特許 7540040 情報処理システム、情報処理方法、および情報処理プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-08-16

(45)【発行日】2024-08-26

(54)【発明の名称】情報処理システム、情報処理方法、および情報処理プログラム

(51)【国際特許分類】

   G06F 16/35 20190101AFI20240819BHJP

【ＦＩ】

G06F16/35

【請求項の数】 8

(21)【出願番号】P 2023077464

(22)【出願日】2023-05-09

【審査請求日】2023-06-26

【新規性喪失の例外の表示】特許法第３０条第２項適用 発行日 令和５年３月１６日 刊行物（刊行物名、巻数、号数、該当ページ、発行所／発行元等）言語処理学会第２９回年次大会発表論文集（２０２３年３月）、尾城奈緒子，竹村彰浩，白石空、「分散表現を用いたブランド名の語義曖昧性解消と小規模学習データでの応用」ｐｐ．２８７９－２８８４ ｈｔｔｐｓ：／／ｗｗｗ．ａｎｌｐ．ｊｐ／ｐｒｏｃｅｅｄｉｎｇｓ／ａｎｎｕａｌ＿ｍｅｅｔｉｎｇ／２０２３／ｉｎｄｅｘ．ｈｔｍｌ＃Ｑ１１ 開催日 令和５年３月１３日～令和５年３月１７日 発表日 令和５年３月１６日 集会名、開催場所 言語処理学会第２９回年次大会（ＮＬＰ２０２３） （沖縄コンベンションセンター所在地：沖縄県宜野湾市真志喜４－３－１）

(73)【特許権者】

【識別番号】313015432

【氏名又は名称】株式会社インテージ

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100144440

【弁理士】

【氏名又は名称】保坂 一之

(72)【発明者】

【氏名】尾城 奈緒子

(72)【発明者】

【氏名】白石 空

(72)【発明者】

【氏名】竹村 彰浩

【審査官】原 秀人

(56)【参考文献】

【文献】特開２０２０－１３５５６６（ＪＰ，Ａ）

【文献】特開２０１８－１３６７２１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １６／００－１６／９５８

Ｇ０６Ｆ ４０／２０－４０／５８

(57)【特許請求の範囲】

【請求項1】

少なくとも一つのプロセッサを備え、
前記少なくとも一つのプロセッサが、
対象テキストの分散表現ベクトルを対象ベクトルとして取得し、
対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得し、
前記対象ベクトルと前記知識ベクトルとの類似度を算出し、
前記類似度に基づいて前記対象テキストと前記対象概念との関連度を算出する機械学習モデルに、前記算出された類似度を入力して、前記対象テキストと前記対象概念との関連度を該機械学習モデルから取得し、
前記背景知識を構成する情報が複数の知識領域にグループ化され、
前記少なくとも一つのプロセッサが、
前記複数の知識領域のそれぞれについて前記知識ベクトルを取得し、
前記複数の知識領域のそれぞれについて前記類似度を算出し、
前記算出された複数の類似度を前記機械学習モデルに入力して、前記関連度を該機械学習モデルから取得する、
情報処理システム。

【請求項2】

前記少なくとも一つのプロセッサが、前記背景知識に属する複数の単語に対応する複数の分散表現ベクトルの代表値を前記知識ベクトルとして算出する、
請求項１に記載の情報処理システム。

【請求項3】

前記背景知識が、前記対象概念の名称と共に使用される頻度が所定の基準を満たす関連共起語を含む、
請求項１または２に記載の情報処理システム。

【請求項4】

前記背景知識が、前記対象概念に対して予め定義されたキーワードを含む、
請求項１または２に記載の情報処理システム。

【請求項5】

前記背景知識が、前記対象概念について言及した記事に含まれる単語を含む、
請求項１または２に記載の情報処理システム。

【請求項6】

前記背景知識が、前記対象概念の名称の同形異義語と共に使用される頻度が所定の基準を満たす非関連共起語を含む、
請求項１または２に記載の情報処理システム。

【請求項7】

少なくとも一つのプロセッサを備える情報処理システムにより実行される情報処理方法であって、
対象テキストの分散表現ベクトルを対象ベクトルとして取得するステップと、
対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得するステップと、
前記対象ベクトルと前記知識ベクトルとの類似度を算出するステップと、
前記類似度に基づいて前記対象テキストと前記対象概念との関連度を算出する機械学習モデルに、前記算出された類似度を入力して、前記対象テキストと前記対象概念との関連度を該機械学習モデルから取得するステップと、
を含み、
前記背景知識を構成する情報が複数の知識領域にグループ化され、
前記背景知識の前記分散表現ベクトルを前記知識ベクトルとして取得する前記ステップでは、前記複数の知識領域のそれぞれについて前記知識ベクトルを取得し、
前記類似度を算出する前記ステップでは、前記複数の知識領域のそれぞれについて前記類似度を算出し、
前記関連度を取得する前記ステップでは、前記算出された複数の類似度を前記機械学習モデルに入力して、前記関連度を該機械学習モデルから取得する、
情報処理方法。

【請求項8】

対象テキストの分散表現ベクトルを対象ベクトルとして取得するステップと、
対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得するステップと、
前記対象ベクトルと前記知識ベクトルとの類似度を算出するステップと、
前記類似度に基づいて前記対象テキストと前記対象概念との関連度を算出する機械学習モデルに、前記算出された類似度を入力して、前記対象テキストと前記対象概念との関連度を該機械学習モデルから取得するステップと、
をコンピュータに実行させ、
前記背景知識を構成する情報が複数の知識領域にグループ化され、
前記背景知識の前記分散表現ベクトルを前記知識ベクトルとして取得する前記ステップでは、前記複数の知識領域のそれぞれについて前記知識ベクトルを取得し、
前記類似度を算出する前記ステップでは、前記複数の知識領域のそれぞれについて前記類似度を算出し、
前記関連度を取得する前記ステップでは、前記算出された複数の類似度を前記機械学習モデルに入力して、前記関連度を該機械学習モデルから取得する、
情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示の一側面は情報処理システム、情報処理方法、および情報処理プログラムに関する。

【背景技術】

【0002】

機械学習モデルを用いてテキストを処理する技術が知られている。例えば、特許文献１には、未知語を含むセンテンスのカテゴリを推定する精度を向上させることができるカテゴリ推定装置が記載されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２０－１６１０７５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

テキストが特定の概念とどの程度関連しているのかを精度良く推定することが望まれている。

【課題を解決するための手段】

【0005】

本開示の一側面に係る情報処理システムは、少なくとも一つのプロセッサを備える。少なくとも一つのプロセッサは、対象テキストの分散表現ベクトルを対象ベクトルとして取得し、対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得し、対象ベクトルと知識ベクトルとの類似度を算出し、類似度に基づいて対象テキストと対象概念との関連度を算出する機械学習モデルに、算出された類似度を入力して、対象テキストと対象概念との関連度を該機械学習モデルから取得する。

【0006】

本開示の一側面に係る情報処理方法は、少なくとも一つのプロセッサを備える情報処理システムにより実行される。この情報処理方法は、対象テキストの分散表現ベクトルを対象ベクトルとして取得するステップと、対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得するステップと、対象ベクトルと知識ベクトルとの類似度を算出するステップと、類似度に基づいて対象テキストと対象概念との関連度を算出する機械学習モデルに、算出された類似度を入力して、対象テキストと対象概念との関連度を該機械学習モデルから取得するステップと、を含む。

【0007】

本開示の一側面に係る情報処理プログラムは、対象テキストの分散表現ベクトルを対象ベクトルとして取得するステップと、対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得するステップと、対象ベクトルと知識ベクトルとの類似度を算出するステップと、類似度に基づいて対象テキストと対象概念との関連度を算出する機械学習モデルに、算出された類似度を入力して、対象テキストと対象概念との関連度を該機械学習モデルから取得するステップと、をコンピュータに実行させる。

【0008】

このような側面においては、対象テキストと対象概念に関連する背景知識との類似度がまず算出され、機械学習モデルによってその類似度から対象テキストと対象概念との関連度が得られる。対象概念に関連する背景知識との類似度と機械学習モデルとをこのように利用することで、対象テキストが対象概念とどの程度関連しているのかを精度良く推定できる。

【発明の効果】

【0009】

本開示の一側面によれば、テキストが特定の概念とどの程度関連しているのかを精度良く推定できる。

【図面の簡単な説明】

【0010】

【図1】情報処理システムの動作の概要の一例を示す図である。

【図2】情報処理システムの機能構成の一例を示す図である。

【図3】情報処理システムを構成するコンピュータのハードウェア構成の一例を示す図である。

【図4】情報処理システムでの処理の一例を示すフローチャートである。

【図5】対象ベクトルを取得するための処理の一例を示すフローチャートである。

【図6】知識ベクトルを取得するための処理の一例を示すフローチャートである。

【図7】対象ベクトルを取得するための処理の一例を示す図である。

【図8】知識ベクトルを取得するための処理の一例を示す図である。

【図9】知識ベクトルを取得するための処理の一例を示す図である。

【図10】知識ベクトルを取得するための処理の一例を示す図である。

【図11】知識ベクトルを取得するための処理の一例を示す図である。

【図12】類似度を取得するための処理の一例を示す図である。

【図13】関連度を取得するための処理の一例を示す図である。

【発明を実施するための形態】

【0011】

以下、添付図面を参照しながら本開示での実施形態を詳細に説明する。なお、図面の説明において同一または同等の要素には同一の符号を付し、重複する説明を省略する。

【0012】

［システムの概要］
本開示に係る情報処理システムは、対象テキストと対象概念との関連度を推定するコンピュータシステムである。対象概念とは特定の同類の物事に対して共通して抱かれる意味内容をいう。対象概念は、例えば特定のブランド、商品、サービス、企業、団体、チーム、組織、人物、出版物、芸術作品、論文、品種、地域、イベント、体験、権利、情報、またはアイディアであり得る。対象テキストとは対象概念との関連度を調べられるべきテキストをいう。対象テキストは文字列によって表現され、例えば１以上の文によって構成される。対象テキストはウェブサイト、ＳＮＳなどの様々な情報源から取得され得る。対象概念および対象テキストのいずれも、情報処理システムの利用者によって指定され得る。関連度とは、対象テキストが対象概念とどの程度関連するかを示す指数をいう。

【0013】

情報処理システムは、対象概念の背景知識を利用して対象テキストと該対象概念との関連度を取得する。背景知識とは対象概念に関連する情報をいう。背景知識は、例えば、対象概念の正式名称、略称または俗称、あるいはこれらのような名称の同形異義語、同音異義語、類義語または共起語を含む。ここで、類義語はある単語についてその単語と意味の似た別の単語をいう。類義語は、単語の埋め込み空間においてある単語と距離が近い、またはコサイン類似度が近い別の単語であり得る。また、類義語は、類義語辞典によってある単語から取得される別の単語であり得る。背景知識はまた、対象概念の上位概念、対象概念と観念が類似する概念、あるいは対象概念から連想される人物、組織または地域を含み得る。一例として対象概念が特定のブランドである場合には、背景知識は、ブランドの商品名、ブランドのキーワードまたはトピック、ブランドの創立者または発祥地を含み得る。情報処理システムにおいて、背景知識を構成する情報は複数の情報カテゴリにグループ化されてもよく、本開示ではそれぞれの情報カテゴリを知識領域とも呼ぶ。例えば、対象概念が特定のブランドである場合、商品名、ブランドキーワード、ブランドトピックなどのような１以上の知識領域が設定され得る。

【0014】

情報処理システムは、機械学習モデルを利用して上記関連度に関する計算を行う。機械学習とは、与えられた情報に基づいて反復的に学習することで、法則またはルールを自律的に見つけ出す手法をいう。機械学習モデルとは機械学習によって得られる計算モデルをいい、したがって、学習済みモデルとも呼ばれる。

【0015】

情報処理システムは、対象テキストの分散表現ベクトルを対象ベクトルとして取得し、対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得する。分散表現ベクトルとは、単語またはテキストを複数次元の数値の集合で表現するベクトルをいう。情報処理システムは対象ベクトルと知識ベクトルとの類似度を算出する。この類似度は、二つのベクトルがどのくらい似ているかを示す指標をいう。情報処理システムはその類似度に基づいて関連度を算出する。一例では、情報処理システムは、分散表現ベクトルを取得するための機械学習モデルと、類似度から関連度を算出するための別の機械学習モデルとを用いる。上述したように、これらの機械学習モデルはいずれも、機械学習によって予め生成される学習済みモデルである。分散表現ベクトルを取得するための機械学習モデルの例として、ｆａｓｔＴｅｘｔ、Ｗｏｒｄ２ｖｅｃ、ＧｌｏＶｅ、ＥＬＭｏおよびＢＥＲＴが挙げられる。関連度を算出するための機械学習モデルの例としてロジスティック回帰が挙げられる。

【0016】

図１は、情報処理システムの動作の概要を処理フローＳ１として例示する図である。この例では、背景知識としてＮ個（Ｎは自然数）の知識領域を示す。

【0017】

情報処理システムは、対象テキストの分散表現ベクトルを対象ベクトルＷ_ｘとして取得する（ステップＳ１１）。一例として情報処理システムは、機械学習モデルである第１ベクトル取得モデル１１ａを用いて対象ベクトルＷ_ｘを取得する。

【0018】

情報処理システムは、対象概念に関連する背景知識に含まれる知識領域Ｋ_１～Ｋ_Ｎのそれぞれの分散表現ベクトルを、知識ベクトルＷ_１～Ｗ_Ｎとして取得する（ステップＳ１２）。一例として情報処理システムは、機械学習モデルである第２ベクトル取得モデル１２ａを用いて知識ベクトルＷ_１～Ｗ_Ｎを取得する。第２ベクトル取得モデル１２ａは、複数の知識領域のそれぞれについて分散表現ベクトルを算出することが可能な、該複数の知識領域に共通の機械学習モデルであってもよい。あるいは、第２ベクトル取得モデル１２ａはそれぞれの知識領域に対して個別に設けられてもよい。

【0019】

情報処理システムは、ステップＳ１２で取得された知識ベクトルＷ_１～Ｗ_Ｎのそれぞれについて、対象ベクトルＷ_ｘとの類似度Ｒ_１～Ｒ_Ｎを算出する（ステップＳ１３）。類似度の例として、コサイン類似度、ユークリッド距離、およびマンハッタン距離が挙げられる。

【0020】

情報処理システムは、類似度Ｒ_１～Ｒ_Ｎに基づいて対象テキストと対象概念との関連度を取得する（ステップＳ１４）。一例として情報処理システムは、機械学習モデルである関連度取得モデル１４ａを用いて関連度を取得する。

【0021】

このように情報処理システムは、対象ベクトルＷ_ｘと知識ベクトルＷ_１～Ｗ_Ｎとをまず取得し、対象ベクトルＷ_ｘと知識ベクトルＷ_１～Ｗ_Ｎのそれぞれとの類似度から、対象テキストと対象概念との関連度を得る。対象概念に関連する背景知識との類似度と機械学習モデルとをこのように利用することで、対象テキストが対象概念とどの程度関連しているのかを精度良く推定できる。

【0022】

［システムの構成］
図２は、情報処理システム１０の機能構成の一例を示す図である。一例では、情報処理システム１０は、機能モジュールとして第１ベクトル取得部１１、第２ベクトル取得部１２、類似度算出部１３および関連度取得部１４を備える。情報処理システム１０は、通信ネットワークを介してデータベース群２０にアクセスすることができる。通信ネットワークは移動体通信網、インターネット、イントラネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）のうちの少なくとも一つを含んで構成されてもよい。

【0023】

第１ベクトル取得部１１は、対象テキストの分散表現ベクトルを対象ベクトルとして取得する機能モジュールである。一例として、第１ベクトル取得部１１は第１ベクトル取得モデル１１ａに対象ベクトルを算出させる。

【0024】

第２ベクトル取得部１２は、対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得する機能モジュールである。一例として、第２ベクトル取得部１２は第２ベクトル取得モデル１２ａに知識ベクトルを算出させる。

【0025】

類似度算出部１３は、第１ベクトル取得部１１によって取得された対象ベクトルと、第２ベクトル取得部１２によって取得された知識ベクトルとの類似度を算出する機能モジュールである。

【0026】

関連度取得部１４は、類似度算出部１３によって算出された類似度に基づいて、対象テキストと対象概念との関連度を取得する機能モジュールである。一例として、関連度取得部１４は関連度取得モデル１４ａに関連度を算出させる。

【0027】

データベース群２０は、情報処理システム１０において必要なデータを記憶するデータベースの集合である。一例として、データベース群２０は、テキストデータベース２１および背景知識データベース２２を含む。それぞれのデータベースは情報処理システム１０の一部として構成されてもよいし、情報処理システム１０とは別のコンピュータシステムに設けられてもよい。情報処理システム１０は個々のデータベースにアクセスしてデータを読み取ったり書き込んだりすることができる。

【0028】

テキストデータベース２１は、対象テキストのデータを記憶する非一時的な記憶媒体または記憶装置である。複数のデータベースの集合がテキストデータベース２１として用いられてもよい。

【0029】

背景知識データベース２２は、背景知識のデータを記憶する非一時的な記憶媒体または記憶装置である。複数のデータベースの集合が背景知識データベース２２として用いられてもよい。

【0030】

図３は、情報処理システム１０として機能し得るコンピュータ１００の一般的なハードウェア構成を示す図である。例えば、コンピュータ１００はプロセッサ１０１、主記憶部１０２、補助記憶部１０３、通信制御部１０４、入力装置１０５、および出力装置１０６を備える。プロセッサ１０１はオペレーティングシステムおよびアプリケーションプログラムを実行する。主記憶部１０２は例えばＲＯＭおよびＲＡＭで構成される。補助記憶部１０３は例えばハードディスクまたはフラッシュメモリで構成され、一般に主記憶部１０２よりも大量のデータを記憶する。補助記憶部１０３は、少なくとも１台のコンピュータを情報処理システム１０として機能させるための情報処理プログラム１１０を非一時的に記憶する。通信制御部１０４は例えばネットワークカードまたは無線通信モジュールで構成される。入力装置１０５は例えばキーボード、マウス、タッチパネルなどで構成される。出力装置１０６は例えばモニタおよびスピーカで構成される。

【0031】

情報処理システム１０の各機能要素は、プロセッサ１０１または主記憶部１０２の上に情報処理プログラム１１０を読み込ませてプロセッサ１０１にその情報処理プログラム１１０を実行させることで実現される。情報処理プログラム１１０は、情報処理システム１０の各機能要素を実現するためのコードを含む。プロセッサ１０１は情報処理プログラム１１０に従って、通信制御部１０４、入力装置１０５、または出力装置１０６を動作させ、主記憶部１０２または補助記憶部１０３におけるデータの読み出しおよび書き込みを行う。この処理により情報処理システム１０の各機能要素が実現される。処理に必要なデータまたはデータベースは主記憶部１０２または補助記憶部１０３内に格納されてもよい。

【0032】

情報処理プログラム１１０は、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどの有形の記録媒体に非一時的に記録された上で提供されてもよい。あるいは、情報処理プログラム１１０は、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。

【0033】

情報処理システム１０は一つまたは複数のコンピュータにより構成され得る。複数のコンピュータが用いられる場合には、通信ネットワークを介してこれらのコンピュータが互いに接続されることで情報処理システム１０が構成される。

【0034】

［システムの処理］
図４～６を参照しながら、情報処理システム１０によって実行される処理について詳細に説明する。図４は処理フローＳ１を示すフローチャートである。情報処理システム１０は処理フローＳ１を実行する。図５はステップＳ１１の一例を示すフローチャートである。図６はステップＳ１２の一例を示すフローチャートである。

【0035】

ステップＳ１１では、第１ベクトル取得部１１が対象テキストの分散表現ベクトルを対象ベクトルＷ_ｘとして取得する。一例では、第１ベクトル取得部１１はテキストデータベース２１にアクセスして対象テキストを読み出し、第１ベクトル取得モデル１１ａを用いてその対象テキストを処理して対象ベクトルＷ_ｘを取得する。図５を参照しながらステップＳ１１の詳細を説明する。

【0036】

ステップＳ１１１では、第１ベクトル取得部１１は対象テキストに対して形態素解析を実行して、対象テキストから１以上の単語を取得する。第１ベクトル取得部１１は形態素解析によって得られる１以上の形態素に基づいて１以上の単語を取得する。形態素とは、意味をもつ表現要素の最小単位である。形態素解析は文字列を形態素に分解する処理である。一例では、第１ベクトル取得部１１は１以上の単語として１以上の名詞を取得し、他の品詞の単語を取得しない。

【0037】

ステップＳ１１２では、第１ベクトル取得部１１は取得された１以上の単語のそれぞれについて分散表現ベクトルを取得する。第１ベクトル取得部１１は各単語について以下の処理を実行する。すなわち、第１ベクトル取得部１１はその単語を第１ベクトル取得モデル１１ａに入力する。第１ベクトル取得モデル１１ａはその単語に基づいて分散表現ベクトルを算出および出力する。第１ベクトル取得部１１はその分散表現ベクトルを取得する。

【0038】

ステップＳ１１３では、第１ベクトル取得部１１は取得された１以上の分散表現ベクトルに基づいて対象ベクトルＷ_ｘを算出する。例えば、第１ベクトル取得部１１は１以上の分散表現ベクトルの代表値を対象ベクトルＷ_ｘとして算出する。代表値とは統計処理により算出される値をいい、例えば平均値でもよいし中央値でもよい。平均値は、算術平均（相加平均）、幾何平均（相乗平均）または調和平均であってもよい。１以上の単語が複数の品詞に分類される場合には、第１ベクトル取得部１１は品詞ごとに予め設定された重みによって分散表現ベクトルを重み付けし、重み付けされた分散表現ベクトルの代表値を算出してもよい。例えば、第１ベクトル取得部１１は名詞の重みを他の品詞の重みより高くしてもよいし、固有名詞の重みを一般名詞の重みより高くしてもよい。

【0039】

図４に戻って、ステップＳ１２では、第２ベクトル取得部１２が、対象概念に関連する背景知識に含まれる１以上の知識領域Ｋ_１～Ｋ_Ｎについての１以上の分散表現ベクトルを、１以上の知識ベクトルＷ_１～Ｗ_Ｎとして取得する。一例として第２ベクトル取得部１２は第２ベクトル取得モデル１２ａを利用する。図６を参照しながらステップＳ１２の詳細を説明する。

【0040】

ステップＳ１２１では、第２ベクトル取得部１２は、背景知識を構成する１以上の知識領域から、処理しようとする一つの知識領域を選択する。

【0041】

ステップＳ１２２では、第２ベクトル取得部１２は選択された知識領域に属する１以上の単語を取得する。一例では、第２ベクトル取得部１２は背景知識データベース２２にアクセスして、その知識領域に対応する１以上の単語を読み出す。あるいは、第２ベクトル取得部１２はその知識領域に対応する１以上のテキストを背景知識データベース２２から読み出し、各テキストに対して形態素解析を実行して１以上の単語を取得してもよい。

【0042】

ステップＳ１２３では、第２ベクトル取得部１２は取得された１以上の単語のそれぞれについて分散表現ベクトルを取得する。第２ベクトル取得部１２は各単語について以下の処理を実行する。すなわち、第２ベクトル取得部１２はその単語を第２ベクトル取得モデル１２ａに入力する。第２ベクトル取得モデル１２ａはその単語に基づいて分散表現ベクトルを算出および出力する。第２ベクトル取得部１２はその分散表現ベクトルを取得する。

【0043】

ステップＳ１２４では、第２ベクトル取得部１２は取得された１以上の分散表現ベクトルに基づいて知識ベクトルを算出する。一例として、第２ベクトル取得部１２は１以上の分散表現ベクトルの代表値を知識ベクトルとして算出する。例えば、その代表値は平均値でもよいし中央値でもよい。平均値は、算術平均（相加平均）、幾何平均（相乗平均）または調和平均であってもよい。１以上の単語が複数の品詞に分類される場合には、第２ベクトル取得部１２は品詞ごとに予め設定された重みによって分散表現ベクトルを重み付けし、重み付けされた分散表現ベクトルの代表値を算出してもよい。例えば、第２ベクトル取得部１２は名詞の重みを他の品詞の重みより高くしてもよいし、固有名詞の重みを一般名詞の重みより高くしてもよい。

【0044】

未だ処理していない知識領域が存在する場合には（ステップＳ１２５においてＮＯ）、処理はステップＳ１２１に戻る。繰り返されるステップＳ１２１では、第２ベクトル取得部１２は未だ処理されていない次の知識領域を選択する。繰り返されるステップＳ１２２～Ｓ１２４では、第２ベクトル取得部１２はその知識領域について知識ベクトルを算出する。知識領域Ｋ_１～Ｋ_Ｎのすべてについて処理を実行した場合、すなわち知識ベクトルＷ_１～Ｗ_Ｎのすべてを取得した場合には（ステップＳ１２５においてＹＥＳ）、第２ベクトル取得部１２はステップＳ１２を終了する。

【0045】

図４に戻って、ステップＳ１３では、類似度算出部１３が、１以上の知識ベクトルＷ_１～Ｗ_Ｎのそれぞれについて、対象ベクトルＷ_ｘとの類似度を算出して、１以上の類似度Ｒ_１～Ｒ_Ｎを取得する。

【0046】

ステップＳ１４では、関連度取得部１４が、１以上の類似度Ｒ_１～Ｒ_Ｎに基づいて、対象テキストと対象概念との関連度を取得する。関連度取得部１４は類似度Ｒ_１～Ｒ_Ｎを関連度取得モデル１４ａに入力する。関連度取得モデル１４ａはその類似度Ｒ_１～Ｒ_Ｎに基づいて関連度を算出および出力する。関連度取得部１４はその関連度を取得および出力する。例えば、関連度取得部１４は関連度を、表示装置上に表示してもよいし、所与のデータベースに格納してもよいし、他のコンピュータまたはコンピュータシステムに向けて送信してもよい。関連度取得部１４は関連度を、対象テキストが対象概念に関連する確率などのような数値によって表現してもよいし、「関連あり」、「関連なし」などの文字列によって表現してもよいし、関連の有無を示す記号によって表現してもよい。

【0047】

図７～図１３を参照しながら、処理フローＳ１に関する例について説明する。これらの図に示す例では、対象概念は、「ＸＹＺ」という名称の化粧品ブランドであるとする。

【0048】

図７は、対象ベクトルを取得する処理（ステップＳ１１）の例を示す図である。この例では、第１ベクトル取得部１１が「ＸＹＺのアイシャドウは、単色のツヤが良い。」という対象テキストをテキストデータベース２１から取得する。第１ベクトル取得部１１はその対象テキストに対して形態素解析を実行して、「ＸＹＺ」「アイシャドウ」「単色」「ツヤ」という４つの名詞（単語）を取得する（ステップＳ１１１）。第１ベクトル取得部１１はその４単語のそれぞれについて、第１ベクトル取得モデル１１ａを用いて分散表現ベクトルを取得する（ステップＳ１１２）。第１ベクトル取得部１１は、「ＸＹＺ」を第１ベクトル取得モデル１１ａに入力し、第１ベクトル取得モデル１１ａからその単語の分散表現ベクトルＷ_ｘ１を取得する。同様に、第１ベクトル取得部１１は「アイシャドウ」「単色」「ツヤ」という３単語から、分散表現ベクトルＷ_ｘ２、Ｗ_ｘ３およびＷ_ｘ４をそれぞれ取得する。第１ベクトル取得部１１はその分散表現ベクトルＷ_ｘ１～Ｗ_ｘ４に基づいて対象ベクトルＷ_ｘを算出する（ステップＳ１１３）。

【0049】

図８～図１１はいずれも、知識ベクトルを取得する処理（ステップＳ１２）の例を示す図である。この例では、化粧品ブランド「ＸＹＺ」に関する背景知識が、ブランド名、上位の関連共起語、上位の非関連共起語、ブランドキーワード、およびブランドトピックという５つの知識領域から構成されるとする。

【0050】

図８は、ブランド名の知識ベクトルＷ_１を取得する処理を示す図である。ブランド名に属する単語の例として、ブランドの正式名称、略称、および俗称と、これらのような名称の表記揺れおよび類義語とが挙げられる。

【0051】

第２ベクトル取得部１２は、ブランド名に属する１以上の単語を背景知識データベース２２から取得する（ステップＳ１２２）。図８はそのような単語の例として「ＸＹＺ」「Ｘｙｚ」および「ｘｙｚ」を示す。第２ベクトル取得部１２は取得された１以上の単語のそれぞれについて、第２ベクトル取得モデル１２ａによって分散表現ベクトルを取得する（ステップＳ１２３）。図８の例では、第２ベクトル取得部１２は「ＸＹＺ」「Ｘｙｚ」および「ｘｙｚ」からそれぞれ算出される分散表現ベクトルＷ_１１，Ｗ_１２，Ｗ_１３を含む１以上の分散表現ベクトルを取得する。第２ベクトル取得部１２は取得された１以上の分散表現ベクトルに基づいて、ブランド名についての知識ベクトルＷ_１を算出する（ステップＳ１２４）。

【0052】

図９は、上位の関連共起語の知識ベクトルＷ_２と、上位の非関連共起語の知識ベクトルＷ_３とを取得する処理を示す図である。共起語とは、ある単語についてその単語と共に使用される頻度の高い単語をいう。関連共起語は、対象概念の名称を意味する単語と共に使われる頻度の高い単語をいう。非関連共起語とは、対象概念の名称と同じ表記を有するが別の概念を意味する単語と共に使用される頻度の高い単語をいう。換言すれば、非関連共起語は、対象概念を表す名称の同形異義語と共に使われる頻度の高い単語であるといえる。「上位の関連共起語」とは、頻度の降順に関連共起語を並べた場合の、先頭からＭ_１個（Ｍ_１は自然数）の関連共起語の群をいう。「上位の非関連共起語」とは、頻度の降順に非関連共起語を並べた場合の、先頭からＭ_２個（Ｍ_２は自然数）の非関連共起語群をいう。

【0053】

上位の関連共起語および上位の非関連共起語を用意するために、対象概念の名称を意味する単語を含むテキスト群と、対象概念を表す名称の同形異義語を含むテキスト群とが収集される。そして、収集されたそれぞれのテキストに、対象概念に関連するテキストであるか否かを示すラベルが人手によって付与される。図９の例では、化粧品ブランド「ＸＹＺ」に関連するテキストにはラベル（ｌａｂｅｌ）「１」が付与され、化粧品ブランド「ＸＹＺ」に関連しないテキストにはラベル「０」が付与され、化粧品ブランド「ＸＹＺ」との関連を判断できなかったテキストにはラベル「不明」が付与される。以下、ラベル「１」を付与されたテキストを関連テキストといい、ラベル「０」を付与されたテキストを非関連テキストという。

【0054】

一例では、第２ベクトル取得部１２は、関連テキストのそれぞれに対して形態素解析を行い、それぞれの関連テキストから１以上の名詞を関連共起語として取得する。第２ベクトル取得部１２はそれぞれの関連共起語の出現回数を頻度としてカウントし、関連共起語を頻度の降順に並べて、上位の関連共起語を取得する。また、第２ベクトル取得部１２は、非関連テキストのそれぞれに対して形態素解析を行い、それぞれの非関連テキスト群から１以上の単語を非関連共起語として取得する。第２ベクトル取得部１２は、それぞれの非関連共起語の出現回数を頻度としてカウントし、非関連共起語を頻度の降順に並べて、上位の非関連共起語を取得する。別の例として、上位の関連共起語および上位の非関連共起語は他のコンピュータシステムから提供されて背景知識データベース２２に予め格納されてもよい。

【0055】

第２ベクトル取得部１２は上位の関連共起語を取得する（ステップＳ１２２）。図９は上位の関連共起語の例として「コスメ」「春」および「購入」を示す。第２ベクトル取得部１２は上位の関連共起語のそれぞれについて、第２ベクトル取得モデル１２ａによって分散表現ベクトルを取得する（ステップＳ１２３）。図９の例では、第２ベクトル取得部１２は「コスメ」「春」および「購入」からそれぞれ算出される分散表現ベクトルＷ_２１～Ｗ_２３を含む１以上の分散表現ベクトルを取得する。第２ベクトル取得部１２は、取得された１以上の分散表現ベクトルに基づいて、上位の関連共起語についての知識ベクトルＷ_２を算出する（ステップＳ１２４）。第２ベクトル取得部１２は、上位の関連共起語の分散表現ベクトルに加えて上位の関連共起語のそれぞれの類義語について分散表現ベクトルを取得し、上位の関連共起語およびこれらの類義語から算出される分散表現ベクトルに基づいて、上位の関連共起語についての知識ベクトルＷ_２を算出してもよい。

【0056】

第２ベクトル取得部１２は上位の非関連共起語を取得する（ステップＳ１２２）。図９は「パソコン」「修理」および「ポテト」を示す。第２ベクトル取得部１２は上位の非関連共起語のそれぞれについて、第２ベクトル取得モデル１２ａによって分散表現ベクトルを取得する（ステップＳ１２３）。図９の例では、第２ベクトル取得部１２は第２ベクトル取得モデル１２ａを用いて、「パソコン」「修理」および「ポテト」からそれぞれ算出される分散表現ベクトルＷ_３１～Ｗ_３３を含む１以上の分散表現ベクトルを取得する。第２ベクトル取得部１２は、取得された１以上の分散表現ベクトルに基づいて、上位の非関連共起語についての知識ベクトルＷ_３を算出する。第２ベクトル取得部１２は、上位の非関連共起語の分散表現ベクトルに加えて上位の非関連共起語のそれぞれの類義語について分散表現ベクトルを取得し、上位の非関連共起語およびこれらの類義語から算出される分散表現ベクトルに基づいて、上位の非関連共起語についての知識ベクトルＷ_３を算出してもよい。

【0057】

図１０は、ブランドキーワードの知識ベクトルＷ_４を取得する処理を示す図である。ブランドキーワードとは、対象概念であるブランドに対して予め定義された単語をいう。例えば、ブランドキーワードは、ブランドから連想され得る単語であってもよい。あるいは、ブランドキーワードは、ブランドで扱う商品またはサービスなどのイメージを表現または修飾するために使用される単語であってもよい。一例として、ブランドキーワードは、企業サイト、ブランドサイト、商品サイトまたは広告で使用されるキャッチフレーズまたはキャッチコピーであってもよい。

【0058】

第２ベクトル取得部１２は、ブランドキーワードに属する１以上の単語を背景知識データベース２２から取得する（ステップＳ１２２）。図１０はそのような単語の例として「スタジオ」「パウダーキス」および「素肌」を示す。第２ベクトル取得部１２は取得された１以上の単語のそれぞれについて、第２ベクトル取得モデル１２ａによって分散表現ベクトルを取得する（ステップＳ１２３）。図１０の例では、第２ベクトル取得部１２は、「スタジオ」「パウダーキス」および「素肌」からそれぞれ算出される分散表現ベクトルＷ_４１～Ｗ_４３を含む１以上の分散表現ベクトルを取得する。第２ベクトル取得部１２は取得された１以上の分散表現ベクトルに基づいて、ブランドキーワードについての知識ベクトルＷ_４を算出する（ステップＳ１２４）。第２ベクトル取得部１２は、ブランドキーワードに属する１以上の単語の分散表現ベクトルに加えて該１以上の単語のそれぞれの類義語について分散表現ベクトルを取得し、ブランドキーワードに属する１以上の単語およびこれらの類義語から算出される分散表現ベクトルに基づいて、ブランドキーワードについての知識ベクトルＷ_４を算出してもよい。

【0059】

図１１は、ブランドトピックの知識ベクトルＷ_５を取得する処理を示す図である。ブランドトピックとは、対象概念であるブランドについて言及した記事に含まれるテキストをいう。記事はウェブサイト、ＳＮＳなどの様々な情報源から予め収集され得る。一例としてブランドトピックは、ブランドについて言及した記事のタイトルまたは本文中のテキストであってもよい。図１１はそのようなテキストの例として「プロのメイクアップアーティストのニーズに応える。」「星をモチーフにしたアイパレット。」および「桜コレクションが今春も登場。」を示す。

【0060】

第２ベクトル取得部１２は、それぞれのブランドトピックに対して形態素解析を行い、１以上のブランドトピックから１以上の単語を取得する（ステップＳ１２２）。図１１は、そのような単語の例として「メイクアップ」「アイパレット」および「コレクション」を示す。第２ベクトル取得部１２は取得された１以上の単語のそれぞれについて、第２ベクトル取得モデル１２ａによって分散表現ベクトルを取得する（ステップＳ１２３）。図１１の例では、第２ベクトル取得部１２は、「メイクアップ」「アイパレット」および「コレクション」からそれぞれ算出される分散表現ベクトルＷ_５１～Ｗ_５３を含む１以上の分散表現ベクトルを取得する。第２ベクトル取得部１２は取得された１以上の分散表現ベクトルに基づいて、ブランドトピックについての知識ベクトルＷ_５を算出する（ステップＳ１２４）。第２ベクトル取得部１２は、ブランドトピックから取得された１以上の単語の分散表現ベクトルに加えて該１以上の単語のそれぞれの類義語について分散表現ベクトルを取得し、ブランドトピックから取得された１以上の単語およびこれらの類義語から算出される分散表現ベクトルに基づいて、ブランドトピックについての知識ベクトルＷ_５を算出してもよい。

【0061】

図１２は、対象ベクトルと知識ベクトルとの類似度を算出する処理（ステップＳ１３）を示す図である。類似度算出部１３は、知識ベクトルＷ_１～Ｗ_５のそれぞれについて対象ベクトルＷ_ｘとの類似度を算出し、類似度Ｒ_１～Ｒ_５を取得する。

【0062】

図１３は、対象テキストと対象概念との関連度を算出する処理（ステップＳ１４）を示す図である。関連度取得部１４は関連度取得モデル１４ａに類似度Ｒ_１～Ｒ_５を入力する。関連度取得モデル１４ａはそれらの類似度に基づいて関連度を算出する。関連度取得部１４はその関連度を取得する。

【0063】

関連度の算出において、関連度取得部１４は、類似度Ｒ_１～Ｒ_５の基となる知識領域Ｋ_１～Ｋ_５の各性質に応じて、類似度ごとに重み付けを実行してもよい。例えば、ブランド名、上位の関連共起語、ブランドキーワードおよびブランドトピックは、対象概念との関連についてポジティブな指標となり得る知識領域である。すなわち、これらの知識領域から算出される類似度Ｒ_１，Ｒ_２，Ｒ_４，Ｒ_５は、対象テキストと対象概念との関連度に対して正の相関関係を有する蓋然性が高い。そのため、これらの知識領域から取得される類似度が大きいほど、対象テキストと対象概念との関連度は大きいと考えられる。一方、上位の非関連共起語は、対象概念に関連しない単語で構成される知識領域であるから、対象概念との関連についてネガティブな指標となり得る知識領域である。すなわち、上位の非関連共起語から算出される類似度は、対象テキストと対象概念との関連度に対して負の相関関係を有する蓋然性が高い。そのため、この知識領域Ｋ_３から取得される類似度Ｒ_３が大きいほど、対象テキストと対象概念との関連度は小さいと考えられる。このような理由から、一例として、関連度取得部１４は、類似度Ｒ_１，Ｒ_２，Ｒ_４，Ｒ_５に対しては正の重み付けを実行し、類似度Ｒ_３に対しては負の重み付けを実行してもよい。

【0064】

［変形例］
以上、本開示での様々な例を詳細に説明した。しかし、本開示は上記の例に限定されるものではない。本開示に関しては、その要旨を逸脱しない範囲で様々な変形が可能である。

【0065】

情報処理システム１０は、背景知識に属する複数の単語に対応する複数の分散表現ベクトルの代表値を用いることなく、該背景知識の知識ベクトルを取得してもよい。例えば、情報処理システム１０は少なくとも一つの知識領域について、代表値を算出することなく知識ベクトルを取得してもよい。例えば情報処理システム１０は、一つの知識領域で得られたｍ個のｄ次元（ｍ，ｄはいずれも自然数）の分散表現ベクトルを、ｍ×ｄ次元の一つのベクトルまたはｄ×ｍ行列の形に統合し、対象ベクトルとの類似度を算出する前にその統合された形式をｍ個のｄ次元のベクトルとして分割してもよい。情報処理システム１０は一つの知識領域から複数の知識ベクトルを算出してもよい。すなわち、情報処理システム１０は複数の分散表現ベクトルを２以上のグループに分割して各グループについて知識ベクトルを算出してもよく、一つの知識領域から取得される全ての分散表現ベクトルを知識ベクトルとして取得してもよい。

【0066】

上記の例では情報処理システム１０が対象ベクトルおよび知識ベクトルの双方を算出するが、これらのベクトルの少なくとも一方が別のコンピュータシステムによって算出されてもよい。この場合には、情報処理システムはそのコンピュータシステムから対象ベクトルまたは知識ベクトルを取得してもよい。少なくとも一つの知識ベクトルが、上記の例における背景知識データベース２２のような所定のデータベースに予め格納されてもよく、この場合には、情報処理システムはそのデータベースからその知識ベクトルを取得してもよい。

【0067】

少なくとも一つのプロセッサにより実行される情報処理方法は上記の例に限定されない。例えば、上述したステップまたは処理の一部が省略されてもよいし、別の順序で各ステップが実行されてもよい。また。上述したステップのうち任意の２以上のステップが組み合わされてもよいし、ステップの一部が修正または削除されていてもよい。あるいは、上記の各ステップに加えて他のステップが実行されてもよい。

【0068】

本開示において、「少なくとも一つのプロセッサが、第１の処理を実行し、第２の処理を実行し、…第ｎの処理を実行する。」との表現、またはこれに対応する表現は、第１の処理から第ｎの処理までのｎ個の処理を実行するプロセッサが途中で変わる場合を含む概念を示す。すなわち、この表現は、ｎ個の処理のすべてが同じプロセッサで実行される場合と、ｎ個の処理においてプロセッサが任意の方針で変わる場合との双方を含む概念を示す。

【0069】

［付記］
上記の様々な例から把握されるとおり、本開示は以下に示す態様を含む。
（付記１）
少なくとも一つのプロセッサを備え、
前記少なくとも一つのプロセッサが、
対象テキストの分散表現ベクトルを対象ベクトルとして取得し、
対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得し、
前記対象ベクトルと前記知識ベクトルとの類似度を算出し、
前記類似度に基づいて前記対象テキストと前記対象概念との関連度を算出する機械学習モデルに、前記算出された類似度を入力して、前記対象テキストと前記対象概念との関連度を該機械学習モデルから取得する、
情報処理システム。
（付記２）
前記少なくとも一つのプロセッサが、前記背景知識に属する複数の単語に対応する複数の分散表現ベクトルの代表値を前記知識ベクトルとして算出する、
付記１に記載の情報処理システム。
（付記３）
前記背景知識を構成する情報が複数の知識領域にグループ化され、
前記少なくとも一つのプロセッサが、
前記複数の知識領域のそれぞれについて前記知識ベクトルを取得し、
前記複数の知識領域のそれぞれについて前記類似度を算出し、
前記算出された複数の類似度を前記機械学習モデルに入力して、前記関連度を該機械学習モデルから取得する、
付記１または２に記載の情報処理システム。
（付記４）
前記背景知識が、前記対象概念の名称と共に使用される頻度が所定の基準を満たす関連共起語を含む、
付記１～３のいずれか一つに記載の情報処理システム。
（付記５）
前記背景知識が、前記対象概念に対して予め定義されたキーワードを含む、
付記１～４のいずれか一つに記載の情報処理システム。
（付記６）
前記背景知識が、前記対象概念について言及した記事に含まれる単語を含む、
付記１～５のいずれか一つに記載の情報処理システム。
（付記７）
前記背景知識が、前記対象概念の名称の同形異義語と共に使用される頻度が所定の基準を満たす非関連共起語を含む、
付記１～６のいずれか一つに記載の情報処理システム。
（付記８）
少なくとも一つのプロセッサを備える情報処理システムにより実行される情報処理方法であって、
対象テキストの分散表現ベクトルを対象ベクトルとして取得するステップと、
対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得するステップと、
前記対象ベクトルと前記知識ベクトルとの類似度を算出するステップと、
前記類似度に基づいて前記対象テキストと前記対象概念との関連度を算出する機械学習モデルに、前記算出された類似度を入力して、前記対象テキストと前記対象概念との関連度を該機械学習モデルから取得するステップと、
を含む情報処理方法。
（付記９）
対象テキストの分散表現ベクトルを対象ベクトルとして取得するステップと、
対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得するステップと、
前記対象ベクトルと前記知識ベクトルとの類似度を算出するステップと、
前記類似度に基づいて前記対象テキストと前記対象概念との関連度を算出する機械学習モデルに、前記算出された類似度を入力して、前記対象テキストと前記対象概念との関連度を該機械学習モデルから取得するステップと、
をコンピュータに実行させる情報処理プログラム。

【0070】

付記１，８，９によれば、対象テキストと対象概念に関連する背景知識との類似度がまず算出され、機械学習モデルによってその類似度から対象テキストと対象概念との関連度が得られる。対象概念に関連する背景知識との類似度と機械学習モデルとをこのように利用することで、対象テキストが対象概念とどの程度関連しているのかを精度良く推定できる。

【0071】

付記２によれば、知識ベクトルとして代表値を用いることで、背景知識の特徴をより適切に表す知識ベクトルが得られるので、類似度をより正確に求めることができる。その結果、関連度をより精度良く推定できる。

【0072】

付記３によれば、背景知識の複数の観点から算出された複数の類似度に基づいて関連度が得られるので、関連度をより精度良く推定できる。

【0073】

付記４によれば、対象概念の名称と共に使用される頻度が所定の基準を満たす関連共起語と対象テキストとの類似度に基づいて関連度が得られる。その類似度は、関連度に対して正の相関関係を有する蓋然性が高いので、これを用いることで関連度をより精度良く推定できる。

【0074】

付記５によれば、対象概念に対して予め定義されたキーワードと対象テキストとの類似度に基づいて関連度が得られる。その類似度は、関連度に対して正の相関関係を有する蓋然性が高いので、これを用いることで関連度をより精度良く推定できる。

【0075】

付記６によれば、対象概念について言及した記事に含まれる単語と対象テキストとの類似度に基づいて関連度が得られる。その類似度は、関連度に対して正の相関関係を有する蓋然性が高いので、これを用いることで関連度をより精度良く推定できる。

【0076】

付記７によれば、対象概念の名称の同形異義語と共に使用される頻度が所定の基準を満たす非関連共起語と対象テキストとの類似度に基づいて関連度が得られる。その類似度は、関連度に対して負の相関関係を有する蓋然性が高いので、これを用いることで関連度をより精度良く推定できる。

【符号の説明】

【0077】

１０…情報処理システム、１１…第１ベクトル取得部、１１ａ…第１ベクトル取得モデル、１２…第２ベクトル取得部、１２ａ…第２ベクトル取得モデル、１３…類似度算出部、１４…関連度取得部、１４ａ…関連度取得モデル。

【要約】

【課題】テキストが特定の概念とどの程度関連しているのかを精度良く推定することが望まれている。
【解決手段】情報処理システムは、少なくとも一つのプロセッサを備える。少なくとも一つのプロセッサは、対象テキストの分散表現ベクトルを対象ベクトルとして取得し、対象概念に関連する背景知識の分散表現ベクトルを知識ベクトルとして取得し、対象ベクトルと知識ベクトルとの類似度を算出し、類似度に基づいて対象テキストと対象概念との関連度を算出する機械学習モデルに、算出された類似度を入力して、対象テキストと対象概念との関連度を該機械学習モデルから取得する。
【選択図】図１

【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】