CN116997902A - 信息处理系统、信息处理方法和程序 - Google Patents

Abstract

本技术涉及能够有助于理解关于AI处理的解释的信息处理系统、信息处理方法和程序。信息处理系统包括：评价部分，根据基于在机器学习的过程中或作为结果获得的参数的两个或更多个评价标准，评价多个选项；和解释部分，通过使用分别对应于评价标准的词句来生成与选项相关的解释文本。本技术适用于通过使用AI执行各种类型的处理的硬件和软件。

Description

信息处理系统、信息处理方法和程序

技术领域

本技术涉及信息处理系统、信息处理方法和程序，特别是涉及优选用于呈现关于AI(人工智能)处理的解释的信息处理系统、信息处理方法和程序。

背景技术

最近，AI的使用已经在各个领域传播(例如，参见PTL 1)。此外，随着AI的传播，AI的“黑匣子”问题变得更加突出，因此，对可解释的AI提出需求。

为了满足该需求，例如，存在这样一种尝试，即，使这种AI基于为评价建立的各种评价标准评价各个选项，以由此可视化AI如何在评价处理中到达最终决定。

[引文列表]

[专利文献]

[PTL 1]

JP 2020-126618A

发明内容

[技术问题]

然而，关于AI处理的解释通常针对该领域的专家，而对于这些专家以外的人来说往往很难理解。

本技术是考虑到上述情况而开发的，并且，其目的是便于理解关于AI处理的解释。

[问题解决方案]

根据本技术的一个方面的信息处理系统包括：评价部分，所述评价部分根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和解释部分，所述解释部分通过使用与评价标准中的对应评价标准相关联的词句(phrase)，生成与选项中的各个选项相关的解释文本。

根据本技术的一个方面的信息处理方法由信息处理系统执行。信息处理方法包括：根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

根据本技术的一个方面的程序是用于使计算机执行包括以下步骤的处理的程序：根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

根据本技术的一个方面，根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

附图说明

图1示出用于解释本技术的概要的示图。

图2是示出应用本技术的信息处理系统的构成示例的框图。

图3是示出服务器的构成示例的框图。

图4是用于解释根据第一实施例的AI处理的流程图。

图5是用于解释选择处理的细节的流程图。

图6是示出选项的评价和解释文本的创建的概要的示图。

图7是示出评价标准和助动词(modal auxiliaries)之间的相关性的示图。

图8是示出评价标准的坐标空间的示例的示图。

图9是示出解释文本的模板的示例的示图。

图10是示出解释文本的具体示例的示图。

图11是示出解释文本的具体示例的示图。

图12是示出解释文本的具体示例的示图。

图13是示出解释文本的具体示例的示图。

图14是用于解释根据第二实施例的AI处理的流程图。

具体实施方式

以下，描述用于实施本技术的模式。描述将按以下顺序呈现。

1.本技术的概要

2.实施例

3.应用示例

4.变更例

5.其它

<<1.本技术的概要>>

首先，参照图1描述本技术的概要。

图1的A示出常规AI的处理的粗略流程。

例如，基于通过机器学习等获得的学习结果对多个选项进行各种预测。然后，基于预测结果从选项中选择被认为是最佳的选项作为最终输出，并将其呈现给用户。

图1的B示出具有应用本技术的新框架的AI的处理的粗略流程。

例如，与图1的A中的处理类似，基于通过机器学习等获得的学习结果对多个选项进行各种预测。

随后，基于预测结果针对预定评价标准中的每一个来评价各个选项。例如，评价标准基于在机器学习的过程期间或作为结果获得的参数被定义，并且被假定为包括报酬、确定性、可行性和条件适合性等。

例如，这里的报酬表示通过选择各个选项或执行由各个选项指示的方法而获得的报酬。例如，采用强化学习的报酬量(Reward)作为报酬。例如，通过使用强化学习的框架，强化学习的报酬量是可预测的。然而，报酬并不限于强化学习的报酬量。例如，可以采用基于与监督学习中预期的结果的一致性而计算的报酬量作为报酬。

例如，确定性表示获得上述报酬的概率。例如，可行性表示由选项中的每一个所指示的方法可行的概率。例如，条件适合性表示选项中的每一个与要求和禁止的条件之间的适合性的程度。

另外，基于针对评价标准中的每一个给出的评价，从选项中选择被认为是最佳的选项作为最终输出，并将其呈现给用户。

此外，关于AI处理(例如，从各个选项中选择的结果)的简单解释以文本的形式呈现给用户。该解释使用对应于各个评价标准的词句(单词或词句)。例如，要使用的助动词包括对于报酬的“应当”、对于确定性的“可能”、对于可行性的“可以”和对于条件适合性的“必须”。

例如，在选择行动的情况下，人不仅考虑最终选择的行动，还考虑其它选项和可能性。例如，为了到达目的地，人不仅考虑乘坐出租车的选项，还考虑其它选项，诸如乘坐火车、驾驶自己的车和请朋友驾驶。人在考虑其它选项和可能性时的这种选择方式被称为模态认知。

此外，例如，在解释用于选择选项的评价或原因的情况下，人常常使用助动词，诸如“应当”、“可能”、“可以”和“必须”。

在这种情况下，可以通过使用诸如“应当”、“可能”、“可以”和“必须”之类的助动词在接近人模态认知的概念下呈现关于AI处理的解释，以解释各个选项。因此，即使对于专家以外的人来说，也可以以易于理解的方式实现解释的呈现。

<<2.实施例>>

接下来，参照图2～图14描述本技术的实施例。

<信息处理系统的构成示例>

图2示出应用本技术的信息处理系统1的构成示例。

信息处理系统1是通过使用AI向用户呈现用于实现由用户设定的目的的方法(例如，行动)并且实现由用户设定的目的的系统。

信息处理系统1包括服务器111、DB(数据库)112和用户终端113-1～113-n。服务器111、DB 112和用户终端113-1～113-n经由网络121彼此连接。

注意，在用户终端113-1～113-n不需要彼此区分的情况下，它们在下文中将被简称为用户终端113。

服务器111通过使用AI提供用于实现由用户设定的目的的方法或呈现该方法的执行结果的服务(以下称为AI服务)。例如，服务器111通过使用AI执行用于基于从用户终端113接收到的输入信息和累积在DB 112中的信息检查用于实现由用户设定的目的的方法的处理。然后，服务器111生成包括AI处理结果和关于AI处理的解释的输出信息，并且经由网络121将输出信息传送到用户终端113。

DB 112存储由服务器111执行的AI处理所需的信息。

例如，DB 112存储指示用于设定用于实现由用户设定的目的的要求条件和禁止条件的规则(例如，法律)的规则信息。

例如，DB 112存储指示由服务器111先前处理的事例和先前引起的事例等的事例信息。例如，事例信息包括关于事例的主体、由主体执行的行动的细节、行动的结果(例如，通过行动获得的报酬的细节)和引起事例时的环境等的信息。

例如，用户终端113中的每一个包括诸如PC(个人计算机)、智能电话和平板机终端之类的信息处理终端，并且由用户使用AI服务进行操作。例如，用户终端113中的每一个生成使用由服务器111提供的AI服务所需的输入信息，并且经由网络121将输入信息传送到服务器111。

例如，输入信息包括目的信息、主体信息和环境信息。

例如，目的信息包括关于用户期望实现的目的的信息。例如，关于目的的信息包括用户期望的报酬的类型和目标值等。

例如，主体信息包括关于由目的信息指示的目的的主体的信息。例如，目的的主体是执行用于实现目的的方法的主体或通过实现目的而获得报酬的主体等。此外，例如，关于主体的信息包括关于主体的属性、特征和能力以及可用于主体的资源等的信息。

注意，主体的类型不限于特定类型。例如，假设包括人的生物、植物、各种类型的物体中的任意一个、国家、公司和各种类型的群体中的任意一个等构成主体。此外，可能存在多个主体。

例如，环境信息包括关于主体执行用于实现目的的方法时的环境的信息。例如，环境信息包括由包含于用户终端113中的传感器获取的传感器数据。例如，传感器数据包括指示天气、温度或位置信息等的数据。

注意，在服务器111执行用于实现目的的方法的情况下，例如，包含于服务器111中的传感器可以收集诸如传感器数据之类的环境信息。

用户终端113经由网络121接收由服务器111根据输入信息生成的输出信息。用户终端113基于输出信息向用户呈现AI处理结果和关于AI处理的解释。

<服务器111的构成示例>

图2是示出图1中的服务器111的功能构成示例的框图。

服务器111包括CPU(中央处理单元)151、存储器152、存储装置153、操作单元154、显示单元155、通信单元156、外部I/F(接口)157和驱动器158。CPU 151～驱动器158被连接到总线，以根据需要彼此通信。

CPU 151执行安装在存储器152或存储装置153中的程序，以执行各种处理。

例如，存储器152包括易失性存储器等，并且临时存储要由CPU 151执行的程序或需要的数据。

例如，存储装置153包括硬盘或非易失性存储器，并且存储要由CPU 151执行的程序或需要的数据。

操作单元154包括物理键(包括键盘)、鼠标和触摸板等。操作单元154根据该操作将对应于由用户执行的操作的操作信号输出到总线。

例如，显示单元155包括LCD(液晶显示器)等，并且根据从总线供给的数据显示图像。

通信单元156包括通信电路和天线等，并且经由网络121与DB 112和用户终端113进行通信。

外部I/F 157是用于与各种外部设备进行数据交换的接口。

例如，驱动器158是诸如存储器卡之类的可移除介质158A可拆卸地附接到的驱动器，并且驱动附接到驱动器158的可移除介质158A。

在如上配置的服务器111中，要由CPU 151执行的程序可以预先记录在存储装置153中，该存储装置153是内置在CPU 151中的记录介质。

或者，程序可以被存储(记录)在可移除介质158A中，并且以所谓的软件包的形式被提供，并且可以从可移除介质158被安装到服务器111中。

代替的，程序可以经由网络121和通信单元156从未示出的不同服务器等被下载，并且被安装到服务器111中。

CPU 151执行被安装在服务器111中的程序，以实现AI处理部分171和通信控制部分172。

AI处理部分171执行使用AI的处理。AI处理部分171包括学习部分181、选项生成部分182、评价部分183、选择部分184、解释部分185以及呈现控制部分186。

学习部分181执行AI处理所需的诸如机器学习之类的学习处理。例如，学习部分181基于存储在DB 112中的事例信息执行强化学习，以生成要由评价部分183使用的评价函数。

选项生成部分182基于从用户终端113接收的输入信息和存储在DB 112中的信息，生成分别与用于实现由输入信息指示的目的的方法相关联的选项。

评价部分183基于多个评价标准评价各个生成的选项。

选择部分184基于根据各个评价标准对各个选项给出的评价来选择要呈现给用户的输出。

解释部分185执行用于呈现关于由AI处理部分171执行的AI处理的解释的处理。例如，解释部分185基于从用户终端113接收的输入信息、由评价部分183针对各个选项获得的评价结果或由选择部分184获得的输出选择结果等，生成关于AI处理的解释文本。

呈现控制部分186控制由用户终端113获得的AI处理结果的呈现以及关于AI处理的解释。

例如，呈现控制部分186生成包括AI处理结果和关于AI处理的解释的输出信息。例如，AI处理结果包括关于由选择部分184选择的输出的信息或根据选择的输出执行处理的结果等。例如，关于AI处理的解释包括由解释部分185生成的解释文本。

呈现控制部分186经由通信单元156和网络121向用户终端113传送输出信息，以导致用户终端113向用户终端呈现AI处理结果和关于AI处理的解释。

通信控制部分172控制由通信单元156进行的通信。

注意，即使在服务器111的组件中的每一个经由通信单元156和网络121与DB 112和用户终端113通信的情况下，以下也将省略“经由通信单元156和网络121”的描述。例如，在呈现控制部分186经由通信单元156和网络121与用户终端113通信的情况下，这种情况将被简单地描述为“呈现控制部分186与用户终端113通信”。

＜AI处理的第一实施例＞

接下来，参照图4中的流程图，描述由服务器111执行的AI处理。

例如，当服务器111的CPU 151从用户终端113中的任意一个接收到输入信息时，开始该处理。如上所述，输入信息包括例如目的信息、主体信息和环境信息。

在步骤S1中，服务器111执行选择处理。

这里参照图5中的流程图描述选择处理的细节。

在步骤S51中，服务器111执行预处理。具体地，通信单元156将从用户终端113接收的输入信息供给到CPU 151。

选项生成部分182基于包含于输入信息中的主体信息和目的信息提取由用户设定的主体和目的。例如，选项生成部分182从存储在DB 112中的信息提取关于具有与由用户设定的主体和目的类似的主体和目的的先前事例的事例信息作为事例信息。

在步骤S52中，选项生成部分182生成选项。例如，选项生成部分182基于在步骤S51中的处理中提取的先前事例等，检查可能实现由用户设定的目的的方法。选项生成部分182生成指示作为检查结果获得的多种方法的多个选项。

注意，例如，选项生成部分182可以在不过度考虑目的是否实际可实现和可行的情况下生成选项。此外，例如，选项生成部分182可以通过使用给出比由学习部分181生成的评价函数(稍后描述)更宽松的评价的评价函数来评价选项，并且基于该评价的结果减少选项的数量。

注意，例如，用户可以创建选项并且将创建的选项添加到输入信息。在这种情况下，选项生成部分182将由用户设定的选项添加到生成的选项。

该处理生成例如图6中所示的选项A、B、C、D和其它选项。

在步骤S53中，服务器111评价各个选项。

例如，学习部分181基于先前的类似事例执行强化学习，以分别生成实现基于三种类型的评价标准(即，报酬、确定性和可行性)的评价的评价函数。

例如，学习部分181基于各个选项和执行对应于各个选项的方法时的环境等，生成用于预测通过执行对应于各个选项的方法中的每一个获得的报酬的评价函数。

例如，学习部分181基于各个选项和执行对应于各个选项的方法时的环境等，生成用于预测通过执行对应于各个选项的方法中的每一个获得报酬的概率的评价函数。

例如，学习部分181基于主体的能力、主体可用的资源和执行对应于各个选项的方法时的环境等，生成用于预测对应于各个选项的方法可行的概率的评价函数。

评价部分183通过使用生成的评价函数评价选项中的每一个的报酬、确定性和可行性。以这种方式，评价部分183预测选项中的每一个的报酬、确定性和可行性的评价值。

此外，如图7所示，评价部分183将各个选项的报酬、确定性和可行性的评价值归一化为-1～1的范围内的值。在这种情况下，随着报酬、确定性和可行性的相应评价提高，评价值中的每一个接近1。另一方面，随着报酬、确定性和可行性的相应评价降低，评价值中的每一个接近-1。

此外，评价部分183基于设定的主体和目的，从存储在DB 112中的规则信息提取指示用于实现目的的要求事项和禁止事项的规则。评价部分183基于提取的规则设定指示要求事项的要求条件和指示禁止事项的禁止条件。注意，在不存在指示用于实现目的的要求事项和禁止事项的规则的情况下，评价部分183不设定要求条件和禁止条件。

例如，在服务器111执行路线规划的情况下，例如，需要经由的经由点被设定为要求条件，并且，例如，通行禁止区间被设定为禁止条件。

然后，例如，如图7所示，评价部分183基于要求条件和禁止条件针对选项中的每一个将条件适合性的评价值设定为1、0和-1中的任意一个。具体地，在存在禁止条件的情况下，对于满足禁止条件的选择，评价部分183将条件适合性的评价值设定为-1。此外，在存在要求条件的情况下，对于不满足禁止条件的选项中的满足要求条件的选项，评价部分183将条件适合性的评价值设定为1。此外，对于既不满足要求条件也不满足禁止条件的选项，评价部分183将条件适合性的评价值设定为0。注意，在不存在要求条件和禁止条件均的情况下，评价部分183针对所有选项将条件适合性的评价值设定为0。

注意，例如，如图6所示，评价部分183可以根据需要针对评价项目中的每一个将各个选项进行排序。

在步骤S54中，选择部分184基于评价结果选择输出。

首先，选择部分184在以条件适合性为优先的同时选择输出。例如，在存在只有一个评价值为1的选项的情况下，即，在只有一个满足要求条件且不满足禁止条件的选项存在的情况下，选择部分184选择该选项作为输出。

另一方面，在存在条件适合性的评价值分别为1的两个或更多个选项的情况下，即，存在分别满足要求条件且不满足禁止条件的两个或更多个选项的情况下，选择部分184提取这些选项。然后，选择部分184对于提取的选项中的每一个计算报酬、确定性和可行性的评价值的合计作为总体评价值。此时，选择部分184可以对报酬、确定性和可行性的评价值中的每一个进行加权，以实现加权相加。在这种情况下，例如，用于报酬的权重被设定为最大值。然后，选择部分184选择具有最大总体评价值的选项作为输出。

另一方面，在不存在条件适合性的评价值为1的选项的情况下，选择部分184从所有选项提取条件适合性的评价值均不为-1的选项，即，不满足禁止条件的选项。以这种方式，满足禁止条件的选项被排除。然后，选择部分184通过上述方法计算选项中的每一个的总体评价值，并且选择具有最大总体评价值的选项作为输出。

图8示出具有报酬、确定性和可行性三个轴的坐标系。例如，在基于报酬、确定性和可行性的各个评价值将各个选项设置在图8所示的坐标系上的情况下，落在区域A1内的选项分别被选择为输出。换句话说，各自具有高评价值的报酬、确定性和可行性的选项分别被选择为输出。

然后，选择处理结束。

再次参照图4，在步骤S2中，解释部分185生成关于AI处理的解释文本。

例如，如图6所示，解释部分185通过组合主体(S)、助动词“应当”、“可能”、“可以”和“必须”中的任意一个和选择的输出(A)，生成关于输出的解释文本。

此外，如果需要，解释部分185生成关于选择的输出以外的选项的解释文本，即，没有被选择的选项的解释文本。在这种情况下，没有被选择的选项中的每一个被插入到对应于解释文本的A的部分中。

例如，如图7所示，解释部分185基于用于各个选项的各个标准的评价值，对选项中的每一个选择选择要插入到解释文本中的助动词，并且设定选择的助动词的使用方法。例如，助动词的使用方法包括助动词的使用或不使用以及肯定形式或否定形式的选择。

例如，在条件适合性的值为+1的情况下，解释部分185选择“必须”作为对应于条件适合性的助动词。例如，在条件适合性的值为-1的情况下，解释部分185选择“不得”作为对应于条件适合性的助动词。例如，在条件适合性的值为0的情况下，解释部分185不使用对应于条件适合性的任何助动词。

例如，在报酬的评价值是第一阈值或更大的情况下，即，在报酬的评价值接近1的情况下，解释部分185选择“应当”作为对应于报酬的助动词。例如，在报酬的评价值是第二阈值或更小的情况下，即，在报酬的评价值接近-1的情况下，解释部分185选择“不应”作为对应于报酬的助动词。例如，在报酬的评价值大于第二阈值但小于第一阈值的情况下，解释部分185不使用对应于报酬的任何助动词。

例如，在确定性的评价值是第一阈值或更大的情况下，即，在确定性的评价值接近1的情况下，解释部分185选择“可能”作为对应于确定性的助动词。例如，在确定性的评价值是第二阈值或更小的情况下，即，在确定性的评价值接近-1的情况下，解释部分185选择“可能不是”作为对应于确定性的助动词。例如，在确定性的评价值大于第二阈值但小于第一阈值的情况下，解释部分185不使用对应于确定性的任何助动词。

例如，在可行性的评价值是第一阈值或更大的情况下，即，在可行性的评价值接近1的情况下，解释部分185选择“可以”作为对应于可行性的助动词。例如，在可行性的评价值是第二阈值或更小的情况下，即，在可行性的评价值接近-1的情况下，解释部分185选择“不能”作为对应于可行性的助动词。例如，在可行性的评价值大于第二阈值但小于第一阈值的情况下，解释部分185不使用对应于可行性的任何助动词。

如上所述，报酬、确定性和可行性中的每一个被分为三个级别，

并且，根据各级别选择相应助动词的肯定形式的使用、助动词的不使用或助动词的否定形式的使用。

注意，在人思考某些事情的情况下，人的认识通常受到要使用的语言的限制。例如，在大多数情况下，人有意识地将可行性分为三类(可能、不可能、未知)，即使他或她的大脑正在以概率的方式处理可行性。因此，即使当要使用的助动词针对如上面描述的那样对报酬、确定性和可行性中的每一个分类的三个级别中的每一个改变时，用户感到不舒服的可能性也低。

接下来，解释部分185通过使用选择的助动词，针对评价标准中的每一个生成关于各个选项的解释文本。此时，例如，解释部分185使用根据如图9所示的规则库确定的模板。

例如，通过使用以下模板生成关于报酬的解释文本。

由于预期(报酬的类型)是(报酬的预测值)，因此(主体)应当(选项)。

例如，表示基于主体信息设定的主体的词句被插入到部分(主体)中。例如，表示对应于生成解释文本所针对的对象的选项的词句被插入到部分(选项)中。例如，表示报酬的类型的词句被插入到部分(报酬的类型)中。例如，表示选项的报酬的评价值的词句被插入到部分(报酬的预测值)中。

通过使用该模板呈现的是在选择对应于解释文本的对象的选项的情况下预期获得的报酬的预测值。

例如，通过使用以下模板生成关于确定性的解释文本。

由于(报酬的类型)是(报酬的预测值)的可能性是(确定性的预测值)，因此(主体)可能采取(选项)。

例如，表示基于主体信息设定的主体的词句被插入到部分(主体)中。例如，表示对应于生成解释文本所针对的对象的选项的词句被插入到部分(选项)中。例如，表示选项的确定性的评价值的词句被插入到部分(确定性的预测值)中。例如，表示报酬的类型的词句被插入到部分(报酬的类型)中。例如，表示选项的报酬的评价值的词句被插入到部分(报酬的预测值)中。

通过使用该模板呈现的是在选择对应于解释文本的对象的选项的情况下获得预测报酬的确定性的预测值。

例如，通过使用以下模板生成关于可行性的解释文本。

由于可行的机会是(可行性的预测值)，因此(主体)可以采取(选项)。

例如，表示基于主体信息设定的主体的词句被插入到部分(主体)中。例如，表示对应于生成解释文本所针对的对象的选项的词句被插入到部分(选项)中。例如，表示选项的可行性的评价值的词句被插入到部分(可行性的预测值)中。

通过使用该模板呈现的是对应于与解释文本的对象的选项可行的可能性。

例如，通过使用以下模板生成关于条件适合性的解释文本。

由于被(参照规则)禁止，因此(主体)必须采取(选项)。

例如，表示基于主体信息设定的主体的词句被插入到部分(主体)中。例如，表示对应于生成解释文本所针对的对象的选项的词句被插入到部分(选择)中。例如，表示诸如为了设定要求条件或禁止条件而参照的法律之类的规则的词句插入到部分(参照规则)中。

通过使用该模板呈现的是选择对应于解释文本的对象的选项的必要性的原因或者是禁止该选择的原因。

图10～图13分别示出解释文本的具体示例。

具体地，在图10～图12的文本示例中的每一个中，主体是“我”，并且，目的是“选择用于使持续时间最小化的路线”。

在这种情况下，报酬对应于持续时间，并且报酬随着持续时间的减少而增加。

图10示出关于被选择为输出的路线3的解释文本的示例。

例如，生成以下文本作为关于报酬的解释文本。

由于预期的持续时间是12分钟，因此我应当采取路线3。

在该解释文本中，例如，呈现了由于预测的持续时间(报酬)持续12分钟，因此我(主体)应当选择路线3。

例如，生成以下文本作为关于确定性的解释文本。

由于持续时间是12分钟的可能性是82％，因此我可能采取路线3。

在该解释文本中，呈现了由于持续时间(报酬)持续12分钟的概率例如为82％，因此我(主体)可以选择路线3。

例如，生成以下文本作为关于可行性的解释文本。

由于可行的机会是95％，因此我可以采取路线3。

在该解释文本中，例如，呈现了由于可行性(例如，经由路线3到达目的地的可能性)为95％，因此我(主体)可以选择路线3。

例如，生成以下文本作为关于条件适合性的解释文本。

由于既不被禁止也非必要，因此我采取路线3。

例如，在该解释文本中，呈现了路线3的选择既不被禁止也非必要。

例如，基于呈现给用户的上述解释文本，用户可以容易地理解选择路线3的原因或依据。例如，用户认识到选择路线3是因为路线3的持续时间短、持续时间的高确定性和可行性，并且没有特别的禁止。作为结果，例如，对于用户来说，提高了AI处理结果的可靠性和满意度。

图11示出关于没有被选择的路线4的解释文本的示例。

例如，生成以下文本作为关于报酬的解释文本。

由于预期的持续时间是8分钟，因此我应当采取路线4。

在该解释文本中，例如，呈现了由于预期的持续时间(报酬)持续8分钟，因此我(主体)应当选择路线4。

例如，生成以下文本作为关于确定性的解释文本。

由于持续时间是8分钟的可能性为90％，因此我可能采取路线4。

在该解释文本中，例如，呈现了由于持续时间(报酬)持续8分钟的概率为90％，因此我(主体)可以选择路线4。

例如，生成以下文本作为关于可行性的解释文本。

由于可行的机会是10％，因此我不能采取路线4。

在本解释文本中，例如，呈现了由于可行性(例如，经由路线4到达目的地的可能性)为10％，因此我(主体)不能选择路线4。

例如，生成以下文本作为关于条件适合性的解释文本。

由于既不被禁止也非必要，因此我采取路线4。

例如，在本文中，呈现了路线4的选择既不被禁止也非必要。

例如，基于呈现给用户的上述解释文本，用户可以容易地理解路线4没有被选择的原因或依据。例如，用户认识到，由于尽管持续时间比路线3的持续时间短但到达目的地的可能性低至10％，因此路线4没有被选择。作为结果，例如，对于用户来说，提高了AI处理结果的可靠性和满意度。

图12示出关于没有被选择的路线6的解释文本的示例。

例如，生成以下文本作为关于报酬的解释文本。

由于预期的持续时间是30分钟，因此我不应采取路线6。

在该解释文本中，例如，呈现了由于预期的持续时间(报酬)持续30分钟，因此我(主体)不应选择路线6。

例如，生成以下文本作为关于确定性的解释文本。

由持续时间是30分钟的可能性是90％，因此，我可能采取路线6。

在该解释文本中，例如，呈现了由于持续时间(报酬)持续30分钟的概率为90％，因此我(主体)可以选择路线6。

例如，生成以下文本作为关于可行性的解释文本。

由于可行的机会是85％，因此我可以采取路线6。

在该解释文本中，例如，呈现了由于可行性(例如，经由路线6到达目的地的可能性)为85％，因此我(主体)可以选择路线6。

例如，生成以下文本作为关于条件适合性的解释文本。

由于没有被道路交通法禁止，因此我不得采取路线6。

在该解释文本中，例如，呈现了由于路线6被道路交通法禁止，因此我(主体)不得选择路线6。

例如，基于呈现给用户的上述解释文本，用户可以容易地理解路线6没有被选择的原因或依据。例如，用户认识到，由于路线6的持续时间长并且被道路交通法禁止，因此路线6没有被选择。作为结果，例如，对于用户来说，提高了AI处理结果的可靠性和满意度。

在呈现体重减轻方法的选择的情况的图13的示例中，主体是“我的孩子”，并且，目的是“选择用于使体重减轻最大化的方法”。

在这种情况下，报酬对应于体重减轻，并且报酬随着体重减轻的增加而增加。

图13示出关于各个选项的解释文本的示例。

例如，生成以下文本作为关于报酬的解释文本。

由于预望的体重减轻为2.2kg，因此我的孩子应当绕着公园散步。

在该解释文本中，例如，呈现了由于预望的体重减轻(报酬)为2.2kg，因此我的孩子(主体)应当绕着公园散步。

例如，生成以下文本作为关于确定性的解释文本。

由于体重减轻为3kg的可能性是10％，因此我的孩子不会服用药物Y。

在该解释文本中，例如，由于体重减轻3kg的概率为10％，因此表明我的孩子(主体)不会服用药物Y。

例如，生成以下文本作为关于可行性的解释文本。

由于可行的机会为50％，因此我的孩子绕着公园跑步。

在该解释文本中，指示可行性(例如，我的孩子(主体)在公园周围奔跑的概率)为50％。

例如，生成以下文本作为关于条件适合性的解释文本。

由于被法律禁止，因此我的孩子不得喝啤酒。

在该解释文本中，由于喝啤酒被法律禁止，因此指示我的孩子(主体)不应当喝啤酒。

允许用户例如基于呈现给用户的上述解释文本，从各种角度比较各个选项。

再次参照图4，在步骤S3中，服务器111呈现处理结果和解释文本。例如，呈现控制部分186生成用于呈现AI处理结果和关于AI处理的解释文本的呈现数据。

例如，AI处理结果包括关于由AI获得的输出选择结果的信息(例如，各个选项和关于从各个选项中选择的输出的信息)。此外，例如，AI处理结果可以包括通过根据需要执行对应于选择的输出(例如，行动)的方法而获得的结果。例如，关于AI处理的解释文本包括关于上述的各个选项的各个评价标准的解释文本。呈现控制部分186将呈现数据传送到用户终端113。

用户终端113基于呈现数据呈现AI处理结果和解释文本。

此时，例如，可以仅呈现选择的输出，或者也可以呈现其它选项。此外，例如，可以呈现通过执行对应于选择的输出的方法而获得的结果。

此外，例如，可以仅呈现关于选择的输出的解释文本，或者还可以呈现关于其它选项的解释文本。另外，例如，不一定需要呈现关于所有评价标准的解释文本，而是可以仅呈现关于评价标准中的一些的解释文本。

然后，AI处理结束。

如上所述，以文本的自然形式呈现关于AI处理结果的解释。以这种方式，允许用户很容易地理解AI处理结果的原因或依据。作为结果，例如，对于用户来说，提高了AI处理结果的可靠性和满意度。另一方面，例如，在用户关于AI处理结果有问题的情况下，用户能够弄清楚什么导致该问题。

此外，通过使用预定模板机械地生成解释文本。因此，可以减少施加在解释文本的生成上的负担。

＜AI处理的第二实施例＞

接下来，参照图14中的流程图描述根据第二实施例的由服务器111执行的AI处理。

例如，与第一实施例类似，当服务器111从用户终端113中的任意一个接收到输入信息时，开始该处理。

在步骤S101中，与图4中的步骤S1中的处理类似，执行选择处理。

在步骤S102中，服务器111呈现处理结果。例如，呈现控制部分186通过与上面参照图4描述的步骤S3中的处理类似的处理生成呈现AI处理结果所需的呈现数据。呈现控制部分186将呈现数据传送到用户终端113。

用户终端113基于呈现数据呈现AI处理结果。此时，与图4中的步骤S3中的处理不同，不呈现关于AI处理的解释文本。

在步骤S103中，呈现控制部分186确定是否已经接收到关于处理结果的询问。

例如，在用户确定需要关于呈现的AI处理结果的解释的情况下，用户通过使用用户终端113执行用于请求关于处理结果的解释的操作。具体地，例如，在用户希望知道AI选择输出的原因或AI没有选择其它选项的原因等的情况下，用户通过使用用户终端113执行用于请求关于处理结果的解释的操作。用户终端113经由网络121向服务器111传送请求关于处理结果的解释的命令。

然后，在从用户终端113接收到该命令的情况下，服务器111的呈现控制部分186在步骤S103中确定已经接收到关于处理结果的询问，并且处理进行到步骤S104。

在步骤S104中，与图4中的步骤S2中的处理类似，生成解释文本。

在步骤S105中，服务器111呈现解释文本。例如，呈现控制部分186通过与上面参照图4描述的步骤S3中的处理类似的处理生成呈现关于AI处理的解释文本所需的呈现数据。呈现控制部分186将呈现数据传送到用户终端113。

用户终端113基于呈现数据呈现关于AI处理的解释文本。

然后，AI处理结束。

另一方面，在步骤S103中确定没有接收到关于处理结果的询问的情况下，步骤S104和步骤S105中的处理被省略，并且AI处理结束。

以上述方式，根据需要，允许用户接收关于AI处理结果的解释。

注意，例如，用户可以指定呈现的解释文本的内容。例如，用户可以指定例如要呈现解释文本所针对的选项或评价标准。

<<3.应用示例>>

接下来，描述本技术的应用示例。

尽管上面已经描述了将本技术应用于响应于来自用户终端113的请求通过使用AI执行处理的服务器111的示例，但是本技术一般适用于使用AI的软件和硬件。

以下，描述各个应用示例中的选项、报酬、确定性、可行性和条件适合性以及其它的组合的示例。

<对软件的应用示例>

例如，本技术一般适用于通过使用AI执行各种处理的软件。

<识别软件>

例如，本技术一般适用于识别软件。具体地，例如，本技术适用于用于安全的识别软件。在这种情况下，作为选项、报酬、确定性、可行性和条件适合性的组合，以下示例是可采用的。

(选项)

例如，要识别的多个目标对应于选项，并且目标中的任意一个对应于输出(识别目标)。

例如，诸如“识别目标”和“基于识别结果确定行动”之类的识别处理对应于选项，并且，处理中的任意一个对应于输出。

(报酬)

例如，基于必要的识别结果的获取的期望值评价报酬。

(确定性)

例如，基于获得上述报酬的概率评价确定性。

例如，基于预期得到保证的识别精度的水平评价确定性。

(可行性)

例如，基于可用于识别处理的资源评价可行性。具体地，例如，基于由可用资源实现的计算时间是否现实等评价可行性。

例如，基于可达性评价可行性。例如，基于识别处理所需的信息或学习数据等是否可访问等评价可行性。

例如，基于知识的准确性评价可行性。例如，基于用户或识别目标的知识是否足够或者用户或识别目标是否可识别评价可行性。

(条件适合性)

例如，基于诸如隐私、安全、情色或操作禁止区域之类的观点设定禁止条件。然后，基于设定的禁止条件评价条件适合性。

＜搜索软件＞

例如，本技术适用于搜索(例如，图像搜索、文本搜索)软件。在这种情况下，作为选项、报酬、确定性、可行性和条件适合性的组合，以下的示例是可采用的。

(选项)

在存在多个搜索结果的情况下，例如，各个搜索结果对应于选项，并且，最终呈现的搜索结果对应于输出。

(报酬)

例如，基于各个搜索结果的准确性评价报酬。

(确定性)

例如，基于用户对各个搜索结果的满意水平评价确定性。

例如，基于通过单词的不一致等获得的其它类似搜索结果等的存在评价确定性。

(可行性)

例如，基于可用于搜索处理的资源评价可行性。例如，基于由可用资源实现的计算时间是否现实等评价可行性。

基于可达性评价可行性。例如，基于搜索处理所需的信息或学习数据等是否可访问等评价可行性。

例如，基于知识的准确性评价可行性。例如，基于用户或识别目标的知识是否足够或者用户或搜索目标是否可搜索评价可行性。

(条件适合性)

例如，基于诸如隐私、安全、情色或操作禁止区域之类的观点设定禁止条件。然后，基于设定的禁止条件评价条件适合性。

＜文本生成软件＞

例如，本技术适用于用于文本(例如，对话)生成的软件。在这种情况下，作为选项、报酬、确定性、可行性和条件适合性的组合，以下示例是可采用的。

(选项)

例如，用于询问的候选文本和用于闲聊的候选文本对应于选项，并且，最终呈现给用户的文本对应于输出。

(报酬)

例如，基于询问的适合性评价报酬。

例如，基于用户在闲聊期间获得快乐的期望值评价报酬。

(确定性)

例如，基于获得上述报酬的概率评价确定性。

例如，基于通过单词的不一致等获得的其它类似文本等的存在评价确定性。

(可行性)

例如，基于可用于文本生成处理的资源评价可行性。基于由可用资源实现的文本生成时间是否现实等评价可行性。

例如，基于可达性评价可行性。例如，基于文本生成处理所需的信息或学习数据等是否可访问等评价可行性。

例如，基于知识的准确性评价可行性。例如，基于用户或话题的知识是否足够评价可行性。

(条件适合性)

例如，基于诸如隐私、安全、情色或操作禁止区域之类的观点设定禁止条件。例如，基于禁止使用的单词和词句或使用户感到不舒服的先前对话等设定禁止条件。然后，基于设定的禁止条件评价条件适合性。

＜开发人员调试软件＞

例如，本技术也适用于开发人员调试软件，尽管该应用没有被详细描述。

＜用于裁判或法律过程的软件＞

本技术也适用于例如用于裁判和法律过程的软件，尽管该应用没有被详细描述。例如，关于重要判决或司法裁决的原因，可以向不是专家的人呈现明确的解释。

<对硬件的应用示例>

例如，本技术一般适用于通过使用AI执行各种处理的硬件。例如，本技术适用于通过使用AI自动执行各种类型的处理的设备，诸如机器人、机床和自动车辆。

＜机器人和机床的控制处理＞

例如，本技术适用于机器人或机床的控制处理。在这种情况下，作为选择评价、报酬、确定性、可行性和条件适合性的组合，以下示例是可采用的。

(选项)

例如，机器人或机床的候选行动对应于选项，并且最终执行的行动或最终执行的行动的结果对应于输出。例如，在用于保持物体的机床的情况下，诸如捕捉和释放物体之类的候选行动对应于选项。在机器人的情况下，例如，各种类型的行动对应于选项。

(报酬)

例如，基于几个指标评价报酬。例如，基于输入目的的实现水平评价报酬。例如，基于由机器人或机床根据情况设定的自身目的的实现水平评价报酬。

(确定性)

例如，基于获得上述报酬的概率评价确定性。

例如，基于行动的执行准确性评价确定性。

(可行性)

例如，基于物理约束评价可行性。例如，基于硬件的节点的自由度计算用于实现目的的行动的难度水平，并且，基于计算的行动的难度水平评价可行性。例如，根据硬件的耐久性评价可行性。

例如，基于可用于行动的资源评价可行性。例如，基于由可用资源实现的行动时间是否现实等评价可行性。

(条件适合性)

例如，基于禁止行动(例如，在处理中不可行的行动)设定禁止条件。例如，基于可能导致事故的行动设定禁止条件。然后，基于设定的禁止条件评价条件适合性。

注意，例如，应用于机器人的本技术可以收集与机器人的行动相关联的信息，并且解释行动的原因或依据。

<路径规划>

例如，本技术适用于路径规划。在这种情况下，作为选项、报酬、确定性、可行性和条件适合性的组合，以下示例是可采用的。

(选项)

例如，候选路径对应于选项，并且，最终选择的路径对应于输出。

(报酬)

例如，基于几个指标评价报酬。例如，基于安全性、所需时间或不确定性(例如，交通堵塞)的低水平等评价报酬。

(确定性)

例如，基于获得上述报酬的概率评价确定性。

(可行性)

例如，基于可用资源(例如，可用交通手段)评价可行性。

例如，基于物理约束评价可行性。具体地，基于诸如交通工具的服务状态和预算之类的物理约束评价可行性。

(条件适合性)

例如，基于法律、交通规则或事故概率等设定禁止条件。然后，基于设定的禁止条件评价条件适合性。

<车辆控制>

例如，本技术适用于车辆控制。在这种情况下，作为选项、报酬、确定性、可行性和条件适合性的组合，以下示例是可采用的。

(选项)

例如，各种控制参数对应于选项，并且最终选择的参数对应于输出。例如，这里假定的控制参数包括用于方向盘的控制参数和用于加速和制动的控制参数等。

(报酬)

例如，基于几个指标评价报酬。例如，基于舒适性、安全性或到达目的地所需的时间等评价报酬。

(确定性)

例如，基于获得上述报酬的概率评价确定性。

(可行性)

例如，基于物理约束评价可行性。具体地，例如，基于诸如车辆的最大速度和以指定速度向右转弯的禁止之类的物理约束评价可行性。

例如，基于可用资源(例如，燃料)评价可行性。

(条件适合性)

例如，基于法律、交通法或事故概率等设定禁止条件。例如，基于用户的选择设定要求条件。然后，基于设定的要求条件和禁止条件评价条件适合性。

注意，应用于执行自动驾驶的车辆的本技术可以例如在事故发生的情况下，呈现关于自动驾驶车辆进行导致事故的行动的原因的清楚解释。

<其它应用示例>

例如，本技术不仅适用于关于利用AI由硬件和软件执行的处理的解释，而且适用于关于在利用AI执行硬件和软件之前执行的处理的解释。在这种情况下，例如，在AI执行处理之前，向用户呈现表示候选处理的选项以及关于选项中的每一个的解释。例如，允许用户基于呈现的解释选择要由AI执行的处理。

例如，本技术可以被应用于由用户执行的行动的确定标准。例如，服务器111生成用于实现由用户设定的目的的选项，并且基于各个选择标准评价各个选项。此外，服务器111生成关于各个选项的解释文本。然后，服务器111呈现各个选项和关于各个选项的解释文本。此时，服务器111还可以基于各个评价标准呈现各个选项的评价值。基于该呈现，允许用户参考解释文本等从选项选择被认为是最佳选项的选项，并且执行选择的选项。

<<4.变更例>>

以下描述上述的本技术的实施例的变更例。

＜信息处理系统的变更例＞

可以适当地修改上述的信息处理系统101的构成示例。

例如，可以修改服务器111和用户终端113之间的处理共享。例如，用户终端113可以执行由服务器111执行的处理中的一些或全部。在用户终端113实施由服务器111执行的所有处理的情况下，用户终端113可以基于存储在DB 112中的信息单独地执行上述处理。

例如，作为用户终端113的替代，可以设置在服务器111的控制下操作的设备(例如，机器人和机床)。

例如，服务器111可以包括DB，该DB存储在DB 112存储中的信息中的一些或全部。

<解释文本的变更例>

在上述的解释文本中使用的助动词是通过示例的方式给出的，并且，也可以采用其它助动词。

例如，对于关于各个评价标准的解释文本，可以根据评价标准的评价值改变要使用的助动词的类型。例如，可以根据报酬的评价值改变要使用的助动词的类型。

例如，作为对应于各个评价标准的词句，可以采用助动词以外的作为词类的词句。

例如，对于关于各个评价标准的解释文本，可以根据评价标准的评价值改变要使用的模板的类型。例如，可以根据报酬的评价值改变要使用的模板的类型。

例如，可以通过使用对应于多种类型的评价标准的词句，生成包括关于多种类型的评价标准的解释的解释文本。

例如，本技术也适用于通过使用英语以外的语言生成解释文本的情况。例如，在通过使用日语生成解释文本的情况下，可以采用诸如“subeki dearu”而不是“应当”、“surukamo shirenai”而不是“可能”、“surukotoga dekiru”而不是“可以”以及“shinakereba naranai”而不是“必须”之类的表达。此外，例如，可以采用诸如“subekidenai”而不是“不应当”、“shinaikamo shirenai”而不是“不会”、“surukotoga dekinai”而不是“不能”以及“shitewa ikenai”而不是“不得”之类的表达。

<其它变更例>

评价标准的类型不限于上述示例。可以适当地对这些示例进行添加或删除。

<<5.其它>>

可以通过硬件或软件执行上述的一系列处理。

注意，由计算机执行的程序可以是按照在本说明书中描述的顺序按时间序列执行处理的程序，或者可以是并行地或者在必要的定时(诸如进行调用的情况)执行处理的程序。

另外，本说明书中的系统指的是一组的多个构成要素(例如，设备、模块(部件))，并且不需要将所有构成要素容纳在同一外壳内。因此，容纳在单独外壳中并且经由网络相互连接的多个设备以及具有容纳在一个外壳中的多个模块的一个设备均被定义为系统。

此外，根据本技术的实施例不限于上述实施例，并且可以在不背离本技术的要旨的范围内以各种方式进行修改。

例如，本技术可以具有一个功能由多个设备共享并且经由网络以协作方式进行处理的云计算的构成。

此外，参考上述流程图描述的各个步骤可以由一个设备执行，或者可以由多个设备共享和执行。

此外，在多个处理包含于一个步骤中的情况下，包含于一个步骤中的多个处理可以由一个设备执行，或者可以由多个设备共享和执行。

<构成组合示例>

本技术还可以具有以下的构成。

(1)

一种信息处理系统，包括：

评价部分，所述评价部分根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和

解释部分，所述解释部分通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

(2)

根据以上的(1)所述的信息处理系统，其中，所述解释部分根据基于评价标准中的对应评价标准的评价，生成与评价标准中的各个评价标准相关的解释文本。

(3)

根据以上的(2)所述的信息处理系统，其中，

所述词句包括与评价标准中的对应评价标准相关联的助动词，以及

所述解释部分通过使用与对应的评价标准相关联的助动词，生成与评价标准中的各个评价标准相关的解释文本。

(4)

根据以上的(3)所述的信息处理系统，其中，所述解释部分根据基于对应评价标准的评价，设定与对应评价标准相关联的助动词的使用方法。

(5)

根据以上的(3)或(4)所述的信息处理系统，其中，

所述评价标准包括报酬、确定性、可行性和条件适合性中的两个或更多个，

对应于报酬的助动词包括“应当”，

对应于确定性的助动词包括“可能”，

对应于可行性的助动词包括“可以”，以及

对应于条件适合性的助动词包括“必须”。

(6)

根据以上的(2)～(5)中的任一项所述的信息处理系统，其中，所述解释部分通过使用与评价标准中的对应评价标准相关联的模板，生成与评价标准中的各个评价标准相关的解释文本。

(7)根据以上的(1)～(6)中的任一项所述的信息处理系统，还包括：

选择部分，所述选择部分根据基于评价标准中的对应评价标准的评价，从选项中选择输出。

(8)

根据以上的(7)所述的信息处理系统，其中，所述解释部分生成关于输出的解释文本。

(9)

根据以上的(8)所述的信息处理系统，其中，解释部分还生成关于没有被选择的选项的解释文本。

(10)

根据以上的(7)～(9)中的任一项所述的信息处理系统，其中，所述评价标准包括报酬、确定性、可行性和条件适合性中的两个或更多个。

(11)

根据以上的(10)所述的信息处理系统，其中，所述选择部分以条件适合性为优先来选择输出。

(12)

根据以上的(1)～(11)中的任一项所述的信息处理系统，还包括：

呈现控制部分，所述呈现控制部分控制解释文本的呈现。

(13)

根据以上的(12)所述的信息处理系统，还包括：

选择部分，所述选择部分根据基于评价标准中的对应评价标准的评价，从选项中选择输出，其中，

所述呈现控制部分控制输出的选择结果和解释文本的呈现。

(14)

根据以上的(13)所述的信息处理系统，其中，所述呈现控制部分执行控制，使得在呈现输出的选择结果之后，响应于来自用户的询问而呈现解释文本。

(15)

根据以上的(1)～(14)中的任一项所述的信息处理系统，还包括：

学习部分，所述学习部分执行强化学习，以生成用于基于各个评价标准来评价选项的评价函数，其中，

所述评价部分通过使用评价函数来评价选项。

(16)

根据以上的(1)～(15)中的任一项所述的信息处理系统，还包括：

选项生成部分，所述选项生成部分基于关于目的和目的的主体的信息，生成分别指示用于实现目的的方法的多个选项。

(17)

根据以上的(1)～(16)中的任一项所述的信息处理系统，其中，所述词句包括与评价标准中的对应评价标准相关联的助动词。

(18)

一种由信息处理系统执行的信息处理方法，所述信息处理方法包括：

根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和

通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

(19)

一种用于使计算机执行包括以下步骤的处理的程序：

根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和

通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

注意，要提供的有利效果不限于仅作为示例在本说明书中呈现的那些。也可能产生其它的有利效果。

附图标记列表

101：信息处理系统

111：服务器

112：DB

113-1～113-n：用户终端

151：CPU

171：CPU

172：通信控制部分

181：学习部分

182：选项生成部分

183：评价部分

184：选择部分

185：解释部分

186：呈现控制部分

Claims (19)

1.一种信息处理系统，包括：

评价部分，所述评价部分根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和

解释部分，所述解释部分通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

2.根据权利要求1所述的信息处理系统，其中，所述解释部分根据基于评价标准中的对应评价标准的评价，生成与评价标准中的各个评价标准相关的解释文本。

3.根据权利要求2所述的信息处理系统，其中，

所述词句包括与评价标准中的对应评价标准相关联的助动词，以及

所述解释部分通过使用与对应的评价标准相关联的助动词，生成与评价标准中的各个评价标准相关的解释文本。

4.根据权利要求3所述的信息处理系统，其中，所述解释部分根据基于对应评价标准的评价，设定与对应评价标准相关联的助动词的使用方法。

5.根据权利要求3所述的信息处理系统，其中，

所述评价标准包括报酬、确定性、可行性和条件适合性中的两个或更多个，

对应于报酬的助动词包括“应当”，

对应于确定性的助动词包括“可能”，

对应于可行性的助动词包括“可以”，以及

对应于条件适合性的助动词包括“必须”。

6.根据权利要求2所述的信息处理系统，其中，所述解释部分通过使用与评价标准中的对应评价标准相关联的模板，生成与评价标准中的各个评价标准相关的解释文本。

7.根据权利要求1所述的信息处理系统，还包括：

选择部分，所述选择部分根据基于评价标准中的对应评价标准的评价，从选项中选择输出。

8.根据权利要求7所述的信息处理系统，其中，所述解释部分生成关于输出的解释文本。

9.根据权利要求8所述的信息处理系统，其中，所述解释部分还生成关于没有被选择的选项的解释文本。

10.根据权利要求7所述的信息处理系统，其中，所述评价标准包括报酬、确定性、可行性和条件适合性中的两个或更多个。

11.根据权利要求10所述的信息处理系统，其中，所述选择部分以条件适合性为优先来选择输出。

12.根据权利要求1所述的信息处理系统，还包括：

呈现控制部分，所述呈现控制部分控制解释文本的呈现。

13.根据权利要求12所述的信息处理系统，还包括：

选择部分，所述选择部分根据基于评价标准中的对应评价标准的评价，从选项中选择输出，其中，

所述呈现控制部分控制输出的选择结果和解释文本的呈现。

14.根据权利要求13所述的信息处理系统，其中，所述呈现控制部分执行控制，使得在呈现输出的选择结果之后，响应于来自用户的询问而呈现解释文本。

15.根据权利要求1所述的信息处理系统，还包括：

学习部分，所述学习部分执行强化学习，以生成用于基于各个评价标准来评价选项的评价函数，其中，

所述评价部分通过使用评价函数来评价选项。

16.根据权利要求1所述的信息处理系统，还包括：

选项生成部分，所述选项生成部分基于关于目的和目的的主体的信息，生成分别指示用于实现目的的方法的多个选项。

17.根据权利要求1所述的信息处理系统，其中，所述词句包括与评价标准中的对应评价标准相关联的助动词。

18.一种由信息处理系统执行的信息处理方法，所述信息处理方法包括：

根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和

通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。

19.一种用于使计算机执行包括以下步骤的处理的程序：

根据基于在机器学习的过程或结果中获得的参数的两个或更多个评价标准，评价多个选项；和

通过使用与评价标准中的对应评价标准相关联的词句，生成与选项中的各个选项相关的解释文本。