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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2025-07-10
(45)【発行日】2025-07-18
(54)【発明の名称】情報識別装置、情報識別方法、および、プログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20250711BHJP
G06F 16/35 20250101ALI20250711BHJP
G06F 40/216 20200101ALI20250711BHJP
G06F 40/279 20200101ALI20250711BHJP
【ＦＩ】
G06N20/00 130
G06F16/35
G06F40/216
G06F40/279
【請求項の数】
7
(21)【出願番号】P 2023568771
(86)(22)【出願日】2021-12-20
(86)【国際出願番号】 JP2021047014
(87)【国際公開番号】W WO2023119360
(87)【国際公開日】2023-06-29
【審査請求日】2024-06-05
(73)【特許権者】
【識別番号】000004226
【氏名又は名称】ＮＴＴ株式会社
(74)【代理人】
【識別番号】100083806
【弁理士】
【氏名又は名称】三好 秀和
(74)【代理人】
【識別番号】100129230
【弁理士】
【氏名又は名称】工藤 理恵
(72)【発明者】
【氏名】小山内 遥香
(72)【発明者】
【氏名】酒井 優
(72)【発明者】
【氏名】佐々木 幸次
(72)【発明者】
【氏名】金丸 翔
(72)【発明者】
【氏名】高橋 謙輔
(72)【発明者】
【氏名】近藤 悟
【審査官】多賀 実
(56)【参考文献】
【文献】特開２０１９－２１５７０５（ＪＰ，Ａ）
【文献】特開２００８－０８４０６４（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｆ １６／００－１６／９５８
Ｇ０６Ｆ ４０／００－４０／５８
Ｇ０６Ｎ ３／００－９９／００
(57)【特許請求の範囲】
【請求項1】
学習用の情報を単語に分割する分割部と、各単語の分散表現を生成する分散表現生成部と、
各単語の分散表現を組み合わせて、分散表現の組み合わせを生成する分散表現連結部と、
前記分散表現の組み合わせと、前記学習用の情報に対応する種別の種別番号とを含む学習データを生成する学習データ生成部と、
前記学習データを機械学習させて、入力情報をいずれかの種別に識別する分類器を生成する学習部と、
前記分類器が出力する最高値の確信度が正の場合、前記入力情報の種別を前記最高値の種別と判定し、前記最高値の確信度が負の場合、前記入力情報の種別を新たな種別と判定する判定部と、を備える
情報識別装置。
【請求項2】
前記判定部は、前記最高値の確信度を用いて、前記入力情報の種別を既存のいずれかの種別か、あるいは、前記新たな種別かを判定する
請求項１に記載の情報識別装置。
【請求項3】
前記判定部は、前記新たな種別の新たな種別番号を生成し、前記新たな種別番号を含む追加学習データを生成する学習データ更新部を備え、
前記学習部は、前記追加学習データを用いて前記分類器を再学習させる
請求項１または２に記載の情報識別装置。
【請求項4】
前記判定部が新たな種別と判定した場合、前記入力情報のkeyの第１類似語と、前記入力情報のvalueの第２類似語とをそれぞれ抽出する類似語抽出部を備え、前記分散表現生成部は、前記第１類似語の分散表現と、前記第２類似語の分散表現とを生成し、
前記分散表現連結部は、前記第１類似語の分散表現と、前記第２類似語の分散表現とを組み合わせて、追加の分散表現の組み合わせを生成し、
前記学習データ更新部は、前記追加の分散表現の組み合わせと、前記新たな種別番号とを含む前記追加学習データを生成する
請求項３に記載の情報識別装置。
【請求項5】
前記分散表現連結部は、分散表現の組み合わせとして、各単語の分散表現の和を算出する請求項１から４のいずれか１項に記載の情報識別装置。
【請求項6】
情報識別装置が行う情報識別方法であって、学習用の情報を単語に分割するステップと、
各単語の分散表現を生成するステップと、
各単語の分散表現を組み合わせて、分散表現の組み合わせを生成するステップと、
前記分散表現の組み合わせと、前記学習用の情報に対応する種別の種別番号とを含む学習データを生成するステップと、
前記学習データを機械学習させて、入力情報をいずれかの種別に識別する分類器を生成するステップと、
前記分類器が出力する最高値の確信度が正の場合、前記入力情報の種別を前記最高値の種別と判定し、前記最高値の確信度が負の場合、前記入力情報の種別を新たな種別と判定するステップと、を行う
情報識別方法。
【請求項7】
請求項１から５のいずれか１項に記載の情報識別装置としてコンピュータを機能させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報識別装置、情報識別方法、および、プログラムに関する。
【背景技術】
【0002】
B2B2Xによる異業種の複数の事業者が連携したB2B2Xサービスが増加している。このようなサービスを提供するにあたり、顧客情報、契約情報、請求情報等の情報を、連携する事業者間で流通させる必要がある。
【0003】
情報の流通においては、情報の識別が必要であり、情報の識別に関する技術として、形態素解析（非特許文献１）、文字の分散表現化(非特許文献２)、分類器の確信度算出技術（非特許文献３）がある。
【先行技術文献】
【非特許文献】
【0004】
【文献】Taku Kudo, Kaoru Yamamoto and Yuji Matsumoto, "Applying Conditional Random Fields to Japanese Morphological Analysis", Conference on Empirical Methods in Natural Language Processing, 2004, p.230‐237
【文献】Piotr Bojanowski, Edouard Grave, Armand Joulin and Tomas Mikolov, "Enriching Word Vectors with Subword Information", Transactions of the Association for Computational Linguistics, vol. 5, pp. 135‐146, 2017
【文献】大島 辰之輔, 山崎 俊彦, 相澤 清晴, 10-8 多クラス物体認識のための学習を用いた確信度処理(第10部門 メディア工学(AR・画像認識)), 映像情報メディア学会冬季大会講演予稿集, 2014, 2014 巻, セッションID 108, p. 10-8-1 - 10-8-2
【発明の概要】
【発明が解決しようとする課題】
【0005】
現状では、連携する事業者間で情報を流通させるために、オペレータが投入された情報の内容を見て種別を判断し、手作業で流通先の決定および情報の形式変換を行っている。
【0006】
今後、異業種の複数社が連携したサービスが増加していくことに対応するために、連携する事業者間での情報流通を自動化する必要がある。情報流通の自動化にあたっては、異なる形式の情報が投入された場合に、同じ種別であると識別することが求められる。具体的には、情報を種別ごとに適切な宛先に流通させるために、各社が用いる既存システムが異なり同種別の情報が異なる形式で投入される場合にも、自動で同種別であると識別する必要がある。
【0007】
非特許文献１－３では、異なる形式の情報が投入された場合に、同じ種別であると識別することは考慮されていない。そのため、これらの非特許文献を用いて、異なる形式の情報を同じ種別であると識別することはできない。
【0008】
本発明は、上記事情に鑑みてなされたものであり、本発明の目的は、異なる形式の情報が入力された場合に、同じ種別であると識別可能な技術を提供することにある。
【課題を解決するための手段】
【0009】
上記目的を達成するため、本発明の一態様は、学習用の情報を単語に分割する分割部と、各単語の分散表現を生成する分散表現生成部と、各単語の分散表現を組み合わせて、分散表現の組み合わせを生成する分散表現連結部と、前記分散表現の組み合わせと、前記学習用の情報に対応する種別の種別番号とを含む学習データを生成する学習データ生成部と、前記学習データを機械学習させて、入力情報をいずれかの種別に識別する分類器を生成する学習部と、を備える。
【0010】
本発明の一態様は、情報識別装置が行う情報識別方法であって、学習用の情報を単語に分割するステップと、各単語の分散表現を生成するステップと、各単語の分散表現を組み合わせて、分散表現の組み合わせを生成するステップと、前記分散表現の組み合わせと、前記学習用の情報に対応する種別の種別番号とを含む学習データを生成するステップと、前記学習データを機械学習させて、入力情報をいずれかの種別に識別する分類器を生成するステップと、を行う。
【0011】
本発明の一態様は、上記情報識別装置としてコンピュータを機能させるプログラムである。
【発明の効果】
【0012】
本発明によれば、異なる形式の情報が入力された場合に、同じ種別であると識別可能な技術を提供することができる。
【図面の簡単な説明】
【0013】
【発明を実施するための形態】
【0014】
以下、本発明の実施の形態について、図面を参照して説明する。
【0015】
＜情報識別装置の構成＞
図１に、本実施形態の情報識別装置１の構成例を示す。情報識別装置１は、異業種複数社間での情報流通において、入力された情報の種別を識別する装置である。図示する情報識別装置１は、文字列分割部１１と、分散表現生成部１２と、分散表現連結部１３と、学習データ生成部１４と、種別分類部１５と、種別判定部１６と、類似語抽出部１７と、学習データ更新部１８と、種別保持部１９と、正規表現判定部２０とを備える。
図１に、本実施形態の情報識別装置１の構成例を示す。情報識別装置１は、異業種複数社間での情報流通において、入力された情報の種別を識別する装置である。図示する情報識別装置１は、文字列分割部１１と、分散表現生成部１２と、分散表現連結部１３と、学習データ生成部１４と、種別分類部１５と、種別判定部１６と、類似語抽出部１７と、学習データ更新部１８と、種別保持部１９と、正規表現判定部２０とを備える。
【0016】
文字列分割部１１（分割部）は、入力された学習用の情報を単語に分割する。具体的には、文字列分割部１１は、情報の文字列を形態素解析し、それだけで意味を持つ、最小単位の単語に分割する（非特許文献１参照）。本実施形態の情報は、keyとvalueを含む。
【0017】
分散表現生成部１２は、文字列分割部１１により分割された各単語の分散表現を生成する。分散表現は、自然言語処理の１つであって、単語を高次元の実数ベクトルで表現する技術である（非特許文献２参照）。単語の意味を数学的に表現することで、単語の意味を用いた演算処理が可能となる。
【0018】
分散表現連結部１３は、各単語の分散表現を組み合わせて、分散表現の組み合わせを生成する。本実施形態では、分散表現連結部１３は、分散表現の組み合わせとして、各単語の分散表現の和を算出する。
【0019】
学習データ生成部１４は、分散表現の組み合わせと、学習用の情報に対応する種別の種別番号とを含む学習データを生成する。
【0020】
種別分類部１５は、学習部と、分類器とを備える。学習部は、学習データを機械学習させて分類器を生成する。分類器は、入力された情報をいずれかの種別に識別するための学習済みモデルである。
【0021】
分類器には、SVM（support-vector machine）を用いてもよい（非特許文献３参照）。SVMは、多クラス分類器がどの程度自信を持って認識をしているかという確信度に焦点をあて、より高い精度での推定を目指した手法である。SVMは、Kクラスに分類する際、One vs All SVMの考え方を用いて、K個の境界面を作成し、分類対象とそれぞれの境界面との距離から算出される確信度を用いて分類種別を決定する。本実施形態における分散器の確信度の算出方法としては、SVMの境界面からの距離を利用する。境界面から見て正の方向にあって、境界面との距離が遠いほど確信度が大きい。確信度の算出については後述する。
【0022】
種別判定部１６（判定部）は、分類器が出力する最高値（最大値）の確信度を用いて、入力された情報の種別を既存のいずれかの種別か、あるいは、新たな種別かを判定する。具体的には、種別判定部１６は、最高値の確信度が正の場合、入力情報の種別を最高値の種別と判定し、最高値の確信度が負の場合、入力情報の種別を新たな種別と判定する。種別判定部１６は、入力情報の種別を新たな種別と判定した場合、新たな種別の種別番号（新たな種別番号）を生成し、当該種別番号を新たな種別とともに種別保持部１９に格納する。
【0023】
類似語抽出部１７は、種別判定部１６が新たな種別と判定した場合、入力情報のkeyの類似語（第１類似語）と、入力情報のvalueの類似語（第２類似語）と、をそれぞれ抽出する。そして、分散表現生成部１２は、keyの類似語の分散表現と、valueの類似語の分散表現とを生成する。
【0024】
分散表現連結部１３は、keyの類似語の分散表現と、valueの類似語の分散表現とを組み合わせて、追加の分散表現の組み合わせを生成する。また、分散表現連結部１３は、keyの分散表現と、valueの類似語の分散表現とを組み合わせて、追加の分散表現の組み合わせを生成してもよい。また、分散表現連結部１３は、keyの類似語の分散表現と、valueの分散表現とを組み合わせて、追加の分散表現の組み合わせを生成してもよい。
【0025】
学習データ更新部１８は、新たな種別番号を含む学習データ（追加学習データ）を生成する。具体的には、学習データ更新部１８は、追加の分散表現の組み合わせと、新たな種別番号とを含む学習データを生成する。種別判定部１６の学習部は、学習データ更新部１８が生成した追加学習データを用いて分類器を再学習させる。
【0026】
種別保持部１９には、種別と、種別番号とが対応付けて格納されている。正規表現判定部２０は、入力された情報のvalueが分散表現化できない場合（正規表現の場合）に、入力された情報の種別を判定する。
【0027】
ミドルＢシステム３は、サービス事業者のシステムである。本実施形態の情報識別装置１は、ミドルＢが運用する装置である。オペレータ端末７は、ミドルＢのオペレータが使用する端末である。ファーストＢシステム５は、ミドルＢが提供するサービスに関連する連携事業者のシステムである。図１に示す例では、情報識別装置１は、ミドルＢシステム３から入力された情報の種別を識別し、識別結果をファーストＢシステム５に出力する。
【0028】
＜学習フェーズ＞
図２は、学習フェーズにおける情報識別装置１の動作を説明する説明図である。オペレータ端末７は、オペレータが入力した学習用の情報（文字列）を、情報識別装置１の文字列分割部１１に送信する（ステップＳ１１）。文字列分割部１１は、入力された情報を形態素解析により単語に分割する（ステップＳ１２）。
図２は、学習フェーズにおける情報識別装置１の動作を説明する説明図である。オペレータ端末７は、オペレータが入力した学習用の情報（文字列）を、情報識別装置１の文字列分割部１１に送信する（ステップＳ１１）。文字列分割部１１は、入力された情報を形態素解析により単語に分割する（ステップＳ１２）。
【0029】
図示する例では、文字列分割部１１は、「氏名：山田太郎」を、「氏名」、「山田」、「太郎」に分割し、分散表現生成部１２に出力する。「氏名」がkeyで、「山田太郎」がvalueである。
【0030】
分散表現生成部１２は、文字列分割部１１が分割した各単語の分散表現を生成し、分散表現連結部１３に出力する（ステップＳ１３）。すなわち、分散表現生成部１２は、各単語を高次元の実数ベクトルに変換する。
【0031】
分散表現連結部１３は、各単語の分散表現を組み合わせて、分散表現の組み合わせを生成し、学習データ生成部１４に出力する（ステップＳ１４）。分散表現の組み合わせを用いることにより、複数の意味を持つ単語に対して、複数の種別が割り当てられることを防ぎ、分類精度を向上させることができる。本実施形態では、分散表現連結部１３は、分散表現の組み合わせとして、各単語の分散表現の和を算出する。
【0032】
学習データ生成部１４は、ステップＳ１１で入力された学習用の情報の種別番号を、オペレータ端末７から受け付け（ステップＳ１５）、分散表現の組み合わせと当該種別番号とを含む学習データを生成し、種別分類部１５に出力する（ステップＳ１６）。図示する学習データは、「氏名」、「山田」、「太郎」の分散表現の和と、種別番号：０とを含む。学習データは、種別分類部１５の分類器を学習させるためのデータである。種別分類部１５の学習部は、学習データを用いた機械学習により分類器を生成する。
【0033】
以上説明したように、本実施形態の学習フェーズでは、情報識別装置１は、keyとvalueを含む情報を単語に分割し、各単語の分散表現を算出し、各単語の分散表現の組み合わせを生成し、分散表現の組み合わせと種別番号とを含む学習データを生成する。これにより、後述する識別フェーズにおいて、複数の意味を持つ単語、または同義語が投入されても、適切な種別に識別することができる。
【0034】
図３は、分散表現生成部１２が生成した各単語（「姓」、「氏名」、「住所」、「山口」）の分散表現（ベクトル）と、分散表現連結１３部が生成した分散表現の和（「姓：山口」、「氏名：山口」、「住所:山口」）と、を示したものである。図示するように、同じ種別の分散表現の和は、近い位置にマッピング（すなわちクラスタリング）されることを示している。
【0035】
図３からわかるように、分散表現の組み合わせとして分散表現の和を用いることで、同じ種別の情報が近い位置にマッピングされる。したがって、Keyの分散表現とValueの分散表現の和を用いて、多クラス分類における学習データを生成することで、複数の意味を持つ単語の意味の識別、および、異なる単語が同種別であることの識別が可能になる。
【0036】
図４は、学習フェーズの情報識別装置１の動作を示すシーケンス図である。
【0037】
オペレータ端末７は、オペレータの指示を受け付けて、学習用の情報を情報識別装置１の文字列分割部１１に入力する（ステップＳ２１）。ここでは、種別が「氏名」の複数の情報が入力されている。文字列分割部１１は、情報を単語に分割する（ステップＳ２２）。分散表現生成部１２は、情報毎に分割された各単語の分散表現を生成し、分散表現連結部１３に出力する（ステップＳ２３）。
【0038】
分散表現連結部１３は、情報毎に各単語の分散表現を組み合わせて、分散表現の組み合わせを生成し、学習データ生成部１４に出力する（ステップＳ２４）。ここでは、分散表現の組み合わせとして、各単語の分散表現の和を用いる。
【0039】
オペレータ端末７は、オペレータの指示を受け付けて、Ｓ２１で送信した情報の種別番号を、種別保持部１９に要求する（ステップＳ２５）。ここでは、オペレータ端末７は、「氏名」の種別番号を要求する。種別保持部１９は、「氏名」に対応する種別番号をオペレータ端末７に送信する（ステップＳ２６）。オペレータ端末７は、種別番号を取得すると、当該種別番号を学習データ生成部１４に送信する（ステップＳ２７）。
【0040】
学習データ生成部１４は、ステップＳ２４で受け付けた分散表現の和と、Ｓ２７で受け付けた種別番号とを含む学習データを生成し、種別分類部１５に送出する（ステップＳ２８）。種別分類部１５の学習部は、学習データを機械学習することで分類器を生成する（ステップＳ２９）。
【0041】
なお、図４では、ステップＳ２５でオペレータ端末７が種別保持部１９に種別番号を要求したが、学習データ生成部１４が、種別保持部１９に種別番号を要求してもよい。この場合、ステップＳ２６で種別保持部１９は種別番号を学習データ生成部１４に送出し、学習データ生成部１４は、分散表現の和と種別保持部１９から取得した種別番号とを用いて学習データを生成する（ステップＳ２８）。
【0042】
次に、郵便番号や電話番号など分散表現化できない情報を種別保持部１９に登録する動作について説明する（ステップＳ３０、Ｓ３１）。郵便番号や電話番号など分散表現化できない情報については、後述する識別フェーズで、情報識別装置１の正規表現判定部２０が、正規表現を用いて数字や文字列のパターンから何の種別であるかを判定する。なお、ステップＳ３０、Ｓ３１は、ステップＳ２１～Ｓ２８と非同期に行われる。
【0043】
オペレータ端末７は、ファーストＢシステム５の連携事業者から、種別と対応する正規表現のパターンとを受け付け（ステップＳ３０）、当該種別と正規表現のパターンとを情報識別装置１の種別保持部２１に送信する（ステップＳ３１）。種別保持部１９は、送信された種別と正規表現のパターンとを自身の記憶部に格納する。
【0044】
図４では、種別が郵便番号の正規表現のパターンと、種別が電話番号の正規表現のパターンとを例示している。郵便番号の正規表現では、〒マークではじまり、数字３桁と-（ハイフン）と数字４桁で終わることを表している。
【0045】
＜識別フェーズ＞
識別フェーズでは、情報識別装置１は、種別分類部１５の分類器で算出された確信度を用いて、入力された情報の種別を、種別保持部１９に保持されたいずれかの種別に識別可能か否かを判定する。本実施形態では、情報識別装置１は、分類器が出力する確信度の最高値が正の場合は識別可と判定し、確信度の最高値が負の場合は識別不可であり、種別保持部１９に保持されていない新たな種別であると判定する。
識別フェーズでは、情報識別装置１は、種別分類部１５の分類器で算出された確信度を用いて、入力された情報の種別を、種別保持部１９に保持されたいずれかの種別に識別可能か否かを判定する。本実施形態では、情報識別装置１は、分類器が出力する確信度の最高値が正の場合は識別可と判定し、確信度の最高値が負の場合は識別不可であり、種別保持部１９に保持されていない新たな種別であると判定する。
【0046】
【0047】
図５では、分散表現連結部１３は、文字列分割部１１および分散表現生成部１２を介してミドルＢから入力された情報の分散表現の和（分散表現の組み合わせ）を、種別分類部１５に出力する。種別分類部１５の分類器は、種別毎の確信度を出力する。図示する例では、種別分類部１５は、「氏名」、「住所」、「会社名」の３つの種別に識別可能であるものとする。
【0048】
種別判定部１６は、種別毎の確信度の最高値が正の場合は、入力された情報に最高値の種別を割り当てる。ここでは、最高値の「氏名」の確信度が正であるため、種別判定部１６は、入力された情報の種別は「氏名」であると判定し、入力された情報と判定した種別とをファーストＢシステム５に出力する。
【0049】
図６では、図５と同様に、分散表現連結部１３は、分散表現の和を種別分類部１５に出力し、種別分類部１５は、種別毎の確信度を出力する。図示する例では、種別分類部１５が出力する最高値の「氏名」の確信度は負である。種別判定部１６は、確信度の最高値が負であるため、入力された情報が既存の種別に当てはまらないと判定し、入力された情報のkeyおよびvalueの分散表現を類似語抽出部１７に出力する。なお、各機能部１１－１８は、当該機能部で処理されたデータを出力するとともに、当該機能部に入力されたデータも合わせて出力するものとする。したがって、種別判定部１６は、分散表現連結部１３および種別分類部１５を介して、分散表現生成部１２が生成したkeyおよびvalueの分散表現を取得する。以降の処理については後述する。
【0050】
【0051】
ミドルＢシステム３は、任意の情報を情報識別装置１の文字列分割部１１に送信する（ステップＳ４１）。文字列分割部１１は、入力された情報を単語に分割する（ステップＳ４２）。分散表現生成部１２は、分割された各単語の分散表現を生成する（ステップＳ４３）。分散表現連結部１３は、各単語の分散表現を組み合わせる（ステップＳ４４）。ここでは、識別可能な情報として、Ｓ４１で「名前：渡辺太郎」が入力され、分散表現連結部１３は、「名前」の分散表現と、「渡辺」の分散表現と、「太郎」の分散表現との和を算出する。
【0052】
種別分類部１５は、入力された分散表現の組み合わせに対して、種別毎の確信度を出力する（ステップＳ４５）。
【0053】
種別判定部１６は、種別分類部１５から出力される確信度を受け付け（ステップＳ４６）、最高値の確信度が正か否かを判定する（ステップＳ４７）。ここでは、最高値の確信度が正であり（ステップＳ４７：ＹＥＳ）、種別判定部１６は、Ｓ４１で入力された情報は確信度が最大の種別であると判定する。（ステップＳ４８）。すなわち、種別判定部１６は、入力された情報に確信度が最大の種別を割り当てる。ここでは、「名前：渡辺太郎」に「名前」の種別が割り当られる。
【0054】
そして、種別判定部１６は、入力された情報に、判定した種別（または種別番号）を付加してファーストＢシステム５に出力する。なお、各機能部１１－１８は、当該機能部で処理されたデータを出力するとともに、当該機能部に入力されたデータも合わせて出力するものとする。したがって、種別判定部１６は、分散表現生成部１２、分散表現連結部１３および種別分類部１５を介して、文字列分割部１１に入力された情報を取得する。
【0055】
図８および図９は、図６の識別不可能な情報が入力された場合の情報識別装置１の全体の流れを示す図である。図８に示すステップＳ４１～Ｓ４５は、図７で説明したステップＳ４１～Ｓ４５と同様である。ただし、図８では、ステップＳ４１で入力される「担当者：渡辺太郎」は、既存の種別に該当しない識別不可能な情報であるものとする。
【0056】
種別判定部１６は、種別分類部１５から出力される確信度を受け付ける（ステップＳ４６）。図８では、最高値の「氏名」の確信度が負であり（ステップＳ４７：ＮＯ）、種別判定部１６は、Ｓ４１で入力された情報の種別は現時点の種別分類部１５では識別不可能であると判定する。この場合、種別判定部１６は、種別保持部１９に新たな種別の種別番号を追加する（ステップＳ４９）。そして、種別判定部１６は、Ｓ４１で入力された情報のkey（担当者）の分散表現と、value（渡辺太郎）の分散表現とを、類似語抽出部１７に出力する（ステップＳ５０）。
【0057】
図９に進み、前述の通り、ステップＳ４９で種別判定部１６は、種別保持部１９に新たな種別と種別番号（「担当者」－３）を追加する。また、ステップＳ５０で、Ｓ４１で入力された情報のkey（担当者）の分散表現と、value（渡辺太郎）の分散表現とを、類似語抽出部１７に出力する。
【0058】
類似語抽出部１７は、keyの分散表現と、valueの分散表現とを用いて、keyの類似語とvalueの類似語とを抽出し、分散表現生成部１２に出力する（ステップＳ５１）。例えば、類似語抽出部１７は、非特許文献２のFastTextのモデルと、コサイン類似度とを用いて、keyおよびvalueの類似語を抽出する。「担当者」（key）の類似語として、「携わる」、「従事」、「主任」などが抽出され、「渡辺太郎」（value）の類似語として「渡邊」、「伊藤」、「佐藤」などが抽出される。
【0059】
分散表現生成部１２は、keyの各類似語およびvalueの各類似語の分散表現を生成する（ステップＳ５２）。分散表現連結部１３は、keyおよびkeyの類似語の分散表現と、valueおよびvalueの類似語の分散表現とをそれぞれ組み合わせて、追加の分散表現の組み合わせを生成する（ステップＳ５３）。例えば、以下のような分散表現の組み合わせが生成される。
【0060】
・（key）の分散表現と、（value）の分散表現の和
・（key）の分散表現と、（valueの類似語）の分散表現の和
・（keyの類似語）の分散表現と、（valueの類似語）の分散表現の和
・（keyの類似語）の分散表現と、（value）の分散表現の和
学習データ生成部１４は、分散表現連結部１３が生成した分散表現の組み合わせと、ステップＳ４９で種別判定部１６が払い出した新たな種別番号とを含む追加の学習データを生成し、種別分類部１５に出力する（ステップＳ５４）。種別分類部１５の学習部は、追加の学習データを用いて、分類器を再学習する。
・（key）の分散表現と、（valueの類似語）の分散表現の和
・（keyの類似語）の分散表現と、（valueの類似語）の分散表現の和
・（keyの類似語）の分散表現と、（value）の分散表現の和
学習データ生成部１４は、分散表現連結部１３が生成した分散表現の組み合わせと、ステップＳ４９で種別判定部１６が払い出した新たな種別番号とを含む追加の学習データを生成し、種別分類部１５に出力する（ステップＳ５４）。種別分類部１５の学習部は、追加の学習データを用いて、分類器を再学習する。
【0061】
図１０は、図３に示す説明図に、新たな種別（担当者）および新たな種別の類似語（携わる）の散表現（ベクトル）と、分散表現の和（「担当者：山口」、「携わる：山口」）とを追加したものである。図示するように、「担当者」の分散表現の和と、「携わる」の分散表現の和は、近い位置にマッピングされることを示している。
【0062】
図１０からわかるように、分散表現の組み合わせとして、分散表現の和をとることで、同じ種別の情報が近い位置にマッピングされる。したがって、新たな種別のKeyおよびValueの分散表現の和と、新たな種別のKeyおよびValueの類似語の分散表現の和とを用いて、新たな種別の追加の学習データを生成し分類器に学習させることで、新たな種別を識別することが可能になる。
【0063】
すなわち、新たな種別を生成する際は、追加の学習データとして、新たな種別であるkeyの分散表現とvalueの分散表現との組み合わせを用いる。その際、keyおよびvalue類似語を抽出し、抽出した類似語の分散表現の和を活用した学習データを学習させることで、分類器に新たな種別のクラスを生成し、新たな種別の識別精度を向上させることが可能となる。
【0064】
図１１Ａおよび図１２は、識別フェーズの情報識別装置１の動作を示すシーケンス図である。図１１Ａは、入力された情報のvalueが分散表現化できる場合の動作を示し、図１１Ｂは、類似語の分散表現と、再学習用の追加の学習データの例を示す。図１２は、入力された情報のvalueが分散表現化できない場合の動作を示す。
【0065】
図１１Ａで、ミドルＢシステムは、keyとvalueを含む情報を、情報識別装置１の文字列分割部１１に入力する（ステップＳ６１）。ここでは、「担当者：渡辺太郎」（key：value）が入力される。
【0066】
文字列分割部１１は、情報を単語（文字列）に分割する（ステップＳ６２）。ここでは、「担当者」と、「渡辺」と、「太郎」とに分割される。分散表現生成部１２は、分割された各単語の分散表現を生成し、分散表現連結部１３に出力する（ステップＳ６３）。
【0067】
分散表現連結部１３は、各単語の分散表現を組み合わせて、分散表現の組み合わせを生成し、種別分類部１５に出力する（ステップＳ６５）。ここでは、「担当者」の分散表現と、「渡辺」の分散表現と、「太郎」の分散表現との和を生成する。種別分類部１５の分類器は、入力された分散表現の組み合わせに対する、種別毎の確信度を出力する（ステップＳ６５）。分類器が分類する種別がＫ個の場合、分類器はＫ個の確信度を算出する。
【0068】
種別判定部１６は、分類器が出力する最大の確信度が正の値の場合、Ｓ６１で入力された情報の種別は確信度が最大の種別であると判定する。そして、種別判定部１６は、Ｓ６１で入力された情報と、最大の確信度の種別（種別名および／または種別番号）とを含む識別結果をファーストＢシステム５に送信する（ステップＳ６６）。ここでは、［（担当者：渡辺太郎），３］が送信される。３は、「担当者」の種別番号である。
【0069】
一方、分類器が出力する最大の確信度が負の値の場合、種別判定部１６は、Ｓ６１で入力された情報のkeyを種別保持部１９に登録する（ステップＳ６７）。種別保持部１９は、登録されたkeyの種別番号を払い出し（ステップＳ６８）、完了通知を種別判定部１６に出力する（ステップＳ６９）。ここでは、種別保持部１９は、「担当者」の種別番号として「３」を払い出し、「担当者」と「３」とを対応付けて保持する。なお、種別判定部１６がkeyの種別番号を払い出し、ステップＳ６７でkeyと種別番号を種別保持部１９に登録してもよい。
【0070】
種別判定部１６は、完了通知を受け付けると、keyの分散表現と、valueの分散表現とを、類似語抽出部１７に出力する（ステップＳ７０）。ここでは、種別判定部１６は、「担当者」（key）の分散表現と、「渡辺太郎」（value）の分散表現とを出力する。
【0071】
類似語抽出部１７は、keyの分散表現に類似する類似語と、valueの分散表現に類似する類似語とを抽出し、分散表現生成部１２に出力する（ステップＳ７１）。このとき、類似語抽出部１７は、ステップＳ７０で取得したkeyの分散表現およびvalueの分散表現も、類似語とともに分散表現生成部１２に出力する。
【0072】
分散表現生成部１２は、入力された各類似語の分散表現を生成する（ステップＳ７２）。分散表現連結部１３は、ステップＳ７０で出力されたkeyの分散表現およびその類似語の分散表現と、ステップＳ７０で出力されたvalueの分散表現およびその類似語の分散表現と、をそれぞれ組み合わせた追加の分散表現の組み合わせを生成し、学習データ更新部１８に送出する（ステップＳ７３）。
【0073】
学習データ更新部１８は、追加の分散表現の組み合わせと、ステップＳ６８で払い出された新たな種別番号とを含む追加の学習データを生成し、種別分類部１５に出力する（ステップＳ７４）。種別分類部１５の学習部は、追加の学習データを用いて再学習させて分類器を更新し、再学習完了を分散表現連結部１３に通知する（ステップＳ７５）。
【0074】
分散表現連結部１３は、ステップＳ６４に戻り、ステップＳ６１で入力された情報の分散表現の組み合わせを、種別分類部１５の再学習後の分類器に再び入力する。分類器は、各種別の確信度を出力する（ステップＳ６５）。このとき、「担当者」の種別の確信度が最大となり、種別判定部１６は、Ｓ６１で入力された情報の種別は、「担当者」であると判定する。
【0075】
図１１Ｂに、類似語の分散表現と、学習データとの一例を示す。図示する類似語の分散表現のリスト１３１には、keyの「担当者」の類似語として、「携わる」、「従事」、「主任」などの分散表現と、valueの「渡辺太郎」の類似語として、「岡本」、「山本」、「渡邊」などの分散表現とが示されている。
【0076】
学習データのリスト１３２には、分散表現の組み合わせと種別番号とを含む、複数の学習データが示されている。新たな種別の「担当者」を再学習させるための追加の学習データ１３３として、例えば「担当者」（key）の分散表現と「岡本」（valueの類似語）の分散表現の和と、種別番号「３」の学習データが例示されている。
【0077】
次に、図１２を参照して、入力された情報のvalueが分散表現化できない場合の動作を説明する。
【0078】
ミドルＢシステム３は、keyとvalueを含む情報を、情報識別装置１の文字列分割部１１に入力する（ステップＳ６１）。文字列分割部１１は、情報を単語に分割する（ステップＳ６２）。ここでは、「電話番号：090-1234-5678」（key：value）が入力され、「電話」と、「番号」と、「090-1234-5678」とに分割される。
【0079】
分散表現生成部１２は、分割された各単語の分散表現を試みるが、分散表現化できない単語がある場合はエラーとなる。ここでは、分散表現生成部１２は、分散表現化できない「090-1234-5678」（value）を正規表現判定部２０に出力する（ステップＳ８１）。
【0080】
正規表現判定部２０は、valueが入力されると、種別保持部１９に登録されている正規表現と種別番号の組の全てを、種別保持部１９に要求し、取得する（ステップＳ８２、Ｓ８３）。そして、正規表現判定部２０は、ステップＳ８２で入力されたvalueの文字列のパターンが取得した正規表現のどのパターンと一致するかを判定する。
【0081】
いずれかの正規表現のパターンと一致する場合、正規表現判定部２０は、Ｓ６１で入力された情報の種別は一致したパターンの正規表現の種別であると判定する。そして、正規表現判定部２０は、Ｓ６１で入力された情報と、一致したパターンの種別とを含む識別結果をファーストＢシステム５に送信する（ステップＳ８４）。
【0082】
一方、いずれの正規表現のパターンとも一致しない場合、正規表現判定部２０は、種別を特定できない旨のエラーをミドルＢシステム３に送信する（ステップＳ８５）。
【0083】
＜種別分類度の確信度＞
次に、種別分類部１５の分類器（SVM）が出力する種別毎の確信度について説明する。確信度は多クラス分類を行う分類器の各クラスにおける境界面、投入した情報と境界面との距離、投入した情報が境界面から見て正負どちら側に存在するか、を用いて算出される。すなわち、分類器は、境界面と投入された情報の距離から正または負の確信度を算出する。
次に、種別分類部１５の分類器（SVM）が出力する種別毎の確信度について説明する。確信度は多クラス分類を行う分類器の各クラスにおける境界面、投入した情報と境界面との距離、投入した情報が境界面から見て正負どちら側に存在するか、を用いて算出される。すなわち、分類器は、境界面と投入された情報の距離から正または負の確信度を算出する。
【0084】
前提として、確信度を用いて割り当てる種別が存在するか否かを判断するために、分類器が識別可能な種別が３種類以上存在することが必要である。識別できる種別が１種類の場合は、境界を引くことができないため確信度を算出することができない。また、識別できる種別が２種類の場合は、どちらかの種別の確信度が必ず正となるため識別不可であることを判断できない。
【0085】
図１３は、境界面（超平面）と点の距離の算出方法を説明するための説明図である。点X(x-）から境界面に下した垂線の足をH(h)とすると、下記ベクトルは、境界面に垂直なので境界面の法線ベクトルwに平行である。
【0086】
【数1】
【0087】
よって、実数kを用いて以下のように表現できる。
【0088】
【数2】
【0089】
ここで、H(h)は、境界面wTx+b=0上の点であるため以下の式が成り立つ。
【0090】
【数3】
【0091】
よって求めたい点と境界面との距離dは、以下の式で算出される。
【0092】
【数4】
【0093】
したがって、以下の式が成立する。すなわち、多クラス分類を行う分類器の各クラスにおける境界面wTx+b=0と、投入された情報X(x-）との距離は、以下の式で表現される。
【0094】
【数5】
【0095】
【0096】
図１４Ａに示す分散表現連結部１３の実装例は、key（氏名）の分散表現と、valueの分散表現（渡辺の分散表現＋太郎の分散表現）の和を取ることで、分散表現の組み合わせを算出することを示している。
【0097】
図１４Ｂに示す種別判定部１６の実装例は、種別分類部１５が出力する最高値の確信度が０より大きい場合（正の値の場合）、「true」（識別可能）を出力し、最高値の確信度が０以下の場合（０または負の値の場合）、「false」（識別不可能）を出力することを示している。
【0098】
以上説明した本実施形態の情報識別装置１は、学習用の情報を単語に分割する文字列分割部１１と、各単語の分散表現を生成する分散表現生成部１２と、各単語の分散表現を組み合わせて、分散表現の組み合わせを生成する分散表現連結部１３と、前記分散表現の組み合わせと、前記学習用の情報に対応する種別の種別番号とを含む学習データを生成する学習データ生成部１４と、前記学習データを機械学習させて、入力情報をいずれかの種別に識別する分類器を生成する学習部と、を備える。
【0099】
また、本実施形態の情報識別装置１は、分類器が出力する最高値の確信度を用いて、前記入力情報の種別を既存のいずれかの種別か、あるいは、新たな種別かを判定する種別判定部１６を備える。
【0100】
また、本実施形態の情報識別装置１の種別判定部１６は、新たな種別の新たな種別番号を生成し、前記新たな種別番号を含む追加学習データを生成する学習データ更新部１８を備え、学習部は、前記追加学習データを用いて分類器を再学習させる。
【0101】
これにより、図１５に示すように、本実施形態では、各社の既存システムが同じ種別の情報を、異なる形式で投入する場合であっても、同じ種別の情報であると識別することができる。
【0102】
また、分類器で識別できない未知の情報が投入された場合に、新たな種別の情報であると正しく識別し、新たな種別用の学習データを生成して、分類器を再学習させる。これにより、再学習後の分類器は、新たな種別の分類が可能となり、これにより、情報の流通における自動的な情報識別が可能となる。
【0103】
上記説明した情報識別装置１は、例えば、図１６に示すような汎用的なコンピュータシステムを用いることができる。図示するコンピュータシステムは、CPU（Central Processing Unit、プロセッサ）９０１と、メモリ９０２と、ストレージ９０３（HDD：Hard Disk Drive、SSD：Solid State Drive）と、通信装置９０４と、入力装置９０５と、出力装置９０６とを備える。メモリ９０２およびストレージ９０３は、記憶装置である。このコンピュータシステムにおいて、CPU９０１がメモリ９０２上にロードされた所定のプログラムを実行することにより、情報識別装置１の機能が実現される。
【0104】
情報識別装置１は、１つのコンピュータで実装されてもよく、あるいは複数のコンピュータで実装されても良い。また、情報識別装置１は、コンピュータに実装される仮想マシンであっても良い。情報識別装置１のプログラムは、HDD、SSD、USB（Universal Serial Bus）メモリ、CD (Compact Disc)、DVD (Digital Versatile Disc)などのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。
【0105】
なお、本発明は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。
【符号の説明】
【0106】
１ ：情報識別装置
１１：文字列分割部（分割部）
１２：分散表現生成部
１３：分散表現連結部
１４：学習データ生成部
１５：種別分類部
１６：種別判定部（判定部）
１７：類似語抽出部
１８：学習データ更新部
１９：種別保持部
２０：正規表現判定部
３ ：ミドルＢシステム
５ ：ファーストＢシステム
７ ：オペレータ端末
１１：文字列分割部（分割部）
１２：分散表現生成部
１３：分散表現連結部
１４：学習データ生成部
１５：種別分類部
１６：種別判定部（判定部）
１７：類似語抽出部
１８：学習データ更新部
１９：種別保持部
２０：正規表現判定部
３ ：ミドルＢシステム
５ ：ファーストＢシステム
７ ：オペレータ端末
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11A】
【図11B】
【図12】
【図13】
【図14A】
【図14B】
【図15】
【図16】