:<URL: https://db-event.jpn.org/deim2011/proceedings/pdf/b5-4.pdf>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００－２０／００

Ｇ０６Ｆ １８／００－１８／４０

Ｇ０６Ｑ １０／００－９９／００

Ｈ０４Ｌ ５１／００－５１／５８

Ｈ０４Ｌ ６７／００－６７／７５

(57)【特許請求の範囲】

【請求項1】

金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルと、
前記金融機関で用いられる電文を取得する電文取得部と、
前記取得した電文を、前記取得した電文の種類に応じた前記学習済みモデルに入力して、前記取得した電文の配信先を出力させる推論部と
を備え、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、電文振分装置。

【請求項2】

前記学習済みモデルは、前記電文の内容に応じた前記電文の種類ごとに生成される、請求項１に記載の電文振分装置。

【請求項3】

前記学習済みモデルは、前記電文の記述形式に応じた機械学習の手法により生成される、請求項１または２に記載の電文振分装置。

【請求項4】

入力データが電文であり出力データが前記電文の配信先である教師データを用いて機械学習することによって、電文が入力されると前記電文の配信先が出力される前記学習済みモデルを生成する機械学習部、をさらに備えた請求項１から３のいずれか一項に記載の電文振分装置。

【請求項5】

前記機械学習部は、前記取得した電文と、推論した前記配信先または推論した前記配信先から転送された正しい配信先と、を教師データとする、請求項４に記載の電文振分装置。

【請求項6】

電文の配信先を配信ルールに従って判定する事前判定部、をさらに備え、
前記推論部は、前記事前判定部によって配信先が判定されなかった電文の配信先を推論する、請求項１から５のいずれか一項に記載の電文振分装置。

【請求項7】

推論した前記配信先に紐付けられた配信先装置に前記取得した電文を送信する配信部、
をさらに備えた請求項１から６のいずれか一項に記載の電文振分装置。

【請求項8】

コンピュータが実行する方法であって、
金融機関で用いられる電文を取得するステップと、
前記金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルであって前記取得した電文の種類に応じた学習済みモデルに、前記取得した電文を入力して、前記取得した電文の配信先を出力させるステップと
を含み、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、方法。

【請求項9】

コンピュータを、
金融機関で用いられる電文を取得する電文取得部、
前記金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルであって前記取得した電文の種類に応じた学習済みモデルに、前記取得した電文を入力して、前記取得した電文の配信先を出力させる推論部
として機能させ、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、プログラム。

【請求項10】

電文振分装置と配信先装置とを含み、
金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルと、
前記金融機関で用いられる電文を取得する電文取得部と、
前記取得した電文を、前記取得した電文の種類に応じた前記学習済みモデルに入力して、前記取得した電文の配信先を出力させる推論部と、
推論した前記配信先に紐付けられた前記配信先装置に前記取得した電文を送信する配信部と
を備え、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、電文振分システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、電文を振り分けるための技術に関する。

【背景技術】

【0002】

従来、コンピュータ間で種々の電文が送受信されている（特許文献１等）。例えば、銀行等の金融機関では、コンピュータが、ＳＷＩＦＴ（Society for Worldwide Interbank Financial Telecommunication）の電文、日銀ネット（日本銀行金融ネットワークシステム）の電文等を取得し、事前に登録された配信ルール（つまり、どのようなパターンの電文であればどこへ配信するのかのルール）に従って、それらの電文を金融機関内の各部署等へ振り分けている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１３－２５０６６９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、事前に登録された配信ルールでは振り分けることができない電文（つまり、いずれの配信ルールにも該当しない新たなパターンの電文）が生じるたびに、新たな配信ルールを登録しなければならなかった。さらに、新たな配信ルールが登録されるまでは、人が、手動で電文を適切な部署等へ転送しなければならなかった。

【0005】

そこで、本発明は、電文の振り分けを容易にすることを目的とする。

【課題を解決するための手段】

【0006】

本発明の一態様は、電文が入力されると前記電文の配信先が出力される学習済みモデルと、電文を取得する電文取得部と、前記取得した電文を前記学習済みモデルに入力して、前記取得した電文の配信先を出力させる推論部と、を備える。

【発明の効果】

【0007】

本発明によれば、電文の振り分けを容易にすることができる。

【図面の簡単な説明】

【0008】

【図1】本発明の一実施形態に係る電文振分システムの全体の構成図である。

【図2】本発明の一実施形態に係る電文振分装置の機能ブロック図である。

【図3】本発明の一実施形態に係る電文の種類を説明するための図である。

【図4】本発明の一実施形態に係る配信ルールの例である。

【図5】本発明の一実施形態に係る所定の形式の電文のモデル生成について説明するための図である。

【図6】本発明の一実施形態に係る所定の形式の電文のモデル生成について説明するための図である。

【図7】本発明の一実施形態に係るフリーフォーマットの電文のモデル生成について説明するための図である。

【図8】本発明の一実施形態に係る電文振分処理を示すフローチャートである。

【図9】本発明の一実施形態に係る機械学習処理を示すフローチャートである。

【図10】本発明の一実施形態に係る電文振分装置のハードウェア構成を示すブロック図である。

【発明を実施するための形態】

【0009】

以下、図面に基づいて本発明の実施の形態を説明する。

【0010】

なお、本明細書では、ＳＷＩＦＴ（Society for Worldwide Interbank Financial Telecommunication）の電文、日銀ネット（日本銀行金融ネットワークシステム）の電文の振り分けについて説明するが、本発明は、これらの電文に限らず、任意の電文の振り分けに適用することができる。

【0011】

＜システム構成＞
図１は、本発明の一実施形態に係る電文振分システム１００の全体の構成図である。電文振分システム１００は、電文振分装置１０１および複数の配信先装置１０２を含む。以下、それぞれについて説明する。

【0012】

なお、外部システム１０４は、電文振分装置１０１に電文を提供する任意のシステムである。外部システム１０４と電文振分装置１０１とは、任意のネットワーク１０３を介して通信可能に接続されている。

【0013】

電文振分装置１０１は、外部システム１０４から取得した電文を、適切な配信先（例えば、その電文を取り扱う業務を行なう部門（金融機関内の各部署等））へ振り分けるための装置である。電文振分装置１０１は、１または複数のコンピュータからなる。後段で、図２を参照しながら、電文振分装置１０１について詳細に説明する。

【0014】

配信先装置１０２は、電文振分装置１０１が振り分けた電文を取り扱うための装置（例えば、その電文を取り扱う業務を行なうためのシステム（金融機関内の各種システム等））である。配信先装置１０２は、１または複数のコンピュータからなる。配信先装置１０２と電文振分装置１０１とは、任意のネットワーク１０３を介して通信可能に接続されている。

【0015】

＜機能ブロック＞
図２は、本発明の一実施形態に係る電文振分装置１０１の機能ブロック図である。電文振分装置１０１は、電文取得部２０１、判定部２０２（推論部２１０、事前判定部２２０）、配信部２０３、学習済みモデル格納部２１１、教師データ格納部２１２、機械学習部２１３、配信ルール格納部２２１を含むことができる。電文振分装置１０１は、プログラムを実行することで、電文取得部２０１、判定部２０２（推論部２１０、事前判定部２２０）、配信部２０３、機械学習部２１３として機能することができる。以下、それぞれについて説明する。

【0016】

電文取得部２０１は、外部システム１０４から、任意の電文を取得する。電文取得部２０１は、電文の種類を特定するための識別子を外部システム１０４から取得することによって、あるいは、取得した電文を解析することによって、取得した電文の種類を特定することができる。電文取得部２０１は、外部システム１０４から取得したデータを、判定部２０２が参照できるように任意のメモリに記憶する。

【0017】

ここで、電文について説明する。電文は、例えば、ＳＷＩＦＴの電文、日銀ネットの電文等である。電文は、電文の内容に応じた様々な種類の電文に分類される。例えば、ＳＷＩＦＴの電文には、電文の内容に応じた様々な種類の電文がある。また、日銀ネットの電文には、電文の内容に応じた様々な種類の電文がある。

【0018】

図３は、本発明の一実施形態に係る電文の種類を説明するための図である。図３に示されるように、電文は、電文の内容に応じて分類される。図３の例では、電文は、種類１～種類８（具体的には、ＳＷＩＦＴの決済電文であるＭＴ１０３、日銀ネットの決済電文であるＣＴ、ＳＷＩＦＴのメッセージ電文（フリーフォーマットのフィールドが大部分を占める電文）であるＭＴ１９９、ＭＴ２９９、ＭＴ７９９、ＭＴ９９９、ＭＴ１９１、ＭＴ７３０）といった複数の種類の電文に分類されている。

【0019】

なお、図３では、ＳＷＩＦＴの決済電文であるＭＴ１０３、日銀ネットの決済電文であるＣＴ、ＳＷＩＦＴのメッセージ電文（フリーフォーマットのフィールドが大部分を占める電文）であるＭＴ１９９、ＭＴ２９９、ＭＴ７９９、ＭＴ９９９、ＭＴ１９１、ＭＴ７３０を一例として説明したが、本発明は、これらの電文に限らず、任意の種類の電文に適用することができる。また。図３では、８種類の電文を一例として説明したが、本発明は、この個数に限らず、電文は任意の個数の種類の電文に分類されうる。

【0020】

図２に戻る。判定部２０２は、電文取得部２０１が取得した電文の配信先を判定する。具体的には、推論部２１０は、機械学習により生成された学習済みモデルに基づいて電文の配信先を判定する。また、事前判定部２２０は、事前に登録された配信ルールに基づいて電文の配信先を判定する。以下、＜＜学習済みモデルに基づく判定＞＞および＜＜配信ルールに基づく判定＞＞について説明する。

【0021】

なお、推論部２１０は、事前判定部２２０によって配信先を判定できなかった電文（つまり、いずれの配信ルールにも該当しない新たなパターンの電文）の配信先を判定する構成とすることもできる。＜＜学習済みモデルに基づく判定＞＞と＜＜配信ルールに基づく判定＞＞とを組み合わせることによって、配信ルールに基づき判定できる電文については確実に配信先を判定し、かつ、配信ルールに基づき判定できなかった電文については学習済みモデルを用いて配信先を推論し、人手を介さず正しい配信先へ配信される電文数を増加させることができる。

【0022】

＜＜学習済みモデルに基づく判定＞＞
推論部２１０は、学習済みモデル格納部２１１に格納されている学習済みモデルを用いて、電文の配信先を推論する。具体的には、推論部２１０は、電文取得部２０１が取得した電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。推論部２１０は、判定した配信先を、配信部２０３が参照できるように任意のメモリに記憶する。

【0023】

推論部２１０は、電文の種類に応じた学習済みモデルを用いて、電文の配信先を推論することができる。具体的には、推論部２１０は、電文取得部２０１が取得した電文を、その電文の種類に応じた学習済みモデルに入力することができる。また、推論部２１０は、電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。

【0024】

学習済みモデル格納部２１１は、機械学習により生成された学習済みモデルを格納している。学習済みモデル格納部２１１内の学習済みモデルは、電文が入力されるとその電文の配信先が出力される分類モデルである。学習済みモデル格納部２１１内の学習済みモデルは、電文の種類ごとに生成された分類モデル（例えば、ＭＴ１０３用の分類モデル、ＣＴ用の分類モデル、ＭＴ１９９用の分類モデル、ＭＴ２９９用の分類モデル、ＭＴ７９９用の分類モデル、ＭＴ９９９用の分類モデル、ＭＴ１９１用の分類モデル、ＭＴ７３０用の分類モデル）であってもよい。

【0025】

＜＜配信ルールに基づく判定＞＞
事前判定部２２０は、配信ルール格納部２２１に格納されている配信ルールに従って、電文の配信先を判定する。具体的には、事前判定部２２０は、電文の種類に応じた配信ルールを参照して、電文の配信先を判定することができる。事前判定部２２０は、判定した配信先を、配信部２０３が参照できるように任意のメモリに記憶する。

【0026】

配信ルール格納部２２１は、事前に登録された配信ルールを格納している。配信ルール格納部２２１内の配信ルールは、電文の種類ごとに１または複数の配信ルール（例えば、ＭＴ１０３用の１または複数の配信ルール、ＣＴ用の１または複数の配信ルール、ＭＴ１９９用の１または複数の配信ルール、ＭＴ２９９用の１または複数の配信ルール、ＭＴ７９９用の１または複数の配信ルール、ＭＴ９９９用の１または複数の配信ルール、ＭＴ１９１用の１または複数の配信ルール、ＭＴ７３０用の１または複数の配信ルール）が登録されている。

【0027】

図４は、本発明の一実施形態に係る配信ルールの例である。図４に示されるように、電文内の所定のフィールドに所定の文字または数字が含まれていると、所定の配信先に配信されるよう配信ルールが登録されている。

【0028】

図２に戻る。配信部２０３は、電文取得部２０１が取得した電文を、判定部２０２が判定した配信先に配信する。具体的には、配信部２０３は、電文取得部２０１が取得した電文を、判定部２０２が判定した配信先に紐付けられた配信先装置１０２（例えば、その電文を取り扱う業務を行なうためのシステム（金融機関内の各種システム等））に送信する。

【0029】

機械学習部２１３は、入力データが電文であり出力データが電文の配信先である教師データを用いて機械学習することによって、電文が入力されるとその電文の配信先が出力される分類モデルを生成する。機械学習部２１３は、生成した学習済みモデルを学習済みモデル格納部２１１に格納する。

【0030】

教師データ格納部２１２は、機械学習部２１３が用いる教師データを格納している。教師データ格納部２１２内の教師データは、入力データが電文であり出力データが電文の配信先である教師データである。

【0031】

例えば、過去に金融機関等が取得した電文、および、それらの電文の配信先を教師データとすることができる。また、例えば、電文取得部２０１が取得した電文と、その電文の正しい配信先（例えば、誤った配信先に配信された場合には転送された正しい配信先）を教師データとすることができる。

【0032】

なお、本発明の一実施形態では、教師データ格納部２１２に格納されている電文の生データから、配信先の判定に用いる特徴量を抽出する。そのため、電文のフォーマットが変更されたとしても（例えば、外部システム等の外的要因によるフォーマットの変更があったとしても）、特徴量が変わりさえしなければ、生成済みの学習済みモデルを使用し続けることができる。

【0033】

以下、機械学習の方法についてより詳細に説明する。＜＜所定の形式の電文＞＞の場合と＜＜フリーフォーマットの電文＞＞の場合とに分けて説明する。

【0034】

＜＜所定の形式の電文＞＞
図５および図６を参照しながら、所定の形式の電文の場合について説明する。所定の形式の電文とは、電文内の各フィールドの記述形式が規定されている電文である。例えば、所定の形式の電文は、ＭＴ１０３、ＣＴ等である。

【0035】

機械学習部２１３は、電文の生データから、電文内でその電文の特徴を表わしているフィールド（以下、特徴量と呼ぶ）を抽出し、ベクトル表を参照して、特徴量をベクトル化する。

【0036】

まず、ベクトル表の生成について説明する。ベクトル表は、電文内の単語と、その単語をベクトルで表現した単語ベクトルとの対応関係を示す。
・機械学習部２１３は、電文の生データ（図５の５０１）を教師データ格納部２１２から取得する。
・機械学習部２１３は、電文の生データから所定の特徴量（図５の５０２）を抽出する。上述のとおり、特徴量とは、電文内でその電文の特徴を表わしているフィールドである。所定の特徴量は、金融機関の担当者等によって指定されている。
・機械学習部２１３は、抽出した特徴量を構造化（図５の５０３）する。
・機械学習部２１３は、抽出した特徴量を用いて機械学習することによって、ベクトル表を生成する。

【0037】

次に、所定の形式の電文の配信先を判定するための分類モデルの生成について説明する。
・機械学習部２１３は、電文の生データ（図６の６０１）を教師データ格納部２１２から取得する。
・機械学習部２１３は、電文の生データから所定の特徴量（図６の６０２）を抽出する。上述のとおり、特徴量とは、電文内でその電文の特徴を表わしているフィールドである。所定の特徴量は、金融機関の担当者等によって指定されている。
・機械学習部２１３は、抽出した特徴量を構造化（図６の６０３）する。
・機械学習部２１３は、ベクトル表を参照して、抽出した特徴量（つまり、所定のフィールドに記述されているテキスト等）をベクトルへ変換（図６の６０４）する。
・機械学習部２１３は、ベクトル化した特徴量を用いて機械学習することによって分類モデルを生成する。

【0038】

＜＜フリーフォーマットの電文＞＞
図７を参照しながら、フリーフォーマットの電文の場合について説明する。フリーフォーマットの電文とは、記述形式が規定されていないフィールド（フリーフォーマットのフィールド）を含む電文である。例えば、フリーフォーマットの電文は、ＭＴ１９９、ＭＴ２９９、ＭＴ７９９、ＭＴ９９９、ＭＴ１９１、ＭＴ７３０等である。

【0039】

フリーフォーマットの電文の配信先を判定するための分類モデルの生成について説明する。
・機械学習部２１３は、電文の生データ（図７の７０１）を教師データ格納部２１２から取得する。
・機械学習部２１３は、電文の生データから所定の特徴量（図７の７０２）を抽出する。上述のとおり、特徴量とは、電文内でその電文の特徴を表わしているフィールドである。所定の特徴量は、金融機関の担当者等によって指定されている。所定の特徴量のうちの少なくとも１つの特徴量は、フリーフォーマットのフィールドである。
・機械学習部２１３は、抽出した特徴量を構造化（図７の７０３）する。
・機械学習部２１３は、抽出した特徴量（つまり、所定のフィールドに記述されているテキスト等）を数値へ変換（図７の７０４）する。
・機械学習部２１３は、数値化した特徴量を用いて機械学習することによって分類モデルを生成する。

【0040】

このように、本発明の一実施形態では、電文の記述形式（例えば、＜＜所定の形式の電文＞＞＜＜フリーフォーマットの電文＞＞）に応じた機械学習の手法により分類モデルが生成される。

【0041】

＜処理方法＞
図８は、本発明の一実施形態に係る電文振分処理を示すフローチャートである。

【0042】

ステップ１１（Ｓ１１）において、電文取得部２０１は、外部システム１０４から、任意の電文を取得する。なお、電文取得部２０１は、電文の種類を特定するための識別子を外部システム１０４から取得することによって、あるいは、取得した電文を解析することによって、取得した電文の種類を特定することができる。

【0043】

ステップ１２（Ｓ１２）において、事前判定部２２０は、Ｓ１１で取得された電文の種類に応じた配信ルールを参照して、電文の配信先を判定することができる。

【0044】

ステップ１３（Ｓ１３）において、事前判定部２２０は、Ｓ１２で配信先を判定できた場合にはステップ１５へ進み配信部２０３に電文を配信させ、Ｓ１２で配信先を判定できなかった場合にはステップ１６へ進み推論部２１０に電文の配信先を推論させる。

【0045】

なお、Ｓ１２およびＳ１３を省略して、Ｓ１１で取得されたすべての電文がステップ１４で学習済みモデルに基づいて配信先を判定されるようにしてもよい。

【0046】

ステップ１４（Ｓ１４）において、推論部２１０は、学習済みモデル格納部２１１に格納されている学習済みモデルを用いて、電文の配信先を推論する。具体的には、推論部２１０は、Ｓ１１で取得された電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。

【0047】

なお、推論部２１０は、Ｓ１１で取得された電文を、その電文の種類に応じた学習済みモデル（つまり、Ｓ１１で特定された種類に応じた学習済みモデル）に入力することができる。また、推論部２１０は、電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。

【0048】

ステップ１５（Ｓ１５）において、配信部２０３は、Ｓ１１で取得された電文を、Ｓ１４（またはＳ１２）で判定された配信先に紐付けられた配信先装置１０２に送信する。その後、配信先装置１０２（金融機関内の各種システム等）は、振り分けられた電文を取り扱う業務（決済処理等）を行なうことができる。

【0049】

図９は、本発明の一実施形態に係る機械学習処理を示すフローチャートである。

【0050】

ステップ２１（Ｓ２１）において、機械学習部２１３は、電文の生データから所定の特徴量（例えば、電文内の所定のフィールド）を抽出する。

【0051】

ステップ２２（Ｓ２２）において、機械学習部２１３は、Ｓ２１で抽出した特徴量を構造化する。

【0052】

ステップ２３（Ｓ２３）において、機械学習部２１３は、Ｓ２１で抽出した特徴量をベクトルへ変換（所定の形式の電文の場合）、または、数値へ変換（フリーフォーマットの電文の場合）する。

【0053】

ステップ２４（Ｓ２４）において、機械学習部２１３は、Ｓ２３で変換されたベクトルまたは数値を用いて機械学習する。

【0054】

ステップ２５（Ｓ２５）において、機械学習部２１３は、Ｓ２３で機械学習することによって学習済みモデルを生成する。

【0055】

＜ハードウェア構成＞
図１０は、本発明の一実施形態に係る電文振分装置１０１のハードウェア構成を示すブロック図である。電文振分装置１０１は、ＣＰＵ（Central Processing Unit）１、ＲＯＭ（Read Only Memory）２、ＲＡＭ（Random Access Memory）３を有する。ＣＰＵ１、ＲＯＭ２、ＲＡＭ３は、いわゆるコンピュータを形成する。

【0056】

また、電文振分装置１０１は、補助記憶装置４、表示装置５、操作装置６、Ｉ／Ｆ（Interface）装置７、ドライブ装置８を有する。なお、電文振分装置１０１の各ハードウェアは、バス９を介して相互に接続されている。

【0057】

ＣＰＵ１は、補助記憶装置４にインストールされている各種プログラムを実行する演算デバイスである。

【0058】

ＲＯＭ２は、不揮発性メモリである。ＲＯＭ２は、補助記憶装置４にインストールされている各種プログラムをＣＰＵ１が実行するために必要な各種プログラム、データ等を格納する主記憶デバイスとして機能する。具体的には、ＲＯＭ２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する、主記憶デバイスとして機能する。

【0059】

ＲＡＭ３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ３は、補助記憶装置４にインストールされている各種プログラムがＣＰＵ１によって実行される際に展開される作業領域を提供する、主記憶デバイスとして機能する。

【0060】

補助記憶装置４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する補助記憶デバイスである。

【0061】

表示装置５は、電文振分装置１０１の内部状態等を表示する表示デバイスである。

【0062】

操作装置６は、電文振分装置１０１の管理者が電文振分装置１０１に対して各種指示を入力する入力デバイスである。

【0063】

Ｉ／Ｆ装置７は、ネットワーク１０３に接続し、配信先装置１０２および外部システム１０４と通信を行うための通信デバイスである。

【0064】

ドライブ装置８は記憶媒体１０をセットするためのデバイスである。ここでいう記憶媒体１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記憶媒体１０には、ＥＰＲＯＭ (Erasable Programmable Read Only Memory)、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。

【0065】

なお、補助記憶装置４にインストールされる各種プログラムは、例えば、配布された記憶媒体１０がドライブ装置８にセットされ、該記憶媒体１０に記録された各種プログラムがドライブ装置８により読み出されることでインストールされる。あるいは、補助記憶装置４にインストールされる各種プログラムは、Ｉ／Ｆ装置７を介して、ネットワーク１０３とは異なる他のネットワークよりダウンロードされることでインストールされてもよい。

【0066】

＜効果＞
このように、本発明の一実施形態では、外部システムから取得した電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。そのため、電文を振り分けるための配信ルールを登録したり、新たな配信ルールが登録されるまで人が手動で電文を適切な部署等へ転送したりする必要がない。

【0067】

また、本発明の一実施形態では、電文の内容に応じた電文の種類ごとに生成された学習済みモデルを用いて、電文の配信先を推論することができる。また、学習済みモデルは、電文の記述形式（例えば、＜＜所定の形式の電文＞＞＜＜フリーフォーマットの電文＞＞）に応じた機械学習の手法により生成される。そのため、より正確な配信先を推定することができる。

【0068】

また、本発明の一実施形態では、電文の生データから特徴量を抽出して機械学習に用いている。そのため、電文のフォーマットが変更されたとしても（例えば、外部システム等の外的要因によるフォーマットの変更があったとしても）、生成済みの学習済みモデルを使用し続けることができる。

【0069】

さらに、本発明の一実施形態では、配信ルールに基づき配信先が判定されなかった電文の配信先を推論するようにすることによって、人手を介さず正しい配信先へ配信される電文数を増加させることができる。

【0070】

また、本発明の一実施形態では、配信ルールもしくは学習済みモデルが誤った判定をした場合に、転送された正しい配信先の情報を蓄積し学習することによって、再学習を行った学習済モデルで正しく判定を行うことができる。

【0071】

以上、本発明の実施例について詳述したが、本発明は上述した特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

【符号の説明】

【0072】

１００ 電文振分システム
１０１ 電文振分装置
１０２ 配信先装置
１０３ ネットワーク
１０４ 外部システム
２０１ 電文取得部
２０２ 判定部
２０３ 配信部
２１０ 推論部
２１１ 学習済みモデル格納部
２１２ 教師データ格納部
２１３ 機械学習部
２２０ 事前判定部
２２１ 配信ルール格納部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】