特許 7447674 情報処理プログラム、情報処理方法及び情報処理装置

(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】2024-03-04

(45)【発行日】2024-03-12

(54)【発明の名称】情報処理プログラム、情報処理方法及び情報処理装置

(51)【国際特許分類】

   G06F 16/35 20190101AFI20240305BHJP

【ＦＩ】

G06F16/35

【請求項の数】 7

(21)【出願番号】P 2020090137

(22)【出願日】2020-05-22

(65)【公開番号】P2021184224

(43)【公開日】2021-12-02

【審査請求日】2023-02-09

(73)【特許権者】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】齊藤 孝広

【審査官】齊藤 貴孝

(56)【参考文献】

【文献】特開２００８－２９９３８２（ＪＰ，Ａ）

【文献】特開２００９－２７７１３６（ＪＰ，Ａ）

【文献】特開２００１－０９２８２５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１４／０１３７０７６（ＵＳ，Ａ１）

【文献】水田 昌孝、外２名，ＬＤＡと時間フィルタを用いた文書ストリームからのバースト潜在トピック抽出，第８７回 知識ベースシステム研究会資料 （ＳＩＧ－ＫＢＳ－Ａ９０２），日本，社団法人人工知能学会，2010年01月20日，ｐ．２５－３０

【文献】川原 大弥、外６名，時系列観測データによるマルウェア発生分布の解析，２０２０年 暗号と情報セキュリティシンポジウム予稿集 ［ｏｎｌｉｎｅ］，日本，電子情報通信学会情報セキュリティ（ＩＳＥＣ）研究会，2020年01月28日，ｐ．１－８

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １６／００－１６／９５８

(57)【特許請求の範囲】

【請求項1】

複数の文書情報を取得し、
前記文書情報のそれぞれの内容を数値化して数値化情報を算出し、
前記数値化情報を基に階層クラスタリングを行って樹形図を示す樹形図情報を生成し、
前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応するクラスタに属する前記文書情報の特徴を特定し、
前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応する前記クラスタに含まれる特定クラスタであって、前記特徴が有意性を有し、且つ、対応する前記分岐点を含む階層構造における上位の前記分岐点及び下位の分岐点に対応する前記クラスタよりも強い前記特徴を有する前記特定クラスタを抽出し、
前記抽出した前記特定クラスタの情報を出力する
処理をコンピュータに実行させることを特徴とする情報処理プログラム。

【請求項2】

前記文書情報は、時刻と関連付けられた情報であり、
前記文書情報に関連付けられた前記時刻を基に、前記特徴として前記文書情報で示される事象の増減傾向を特定し、
前記増減傾向が有意性を有し、且つ、対応する前記分岐点を含む階層構造における前記上位の分岐点及び前記下位の分岐点に対応する前記クラスタよりも前記増減傾向が強い前記特定クラスタを抽出する
処理をコンピュータに実行させることを特徴とする請求項１に記載の情報処理プログラム。

【請求項3】

前記文書情報は、発生場所が関連付けられた事象を示す情報であり、
前記特徴として前記文書情報で示される事象の、特定の前記発生場所における発生傾向を特定し、
前記発生傾向が有意性を有し、且つ、対応する前記分岐点を含む階層構造における前記上位の分岐点及び前記下位の分岐点に対応する前記クラスタよりも前記発生傾向が強い前記特定クラスタを抽出する
処理をコンピュータに実行させることを特徴とする請求項１に記載の情報処理プログラム。

【請求項4】

前記特徴を示す統計的な評価値を算出し、算出した前記評価値を基に、前記特徴の前有意性、及び、前記特徴の強さを求める処理をコンピュータに実行させることを特徴とする請求項１～３のいずれか一つに記載の情報処理プログラム。

【請求項5】

前記文書情報の内容を基に、自然言語処理を行いそれぞれの文書ベクトルを数値化情報として求める処理をコンピュータに実行させることを特徴とする請求項１～４のいずれか一つに記載の情報処理プログラム。

【請求項6】

複数の文書情報を取得し、
前記文書情報のそれぞれの内容を数値化して数値化情報を算出し、
前記数値化情報を基に階層クラスタリングを行って樹形図を示す樹形図情報を生成し、
前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応するクラスタに属する前記文書情報の特徴を特定し、
前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応する前記クラスタに含まれる特定クラスタであって、前記特徴が有意性を有し、且つ、対応する前記分岐点を含む階層構造における上位の前記分岐点及び下位の前記分岐点に対応する前記クラスタよりも強い前記特徴を有する前記特定クラスタを抽出し、
前記抽出した前記特定クラスタの情報を出力する
処理をコンピュータに実行させることを特徴とする情報処理方法。

【請求項7】

複数の文書情報を取得して、前記文書情報のそれぞれの内容を数値化して数値化情報を算出する数値化部と、
前記数値化情報を基に階層クラスタリングを行って樹形図を示す樹形図情報を生成するデンドログラム作成部と、
前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応するクラスタに属する前記文書情報の特徴を特定する分岐点評価部と、
前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応する前記クラスタに含まれる特定クラスタであって、前記特徴が有意性を有し、且つ、対応する前記分岐点を含む階層構造における上位の前記分岐点及び下位の前記分岐点に対応する前記クラスタよりも強い前記特徴を有する前記特定クラスタを抽出する抽出部と、
前記抽出した前記特定クラスタの情報を出力する出力部と
を備えたことを特徴とする情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理プログラム、情報処理方法及び情報処理装置に関する。

【背景技術】

【0002】

各種の製品を市場に出荷する製造元では、製品出荷後の市場品質マネジメントが重要な経営課題となっている。例えば、製品が実際に使用されているフィールドで発生した不具合は、障害レポート（ＭＲ：Maintenance Report）として報告される。このような障害レポートは、例えば、フィールドサポート業務を行うフィールドＳＥによって作成されるが、対象製品によっては電話やメールによるサポートを行うコールセンター業務の中でも作成される。

【0003】

そこで、市場品質マネジメントでは、市場に出たフィールド稼働製品の障害レポートを用いて発生事象を特定し、過去事例などから発生原因及び対策方法などを判定する。そして、決定された対策方法にしたがって、障害レポートが提出された障害に対する対応が行われる。

【0004】

また近年、以下のサイクルでフィールド稼働製品の品質向上に向けた取り組みが行われている。障害レポートが各所から報告され、報告された大量の障害レポートに対して分析が行われる。この分析により、例えば、最近増加した不具合の検出が行われる。このような直近で増加した不具合は傾向障害と呼ばれ、偶発障害と区別される。傾向障害は、今後も増加し続ける可能性があるので対策策定の緊急度が高い。例えば、ＯＳ（Operating System）のアップデートにより、フィールド稼働製品に用いられているファームウェアとの間で不具合が発生した場合などは、今後、同じファームウェアを使用している製品全てで発生してしまう事になるので一刻も早く対策を打つ必要がある。

【0005】

このような傾向障害が検出された場合、製品の製造元は、検出した不具合の内容や対策を文書化し、市場に周知させることで不具合の発生を未然に防止する。例えば、製品の製造元は、「特定のファームウェアのバクに起因する不具合」の最近の増加を検知し、その傾向障害の対応策とともにその傾向障害の内容をフィールドに周知する。これにより、製造元は、該当するファームウェアを搭載した製品に対して利用者に予防措置を実施させて、その障害の発生を未然に防ぐことができる。

【0006】

従来、この傾向障害の検知は人手により行われてきた。これに対して、障害レポートの急激な増加により、人手による傾向障害の検知では、適切な検知が困難になってきた。そこで、コード情報ベースの検知手法やキーワードベースの検知手法といった情報処理装置を用いた傾向障害の検出が導入されてきている。コード情報ベースの検知手法は、不具合内容を表すコード情報が所外レポートに付与さえている場合に、そのコード情報を用いて傾向障害を検知する方法である。また、キーワードベースの検知手法は、障害レポートに記載された単語や文中の主語と述語の係り受け組をコード情報としてみなすことで増加するキーワードを検出して、傾向障害を検出する手法である。また、キーワードベースよりも大きな単位で言葉を取り扱う文書ベースの検知手法を用いることも考えられる。

【0007】

なお、文書を分析して検索する技術として、地理上の位置に基づき、提示するクラスタの粒度を変える従来技術がある。また、階層クラスタリング結果における各分岐点での代表ベクトルと、検索目標オブジェクトから生成されるベクトルとの類似度を算出して、算出した類似度の高いクラスタを提示する従来技術がある。

【先行技術文献】

【特許文献】

【0008】

【文献】特開２０１１－１１８７８４号公報

【文献】特開２００３－３１６８１９号公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

しかしながら、コード情報ベースの検知手法の場合、コード情報が表す不具合内容の粒度が荒い。そのため、増加傾向にある障害を見逃されることが多い。例えば、増加傾向の障害と減少傾向の障害とが同一コードに分類されている場合、増加傾向にある障害が見逃されるおそれがある。

【0010】

また、キーワードベースの検知手法を行う場合、単語の表記揺れや同義語及び同義表現を考慮して検知を行うことが好ましい。例えば、「製造元ロゴ画面」、「製造元画面」及び「ＢＩＯＳ（Basic Input Output System）画面」といった単語は、全て同じ画面を指す場合があり、その場合にはそれらの単語が同義語となる。また、「停止する」や「停まる」は同義であり、さらに否定をともなった表現である「進まない」も同義語となる。しかし、単語の表記揺れや同義語及び同義表現を識別するための辞書の整備は、情報が増えるにつれて作成の煩雑さやで作成コストが増加する。そのため、障害レポートが急増する現状においては、キーワードベースの検知を行うことは困難である。そのため、これらの検知手法を用いて傾向障害を検出することは難しく、傾向障害に対する対応が遅れてしまい、製品の品質を向上させることが困難となる。

【0011】

これに対して、文書ベースの検知手法を用いることで、単語の表記揺れや同義語の処理のためのコストを抑えることができる。このような文書のグルーピングを行う場合に、クラスタを用いる手法が考えられる。クラスタを行う場合、クラスタ数となどの処理パラメータが事前に与えられる。ただし、パラメータが不適切であると適切なクラスタが生成されない場合があり、各クラスタの増加傾向を見落とすおそれがある。

【0012】

例えば、小さすぎるクラスタは、各クラスタに含まれる要素間の内容の類似性は高くなるが、障害レポートの発生件数を時間で集約すると件数が少なくなり、有意な傾向を検出し難くなる。例えば、過去６か月の月別集計結果が（０．１．０，２，２，３）の場合、危険率５％のＭａｎｎ－Ｋｅｎｄａｌｌの傾向検定では有意な増加傾向は認められない。ここで、月別集計結果における括弧内の数字は、左から順に過去６か月の古い順の各月の発生件数を表す。

【0013】

また、複数の障害で構成された大きすぎるクラスタは、実際には増加傾向にある検知したい障害の増加傾向が他の障害によって薄まる可能性があり、検定では有意となりにくい場合がある。例えば、過去６か月の月別集計結果が（０，３，６，１０，１５，２０）である障害は、有意な増加傾向が認められる。一方、月別集計結果が（５２，４８，４４，４８，４６，４７）である不具合は、増加傾向及び減少傾向のいずれも認められない。この２つの障害を含むクラスタの月別集計結果は、両者の和となるが、その場合にはこのクラスタにおいて有意な増加傾向が認められなくなってしまう。

【0014】

そして、単に文書ベースでクラスタリングを行った場合には、クラスタリング実行時に用いるパラメータを適切に決定することが困難であり、増加傾向を見逃すおそれがある。

【0015】

なお、地理上の位置に基づき提示するクラスタの粒度を変える従来技術では、位置に応じて適切な増加傾向にある事例の検出を行うことは難しく、地理的シソーラスに相当する情報を用いずに傾向障害を検出することは困難である。また、目標と結果とのベクトルの類似度を基にクラスタを提示する従来技術では、検索クエリの入力なしでのクラスタの提示は難しく、傾向障害を検出することは困難である。したがって、いずれの従来技術でも、製品の品質を向上させることは困難である。

【0016】

開示の技術は、上記に鑑みてなされたものであって、製品の品質を向上させる情報処理プログラム、情報処理方法及び情報処理装置を提供することを目的とする。

【課題を解決するための手段】

【0017】

本願の開示する情報処理プログラム、情報処理方法及び情報処理装置の一つの態様において、以下の処理をコンピュータに実行させる。複数の文書情報を取得する。前記文書情報のそれぞれの内容を数値化して数値化情報を算出する。前記数値化情報を基に階層クラスタリングを行って樹形図を示す樹形図情報を生成する。前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応するクラスタに属する前記文書情報の特徴を特定する。前記樹形図情報が示す前記樹形図が有する複数の分岐点に対応する前記クラスタに含まれる特定クラスタであって、前記特徴が有意性を有し、且つ、対応する前記分岐点を含む階層構造における上位の前記分岐点及び下位の分岐点に対応する前記クラスタよりも強い前記特徴を有する前記特定クラスタを抽出する。前記抽出した前記特定クラスタの情報を出力する。

【発明の効果】

【0018】

１つの側面では、本発明は、製品の品質を向上させることができる。

【図面の簡単な説明】

【0019】

【図1】図１は、傾向障害検出システムを示す図である。

【図2】図２は、障害レポートの一例を表す図である。

【図3】図３は、サーバ装置のブロック図である。

【図4】図４は、階層クラスタリング部及び傾向障害検出部の詳細を表すブロック図である。

【図5】図５は、デンドログラムの一例を表す図である。

【図6】図６は、分岐点毎の増加傾向評価値の一例を表す図である。

【図7】図７は、クラスタの抽出を説明するための図である。

【図8】図８は、実施例１に係る傾向障害算出処理のフローチャートである。

【図9】図９は、特定顧客に特異的に多い障害の検出処理における階層クラスタの一部を表す図である。

【図10】図１０は、サーバ装置のハードウェア構成図である。

【発明を実施するための形態】

【0020】

以下に、本願の開示する情報処理プログラム、情報処理方法及び情報処理装置の実施例を図面に基づいて詳細に説明する。なお、以下の実施例により本願の開示する情報処理プログラム、情報処理方法及び情報処理装置が限定されるものではない。

【実施例1】

【0021】

図１は、傾向障害検出システムを示す図である。傾向障害検出システム１０は、図１に示すように、サーバ装置１、障害レポート入力端末２、障害レポートデータベース３、単語ベクトルデータベース４、検索結果出力用クライアント端末５を有する。

【0022】

サーバ装置１と障害レポート入力端末２とは、ネットワーク６を介して接続される。また、サーバ装置１には、障害レポートデータベース３及び単語ベクトルデータベース４が接続される。さらに、検索結果出力用クライアント端末５は、サーバ装置１に接続されてもよいし、ネットワーク６に接続されてもよい。

【0023】

障害レポート入力端末２は、企業などで用いられて運用状態にある製品に障害が発生した場合に、障害対応を行った作業者が、その障害の情報を入力するための装置である。障害レポート入力端末２は、作業者から入力された障害の情報を取得する。そして、障害レポート入力端末２は、取得した障害の情報を障害レポートとして、ネットワーク６を介してサーバ装置１へ送信する。障害の情報には、例えば、その障害の情報の登録が行われた発行日、障害が発生した顧客の顧客名、障害が発生した製品の種別及び機種名、発生した障害の現象、障害の原因、その障害への対処及び対処完了日などが含まれる。

【0024】

障害レポートデータベース３は、サーバ装置１により各障害レポート入力端末２から収集された障害レポートの情報が入力される。そして、障害レポートデータベース３は、入力された障害レポートをまとめて、図２に示すような障害レポート１００を作成する。図２は、障害レポートの一例を表す図である。障害レポート１００は、個々の障害レポート１０１を複数含む。障害レポート１０１は、文書情報であり、障害レポート入力端末２から送信される１つ１つの障害レポートである。

【0025】

各障害レポート１０１は、発行日などの定型情報を記載するフィールドと、現象、原因及び対処法などの自由記述フィールドを有する。ここで、本実施例では発行日を記載したが、時刻まで含む発行日時でもよい。すなわち、障害レポート１０１は、時刻に関連付けられた文書情報であり、時刻には日にちや日時が含まれる。例えば、障害レポート１０１は、図２に示すように、発行日、顧客名、種別、機種名及び対処完了日といった定型情報、現象、原因及び対処法とった自由記述情報を含む。また、障害レポート１００の情報は、ここで挙げた情報に限らず、交換部品の部品型名などのその他の情報を含んでもよく、傾向障害だけでなく、様々な観点でクラスタを生成可能である。

【0026】

障害レポートデータベース３は、障害レポート１００を保持する。障害レポートデータベース３が保持する障害レポート１００は、障害レポート入力端末２からの入力時又は定期的に、新たな障害レポート１０１が登録されて更新される。

【0027】

単語ベクトルデータベース４は、単語を分散表現と呼ばれるベクトルで表現した単語ベクトルを保持する。分散表現で表現された単語ベクトルは、正解を与えずとも用例が似ている単語は同じようなベクトルとして表現される。すなわち、用例が似た単語は、同じように扱われるため、表記ゆれが存在する単語や同義語は同じように扱われる。

【0028】

サーバ装置１は、ネットワーク６を介して各障害レポート入力端末２から送信された障害レポート１０１を収集する。そして、サーバ装置１は、障害レポート１０１を障害レポートデータベース３に格納させる。

【0029】

そして、サーバ装置１は、単語ベクトルデータベース４に格納された単語ベクトルを用いて障害レポート１０１に含まれる障害レポート１０１それぞれをベクトル化し、類似度を用いてクラスタリングして複数の文書クラスタを生成する。次に、サーバ装置１は、各文書クラスタ内の障害の発生件数を集計して傾向障害を検出する。その後、サーバ装置１は、検出した傾向障害を検索結果出力用クライアント端末５へ送信する。

【0030】

検索結果出力用クライアント端末５は、傾向障害の検出結果を表示して利用者に提供する装置である。検索結果出力用クライアント端末５は、検出された傾向障害の情報をサーバ装置１から受信する。そして、検索結果出力用クライアント端末５は、取得した傾向障害の情報を出力してモニタなどへの表示を行うことで、傾向障害の情報を利用者に通知する。

【0031】

次に、図３を参照して、サーバ装置１の詳細について説明する。図３は、サーバ装置のブロック図である。サーバ装置１は、図３に示すように、障害レポート情報取得部１１、階層クラスタリング部１２、傾向障害検出部１３及び出力部１４を有する。

【0032】

障害レポート情報取得部１１は、障害レポート入力端末２から送信された障害レポートを収集する。そして、障害レポート情報取得部１１は、収集した障害レポート１０１を障害レポートデータベース３へ送信して障害レポート１００を更新する。

【0033】

階層クラスタリング部１２は、障害レポート１０１に含まれる単語の単語ベクトルの作成及び作成した単語ベクトルを用いた障害レポート１０１のベクトル化、並びに、ベクトル化した障害レポート１０１のクラスタリングを行う。図４は、階層クラスタリング部及び傾向障害検出部の詳細を表すブロック図である。階層クラスタリング部１２は、図４に示すように、文解析部１２１、単語ベクトル作成部１２２、文書ベクトル作成部１２３及びデンドログラム作成部１２４を有する。

【0034】

文解析部１２１は、障害レポートデータベース３に格納された障害レポート１００に含まれる全ての障害レポート１０１を取得する。そして、文解析部１２１は、取得した障害レポート１０１を解析して単語を抽出する。その後、文解析部１２１は、抽出した単語を単語ベクトル作成部１２２へ出力する。

【0035】

また、文解析部１２１は、障害レポート１００から傾向障害の検出に用いる複数の障害レポート１０１を取得する。例えば、過去６か月の傾向を判定する場合、文解析部１２１は過去６か月以内に発生した障害が登録された全ての障害レポート１０１を取得する。そして、文解析部１２１は、取得した障害レポート１０１を文書ベクトル作成部１２３へ出力する。

【0036】

単語ベクトル作成部１２２は、障害レポート１００に含まれる単語の数値化を行う。具体的には、単語ベクトル作成部１２２は、障害レポート１００から抽出された単語の入力を文解析部１２１から受ける。そして、単語ベクトル作成部１２２は、分散表現を用いて取得した単語を表して単語ベクトルを生成する。例えば、単語ベクトル作成部１２２は、Ｗｏｒｄ２Ｖｅｃを用いて単語ベクトルを生成する。単語ベクトル作成部１２２は、自由記述文中の単語の使われ方をニューラルネットワークにより学習して、各単語をｎ次元のベクトルに変換する。次元数であるｎは、操作者により指定される値である。その後、単語ベクトル作成部１２２は、生成した単語ベクトルを単語ベクトルデータベース４に格納する。

【0037】

文書ベクトル作成部１２３は、障害レポート１０１の数値化を行う。具体的には、文書ベクトル作成部１２３は、傾向障害の検出に用いる障害レポート１０１の入力を文解析部１２１から受ける。そして、文書ベクトル作成部１２３は、単語ベクトルデータベース４に格納された単語ベクトルを用いて、各障害レポート１０１における現象、原因及び対処といった文書をベクトル化して、それぞれの障害レポート１０１の文書ベクトルを生成する。その後、文書ベクトル作成部１２３は、文書ベクトルで表された各障害レポート１０１をデンドログラム作成部１２４へ出力する。このベクトル化が、「数値化」の一例にあたり、文書ベクトルが「数値化情報」の一例にあたる。そして、この文書ベクトル作成部１２３が、「数値化部」の一例にあたる。

【0038】

ここで、文書ベクトル作成部１２３による文書ベクトルの作成処理の一例を詳細に説明する。入力となるテキスト情報は、障害レポート１０１において、現象、原因及び対処などのフィールドに分割されて記述されている。文書ベクトル作成部１２３は、フィールド毎の自由記述文に含まれる単語の単語ベクトルから重心ベクトルを算出する。これにより、文書ベクトル作成部１２３は、フィールド毎の自由記述文をｎ次元のベクトルとして表現する。

【0039】

他にも、文書ベクトル作成部１２３は、自由記述文に含まれる各単語の重みを考慮した重み付き重心ベクトルを採用することも可能である。例えば、文書ベクトル作成部１２３は、その文書における単語の出現確率が偏っている単語をより重視して重み付けを行っても良い。この場合、文書ベクトル作成部１２３は、単語をｗとして、ｗの重み＝文書におけるｗの出現頻度×ｌｏｇ（全文書数／ｗを含む文書数）として算出することができる。また、文書ベクトル作成部１２３は、算出した重心ベクトルに対して正規化を行ってもよい。例えば、文書ベクトル作成部１２３は、各重心ベクトルそれぞれのベクトルの長さを１にすることで正規化を行うことができる。

【0040】

各フィールドの重心ベクトルの算出後、文書ベクトル作成部１２３は、例えば以下の２つの方法のいずれかを用いて文書ベクトルを求める。１つのベクトル化の方法として、文書ベクトル作成部１２３は、フィールドから得られたｎ次元のベクトルの重心を文書ベクトルとして採用する。この場合、１つの文書がｎ次元のベクトルとして表現される。ここで、文書ベクトル作成部１２３は、求めた文書のベクトルを正規化して用いてもよい。

【0041】

また、他のベクトル化の方法として、文書ベクトル作成部１２３は、各フィールドのｎ次元ベクトルを結合したベクトルを文書ベクトルとして採用しても良い。例えば、現象、原因及び対処の３つのフィールドを用いる場合、障害レポート１０１は３次元のベクトルとして表現される。この場合も、文書ベクトル作成部１２３は、求めた文書のベクトルを正規化して用いてもよい。

【0042】

デンドログラム作成部１２４は、文書ベクトルを用いて表された各障害レポート１０１の入力を文書ベクトル作成部１２３から受ける。次に、デンドログラム作成部１２４は、文書ベクトルの類似度を用いて、類似度が近い障害レポート１０１を順番にまとめていく階層クラスタ分析を実行する。例えば、デンドログラム作成部１２４は、各障害レポート１０１をそれぞれの１つのクラスタとして、文書ベクトルで表されるクラスタ間の距離を用いてクラスタ同士をまとめていくことで、大きなクラスタを生成するcomplete linkを用いる。

【0043】

デンドログラム作成部１２４は、図５に示すように障害レポート１０１のデンドログラム２００を作成する。図５は、デンドログラムの一例を表す図である。デンドログラム２００は「樹形図」とも呼ばれ、デンドログラム２００を示す情報が、「樹形図情報」の一例にあたる。

【0044】

図５における最下層のクラスタ２０１が、それぞれ１つの障害レポート１０１にあたる。そして、デンドログラム２００における１つの分岐点２０２が、２つのクラスタが統合された１つのクラスタに対応する。デンドログラム作成部１２４は、作成したデンドログラム２００を傾向障害検出部１３へ出力する。

【0045】

ここで、実際は非常に多くの障害レポート１０１を用いてクラスタリングを行うため、デンドログラム２００における分岐点２０２の数が非常に多くなる。また、階層クラスタリングは、計算コストが大きいため計算の処理数を抑えることが好ましい。そこで、例えば、デンドログラム作成部１２４は、ｋ－ｍｅａｎｓ法などの粒度が粗く且つ計算コストが小さい方式を用いて、障害レポート１０１を大きく分けたうえで、階層クラスタリングを行っても良い。これにより、クラスタリングの処理時間を短縮することができ、且つ、計算コストを低く抑えることが可能となる。

【0046】

図４に戻って説明を続ける。傾向障害検出部１３は、分岐点評価部１３１及び抽出部１３２を有する。

【0047】

分岐点評価部１３１は、デンドログラム２００の入力をデンドログラム作成部１２４から受ける。次に、分岐点評価部１３１は、図５に示すデンドログラム２００の各分岐点２０２を抽出する。そして、分岐点評価部１３１は、分岐点２０２毎に増加傾向評価値を算出する。

【0048】

例えば、分岐点評価部１３１は、図６に示すように各分岐点２０２について増加傾向評価値を算出する。図６は、分岐点毎の増加傾向評価値の一例を表す図である。図６におけるクラスタ２１１～２１３がそれぞれデンドログラム２００における分岐点２０２におけるクラスタにあたる。

【0049】

例えば、分岐点評価部１３１は、クラスタ２１２に属する障害の過去６か月の発生件数として（０，１，０，２，２，３）を取得する。ここで、括弧内の数字は、紙面に向かって左から古い順に６か月の古い順の各月の発生件数を表す。次に、分岐点評価部１３１は、過去６か月の発生件数に対してＭａｎｎ－Ｋｅｎｄａｌｌの傾向検定を行い単調性の指標となるｔａｕ統計量を算出する。ここでは、分岐点評価部１３１は、クラスタ２１２においてｔａｕ＝０．７８８と算出する。次に、分岐点評価部１３１は、ｔａｕを用いて統計的検定に用いられる増加傾向評価値であるＰ値を算出する。Ｐ値は、偏りがないと考えられる帰無仮説が成立する場合に観測結果以上の偏りが発生する確率である。Ｍａｎｎ－Ｋｅｎｄａｌｌの傾向検定の場合、帰無仮説下では、ｔａｕ統計量が標準正規分布にしたがうため、分岐点評価部１３１は、ｔａｕ統計量からＰ値を算出することができる。例えば、分岐点評価部１３１は、クラスタ２１２のＰ値を０．７８８と算出する。

【0050】

同様に、分岐点評価部１３１は、クラスタ２１３に属する障害の過去６か月の発生件数として（１，０，１，１，２，２）を取得する。そして、分岐点評価部１３１は、クラスタ２１３のｔａｕ統計量を０．７０１と算出し、Ｐ値を０．１００と算出する。

【0051】

次に、分岐点評価部１３１は、クラスタ２１２とクラスタ２１３との過去６か月の発生件数を合計して、クラスタ２１１に属する障害の過去６か月の発生件数として（１，１，１，３，４，５）を取得する。そして、分岐点評価部１３１は、クラスタ２１１のｔａｕ統計量を０．８９４と算出し、Ｐ値を０．０２７と算出する。

【0052】

分岐点評価部１３１は、このようにＰ値の算出をデンドログラム２００の全ての分岐点２０２に対応するクラスタついて行う。そして、分岐点評価部１３１は、各クラスタの増加傾向評価値であるＰ値を各クラスタの識別情報とともに抽出部１３２へ出力する。

【0053】

ここで、本実施例では、分岐点評価部１３１は、デンドログラム２００の全ての分岐点２０２に対応する全てのクラスタに対して増加傾向評価値を算出した。しかし、下層側のクラスタは粒度が細かすぎて有意な増加傾向が認められないことが多い。そこで、分岐点評価部１３１は、予め決められた数以上の障害レポート１０１を含むクラスタを選択して、その選択したクラスタに限定して増加傾向評価値を求めて、その選択したクラスタの中から抽出部１３２に傾向障害を表すクラスタを抽出させても良い。これにより、計算コストを削減することができる。

【0054】

抽出部１３２は、デンドログラム２００における全ての分岐点２０２に対応するそれぞれのクラスタの識別情報及び増加傾向評価値であるＰ値の入力を分岐点評価部１３１から受ける。そして、分岐点評価部１３１は、統計的検定として所定の危険率と算出したＰ値とを比較して各クラスタに有意な増加傾向が認められるか否を判定する。例えば、危険率を５％と設定した場合、Ｐ値＜０．０５であれば、抽出部１３２は、有意な増加傾向が認められると判定する。

【0055】

例えば、図５におけるクラスタ２１２のＰ値は０．７８８であり危険率５％より大きいので、抽出部１３２は、クラスタ２１２において有意な増加傾向は認められないと判定する。同様に、クラスタ２１３のＰ値は０．７０１であり危険率５％より大きいので、抽出部１３２は、クラスタ２１３において有意な増加傾向は認められないと判定する。これに対して、クラスタ２１１のＰ値は０．０２７であり危険率５％以下であるので、抽出部１３２は、クラスタ２１１において有意な増加傾向が認められると判定する。このように、含まれる障害レポート１０１の件数が少ないために有意な増加傾向が認められなかったクラスタ２１２及び２１３が統合されることにより、有意な増加傾向が認められるクラスタ２１１が生成される場合がある。

【0056】

次に、抽出部１３２は、特定の分岐点２０２を選択した場合に、その分岐点２０２を含む階層構造において増加傾向が最大となる分岐点２０２のクラスタを抽出する。図７は、クラスタの抽出を説明するための図である。例えば、クラスタ２２３を選択した場合に、クラスタ２２３に対応する分岐点２０２を含む階層構造の分岐点２０２にはクラスタ２２１、２２２及び２２４～２２９が対応する。その中で、クラスタ２２１及び２２７～２２９は有意な増加傾向が認められず、クラスタ２２２～２２６は有意な増加傾向が認められる場合で説明する。なお、この場合のクラスタ２２１は、クラスタ２２２を含む下位のクラスタの統合により有意性が消失したと言える。この場合に、クラスタ２２３の増加傾向がクラスタ２２２及び２２４～２２６の増加傾向よりも大きい、すなわち増加傾向が強ければ、抽出部１３２は、クラスタ２２３を抽出する。抽出部１３２は、このようなクラスタをデンドログラム２００の中の全ての分岐点２０２から抽出する。この抽出部１３２により抽出されたクラスタが、「特定クラスタ」の一例にあたる。

【0057】

この抽出部１３２によるクラスタの抽出方法の具体例を以下に説明する。抽出部１３２は、増加傾向評価値であるＰ値が高い順に各分岐点２０２に対応するクラスタの識別子をソートした選択リストを作成する。

【0058】

次に、抽出部１３２は、リストの先頭から順にエントリを抽出する。そして、抽出したエントリのクラスタに有意な増加傾向が認められるか否かを判定する。有意な増加傾向が認められれば、抽出部１３２は、抽出したエントリを抽出リストに追加する。そして、抽出部１３２は、抽出したエントリのクラスタに対応する分岐点２０２の下位の分岐点２０２に対応するクラスタのエントリを選択リストから削除する。次に、抽出部１３２は、削除したエントリの間を詰めて選択リストのエントリをソートしなおす。その後、抽出部１３２は、次の位置のエントリの抽出を行う。

【0059】

これに対して、抽出したエントリのクラスタに有意な増加傾向が認められなければ、抽出部１３２は、選択リストのそれ以下のエントリに有意な増加傾向が認められるエントリが存在しないので、抽出リストの作成を終了する。そして、抽出部１３２は、作成した抽出リストに登録されたエントリに対応するクラスタの情報を出力部１４へ出力する。ここで、クラスタの情報としては、そのクラスタがどのような障害を表すグループであるかが識別できる情報であればよい。例えば、クラスタの情報は、抽出されたクラスタに属する障害レポート１０１の情報であっても良いし、そのクラスタに含まれる障害レポート１０１間で類似度の高い障害に関する単語であっても良い。

【0060】

また、抽出部１３２は、評価基準に対応させて抽出するクラスタ数の下限や上限を決定しても良い。本実施例では、ある分岐点２０２におけるクラスタの増加傾向評価値がその分岐点２０２を含む階層構造において最大の増加傾向評価値であるという条件にあう分岐点２０２に対応するクラスタを抽出したが、抽出したクラスタの数が下限に達しない場合がある。その場合は、抽出部１３２は、抽出したクラスタを除いて選択リストを再度作成して、上述した抽出リストを再度作成して前のリストに加えても良い。また、上限を超えた場合には、抽出部１３２は、増加傾向評価値の高い順に上限に収まる数のクラスタを抽出しても良い。

【0061】

出力部１４は、発生率の増加傾向が認められる傾向障害のグループであるクラスタの情報の入力を抽出部１３２から受ける。そして、出力部１４は、取得した各クラスタを発生率の増加傾向が認められる傾向障害のグループであるクラスタとして、その情報を検索結果出力用クライアント端末５へ出力する。

【0062】

利用者は、検索結果出力用クライアント端末５を用いて、発生率の増加傾向が認められる傾向障害のグループであるクラスタの情報を取得する。そして、利用者は、各クラスタの情報を用いてどのような傾向障害が発生しているかを確認する。これにより、利用者は、発生している傾向障害に対する対処を迅速に行うことが可能となる。

【0063】

次に、図８を参照して、本実施例に係る傾向障害検出処理の流れを説明する。図８は、実施例１に係る傾向障害算出処理のフローチャートである。

【0064】

障害レポート情報取得部１１は、障害レポート入力端末２から送信された障害レポート１０１を収集する。そして、障害レポート情報取得部１１は、収集した障害レポートを障害レポートデータベース３へ送信して、障害レポート１０１のそれぞれを各エントリとする障害レポート１００を障害レポートデータベース３に格納する（ステップＳ１）。

【0065】

階層クラスタリング部１２の文解析部１２１は、傾向障害の検出処理に用いるデータを有する障害レポート１００を障害レポートデータベース３から取得する。そして、文解析部１２１は、障害レポート１００に含まれる各障害レポート１０１を分析して、障害レポート１００に含まれる単語を抽出する。単語ベクトル作成部１２２は、文解析部１２１により抽出された単語を、分散表現を用いて表すことで、単語ベクトルを生成する（ステップＳ２）。その後、単語ベクトル作成部１２２は、生成した単語ベクトルを単語ベクトルデータベース４に格納する。

【0066】

文書ベクトル作成部１２３は、傾向障害の検出に用いる障害レポート１０１である対象文書を、文解析部１２１から取得する。そして、文書ベクトル作成部１２３は、単語ベクトルデータベース４に登録された単語ベクトルを用いて、傾向障害の検出処理の対象文書である各障害レポート１０１の文書ベクトルを作成する（ステップＳ３）。その後、文書ベクトル作成部１２３は、作成した文書ベクトルをデンドログラム作成部１２４へ出力する。

【0067】

デンドログラム作成部１２４は、対象文書群に含まれる各障害レポート１０１の文ベクトルを文書ベクトル作成部１２３から取得する。次に、デンドログラム作成部１２４は、各障害レポート１０１の文書ベクトルを用いての対象文書群の階層クラスタリングを実行して、デンドログラム２００を作成する（ステップＳ４）。その後、デンドログラム作成部１２４は、作成したデンドログラム２００を傾向障害検出部１３の分岐点評価部１３１へ出力する。

【0068】

分岐点評価部１３１は、デンドログラム作成部１２４から取得したデンドログラム２００の各分岐点２０２に対応するクラスタの増加傾向評価値を算出する（ステップＳ５）。そして、分岐点評価部１３１は、算出した増加傾向評価値とともに各クラスタの識別情報を抽出部１３２へ出力する。

【0069】

抽出部１３２は、デンドログラム２００の分岐点２０２のそれぞれに対応する各クラスタの識別情報及び増加傾向評価値を分岐点評価部１３１から取得する。そして、抽出部１３２は、増加傾向評価値の高い順にクラスタをソートして並べた選択リストを生成する（ステップＳ６）。

【0070】

次に、抽出部１３２は、選択リストにおける選択対象のエントリの先頭からの順番を表すｉを１に設定する（ステップＳ７）。

【0071】

次に、抽出部１３２は、選択リストのｉ番目のエントリの抽出を行う（ステップＳ８）。

【0072】

次に、抽出部１３２は、ｉ番目のエントリの抽出が成功したか否かを判定する（ステップＳ９）。ｉ番目のエントリの抽出に失敗した場合（ステップＳ９：否定）、抽出部１３２は、ステップＳ１３へ進む。

【0073】

これに対して、ｉ番目のエントリの抽出に成功した場合（ステップＳ９：肯定）、抽出部１３２は、そのエントリに対応するクラスタの増加傾向評価値を用いて、そのクラスタにおいて有意な増加傾向が存在するか否かを判定する（ステップＳ１０）。そのクラスタにおいて有意な増加傾向が存在しない場合（ステップＳ１０：否定）、抽出部１３２は、ステップＳ１３へ進む。

【0074】

これに対して、そのクラスタにおいて有意な増加傾向が存在する場合（ステップＳ１０：肯定）、抽出部１３２は、抽出したエントリを抽出リストに追加する（ステップＳ１１）。

【0075】

次に、抽出部１３２は、抽出したエントリに対応する分岐点２０２の下位の分岐点２０２に対応するエントリを選択リストから楽所する（ステップＳ１２）。さらに、抽出部１３２は、選択リストにおけるエントリが削除された部分を詰めて、選択リストに含まれる各エントリに先頭から順に番号を振り直す。その後、抽出部１３２は、ステップＳ８へ戻る。

【0076】

一方、エントリの抽出が失敗した場合（ステップＳ９：否定）及び抽出したエントリで表されるクラスタにおいて有意な増加傾向が認められなかった場合（ステップＳ１０：否定）、抽出部１３２は、以下の処理を行う。抽出部１３２は、抽出リストに登録されたエントリに対応するクラスタの情報を出力部１４へ出力する。出力部１４は、抽出部１３２から取得したクラスタを、各クラスタの情報を検索結果出力用クライアント端末５へ傾向障害を表すクラスタとして出力する（ステップＳ１３）。

【0077】

以上に説明したように、本実施例に係る傾向障害検出処理では、サーバ装置は、障害レポートのそれぞれの文書ベクトルを求め、その文書ベクトルを用いて階層クラスタリングを行ってデンドログラムを作成する。その後、サーバ装置は、デンドログラムの分岐点に対応するクラスタのうち、優位な増加傾向が認められるクラスタであって、その分岐点を含む階層構造において増加傾向評価値が最大となるクラスタを抽出してその情報を通知する。

【0078】

これにより、増加傾向が最も強く現れる内容粒度のクラスタを自動的に作成することができ、増加傾向にある不具合を高精度に検出することが可能となる。また、同期語辞書などの整備が不要なため人的コストを抑えることができる。したがって、高精度な傾向障害の検出により、不具合の発生に迅速かつ適切に対処することができ、製品の品質を向上させることが可能となる。

【実施例2】

【0079】

次に、実施例２について説明する。実施例１では、増加傾向にある障害の検出処理を例に説明したが、デンドログラムの分岐点２０２で算出する評価値を変えることにより他の検出処理にも、本実施例で説明した手法を適用することも可能である。その場合、評価値は、特定のクラスタにおいて、クラスタ内の障害レポート１０１及びクラスタ外の障害レポート１０１と顧客名とのクロス集計結果から算出されるカイ二乗統計量である。本実施例では、特定顧客に特異的に多い障害を発見する処理について説明する。本実施例に係るサーバ装置１も図３及び４で表される。以下の説明では、実施例１と同様の各部の動作は説明を省略する場合がある。

【0080】

図９は、特定顧客に特異的に多い障害の検出処理における階層クラスタの一部を表す図である。図９では、クラスタ毎に、顧客Ａで発生した障害と、顧客Ａ以外の顧客で発生した障害と、そのクラスタに含まれない顧客Ａで発生した障害と、そのクラスタに含まれない顧客Ａ以外の顧客で発生した障害と、そのクラスタでのカイ二乗統計量が示される。

【0081】

例えば，クラスタ３０１は、顧客Ａで発生した８件の障害及びそれ以外の顧客で発生した２件の障害の計１０件の障害を含むクラスタである。そして、クラスタ３０１に含まれない障害には、顧客Ａで発生した１７件の障害及びそれ以外の顧客で発生した９９９７３件の障害が含まれる。そして、クラスタ３０１のけるカイ二乗統計量は、２２４９３である。

【0082】

階層クラスタリング部１２のデンドログラム作成部１２４は、実施例１と同様に、検出処理で用いられる障害レポート１０１の文書ベクトルを用いて階層クラスタリングを実行して、図９で示すような階層を一部に有するデンドログラム２００を作成する。

【0083】

傾向障害検出部１３の分岐点評価部１３１は、デンドログラム２００の各分岐点２０２に対応するクラスタ毎の評価値であるカイ二乗統計量を算出する。

【0084】

カイ二乗統計量は、値が大きいほど顧客Ａの特異性が強いことを表す。すなわち、図９では、クラスタ３０２が、顧客Ａの特異性が最も強く現れている。抽出部１３２は、顧客Ａで発生した障害において有意な特異性が認められ、且つ、そのクラスタを含む階層構造において、そのクラスタのカイ二乗統計量で表される評価値が最大となる分岐点２０２に対応するクラスタを抽出する。これにより、顧客Ａに特異的に多い障害を表すクラスタが抽出される。

【0085】

利用者は、サーバ装置１により抽出されたクラスタで表される障害を確認することで、特定の顧客において特異的に多い障害を発見することができ、特定の顧客に対して迅速で適切な対応を行うことができる。

【0086】

（ハードウェア構成）
図１０は、サーバ装置のハードウェア構成図である。図１０に示すように、サーバ装置１は、ＣＰＵ９１、メモリ９２、ハードディスク９３及びネットワークインタフェース９４を有する。ＣＰＵ９１は、バスを介して、メモリ９２、ハードディスク９３及びネットワークインタフェース９４に接続される。

【0087】

ネットワークインタフェース９４は、ネットワーク６及び検索結果出力用クライアント端末５との通信用のインタフェースである。ＣＰＵ９１は、ネットワークインタフェース９４を介して、障害レポート入力端末２や検索結果出力用クライアント端末５と通信を行う。

【0088】

ハードディスク９３は、補助記憶装置である。ハードディスク９３は、図３に例示した障害レポート情報取得部１１、階層クラスタリング部１２、傾向障害検出部１３及び出力部１４の機能を実現するためのプログラムを含む各種プログラムを格納する。

【0089】

また、本実施例では、障害レポートデータベース３及び単語ベクトルデータベース４をサーバ装置１の外部に配置したが、サーバ装置１がそれらを保持する構成でもよい。その場合、ハードディスク９３が、障害レポートデータベース３及び単語ベクトルデータベース４の機能を実現する。

【0090】

ＣＰＵ９１は、ハードディスク９３に格納された各種プログラムを読み出してメモリ９２に展開して実行する。これにより、ＣＰＵ９１及びメモリ９２は、図３に例示した障害レポート情報取得部１１、階層クラスタリング部１２、傾向障害検出部１３及び出力部１４の機能を実現する。

【符号の説明】

【0091】

１ サーバ装置
２ 障害レポート入力端末
３ 障害レポートデータベース
４ 単語ベクトルデータベース
５ 検索結果出力用クライアント端末
６ ネットワーク
１０ 傾向障害検出システム
１１ 障害レポート情報取得部
１２ 階層クラスタリング部
１３ 傾向障害検出部
１４ 出力部
１２１ 文解析部
１２２ 単語ベクトル作成部
１２３ 文書ベクトル作成部
１２４ デンドログラム作成部
１３１ 分岐点評価部
１３２ 抽出部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】