特許ウォッチ

公開番号2025031172
公報種別公開特許公報(A)
公開日2025-03-07
出願番号2023137214
出願日2023-08-25
発明の名称出力プログラム,出力方法,及び情報処理装置
出願人富士通株式会社
代理人弁理士法人真田特許事務所,個人
主分類G06F 16/33 20250101AFI20250228BHJP(計算;計数)
要約【課題】機械学習モデルの予測精度を向上させる。
【解決手段】入力文書の入力に応じて前記入力文書に関する情報を出力するように訓練された機械学習モデル11aに、第1文書101を入力して第1情報102を取得し、複数の文書111を記憶する記憶部11cから、前記第1文書のグラフ構造に類似する類似グラフ構造を有する第2文書を特定し、特定した前記第2文書に関する第2情報103と、前記第1情報とに基づき、前記第1文書に関する情報11dを出力する、処理をコンピュータに実行させる。
【選択図】図8
特許請求の範囲【請求項１】
入力文書の入力に応じて前記入力文書に関する情報を出力するように訓練された第１機械学習モデルに、第１文書を入力して第１情報を取得し、
複数の文書を記憶する記憶部から、前記第１文書のグラフ構造に類似する類似グラフ構造を有する第２文書を特定し、
特定した前記第２文書に関する第２情報と、前記第１情報とに基づき、前記第１文書に関する情報を出力する、
処理をコンピュータに実行させる、出力プログラム。
続きを表示（約 1,200 文字）【請求項２】
前記記憶部には、前記文書ごとに、前記文書に関する情報が関連付けられて記憶され、
前記第２文書を特定する処理は、前記記憶部から、前記類似グラフ構造を有する前記第２文書に関連付けられた前記第２情報を抽出する、処理を含む、
請求項１に記載の出力プログラム。
【請求項３】
前記第２文書を特定する処理は、前記類似グラフ構造に対応する前記第２文書を第２機械学習モデルに入力して前記第２情報を取得する、処理を含む、
請求項１に記載の出力プログラム。
【請求項４】
前記第２文書を特定する処理は、
前記第１文書のグラフ構造をベクトル化した第１ベクトルを取得し、
前記記憶部に格納された複数の文書の各々について、前記文書のグラフ構造をベクトル化したベクトルを取得し、
前記複数の文書の各々のベクトルのうちの、前記第１ベクトルとの間の類似度が所定の条件を満たす第２ベクトルに対応するグラフ構造を、前記類似グラフ構造として特定する、処理を含む、
請求項１～請求項３のいずれか１項に記載の出力プログラム。
【請求項５】
前記第１機械学習モデルは、前記入力文書と複数の入力単語との入力に応じて前記入力文書における前記複数の入力単語の間の関係を出力するように訓練された機械学習モデルであり、
前記第１情報を取得する処理は、前記第１情報として、前記第１機械学習モデルに前記第１文書と第１の複数の単語とを入力して第１関係を取得する、処理を含み、
前記出力する処理は、
前記第２情報として、前記第２文書における前記第１の複数の単語の間の第２関係を取得し、
前記第１関係と前記第２関係とに基づき、前記第１文書における前記第１の複数の単語の間の関係を出力する、処理を含む、
請求項１～請求項３のいずれか１項に記載の出力プログラム。
【請求項６】
入力文書の入力に応じて前記入力文書に関する情報を出力するように訓練された第１機械学習モデルに、第１文書を入力して第１情報を取得し、
複数の文書を記憶する記憶部から、前記第１文書のグラフ構造に類似する類似グラフ構造を有する第２文書を特定し、
特定した前記第２文書に関する第２情報と、前記第１情報とに基づき、前記第１文書に関する情報を出力する、
処理をコンピュータが実行する、出力方法。
【請求項７】
入力文書の入力に応じて前記入力文書に関する情報を出力するように訓練された第１機械学習モデルに、第１文書を入力して第１情報を取得し、
複数の文書を記憶する記憶部から、前記第１文書のグラフ構造に類似する類似グラフ構造を有する第２文書を特定し、
特定した前記第２文書に関する第２情報と、前記第１情報とに基づき、前記第１文書に関する情報を出力する、
制御部を備える、情報処理装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、出力プログラム，出力方法，及び情報処理装置に関する。
続きを表示（約 1,200 文字）【背景技術】
【０００２】
テキストからテキストに関する情報、例えば専門知識の情報を抽出するＡＩ（Artificial Intelligence）タスクが知られている。当該タスクは、例えばテキストと複数（例えば２つ）の単語（対象ペア，単語ペア）とをニューラルネットワーク（Neural Network：ＮＮ）に入力し、テキストの文脈情報から予測される対象ペア間の関係（一例として関係ラベル）を予測するタスクである。
【０００３】
関係を予測（以下、「関係抽出」と表記する場合がある）するＮＮは、例えば、文脈情報を含むテキストと、対象ペアと、正解データとしての関係ラベルとを含む教師データを用いた教師有り学習によって訓練された機械学習モデルである。
【０００４】
文書における関係抽出の精度は、ＮＮによる文書から文脈情報を抽出する文脈処理の手法と、当該ＮＮの機械学習処理（例えば教師データ）とに依存する。
【０００５】
文脈処理としては、例えば文書をグラフ構造に変換し、文書に含まれる単語のうちの重要単語を抽出して対象ペアの関係を予測する第１手法，文書全体の文脈を対象として対象ペアの関係を予測する第２手法が知られている。
【０００６】
第１手法では、ＮＮにより、文書中の固有表現等を頂点としたグラフを生成し、グラフ処理を行なう。ＮＮは、グラフ構造において冗長な単語を除外して重要単語を抽出した上で対象ペアの関係を予測する。
【０００７】
第２手法では、ＮＮとして、例えばTransformer等の長期文脈処理に強い機械学習モデルが使用される。ＮＮは、文書全体の文脈に沿って、文書全体の単語を考慮しながら対象ペアの関係を予測する。
【先行技術文献】
【特許文献】
【０００８】
特表２００９－５２８６２８号公報
米国特許出願公開第２０２２／０１２１８２２号明細書
【非特許文献】
【０００９】
Wenxuan Zhou, Kevin Huang, Tengyu Ma, Jing Huang, “Document-Level Relation Extraction with Adaptive Thresholding and Localized Context Pooling”, AAAI2021, 9 December 2020
【発明の概要】
【発明が解決しようとする課題】
【００１０】
第１手法及び第２手法のいずれの手法においても、文脈処理では、関係ラベルが付加された訓練データ（教師データ）を使用して訓練された機械学習モデルによって対象ペアの関係の予測が行われる。
（【００１１】以降は省略されています）

関連特許