JP7038499B2 - 分類システム、分類システムの制御方法、およびプログラム - Google Patents

Description

本発明は、特許公報（出願公開公報、特許掲載公報を含む）などの公報を分類する技術に関する。

特許公報には、分類番号が付与されている。例えば、国際特許分類（ＩＰＣ：International Patent Classification）が付与されたうえで特許公報は発行される。特許文献１には、国際特許分類をユーザが指定する際に、指定しようとする国際特許分類が付与されている特許公報の発明の名称や要約を表示することで、ユーザが国際特許分類を把握し易くする技術が開示されている。

国際特許分類は、世界で共通で使用されている分類である一方、分類方法などをユーザが任意に指定できない。特許調査に不慣れな研究開発部門や技術部門でも特許調査をし易くするために、自社及び他社の特許公報に対して独自の分類（社内分類と呼ぶ）を付与することが行われている。

特開２００７－２３３９１０号公報

社内分類を付与する作業は、分類を付与する担当者が、例えば新着で発行される特許公報を目視して確認して、手入力で分類を付与する作業が行われている。かかる作業は、負荷を生じさせるものである。誤って分類が付与される場合もある。また、分類が正しくない旨のフィードバックが例えば開発部門などから分類担当者に伝達される場合があるが、必ずしもその後の分類作業に反映されているとは限らない。

また、社内分類を付与する場合には、対象の公報に対して定性的な評価を併せて付与することもあり、このような評価も誤って付与される場合もある。そして、このような定性的な評価は社内分類と常に同時に行われるのではなく、独立して行われることもある。

本発明にかかる分類システムは、少なくとも１つの公報に関する入力データと、前記入力データに対応する少なくとも１つの前記公報に付与される少なくとも１つの分類を示す出力データとの関係を示す教師データに基づいて、学習モデルを構築するモデル構築部と、少なくとも１つの公報に関する処理対象データを、前記入力データとして、前記学習モデルに入力する処理対象データ入力部と、前記処理対象データの入力に応じて前記学習モデルから出力された結果に従って、前記処理対象データに関する情報をユーザ端末に提供する提供部と、前記ユーザ端末から、前記教師データの元となる教師情報を受信する受信部と、前記教師情報に応じた前記教師データを前記モデル構築部に投入する教師データ投入部とを有する。

本発明によれば、社内分類を付与する作業を効率的に行うことができる。また、分類結果のフィードバックを効率的に活用することができる。さらに、本発明によれば、定性的な評価を付与する作業を効率的に行うこともできる。

分類作業の概要を説明する図である。 分類システムを含む構成の一例を示す図である。 学習モデルの構成の一例を示す図である。 教師データを説明する図である。 分類システムが行う処理のフローチャートの一例を示す図である。 ユーザ端末におけるＵＩ画面の一例を示す図である。 分類済みＤＢに格納される評価付分類データの例を示す図である。 換算テーブルに用いられる値を説明する図である。 教師データの他の例を説明する図である。 ユーザ端末におけるＵＩ画面の他の例を示す図である。 教師データの他の例を説明する図である。 ユーザ端末におけるＵＩ画面の他の例を示す図である。 ユーザ端末におけるＵＩ画面の他の例を示す図である。

以下、図面を参照しながら本発明の実施形態について詳細に説明する。なお、以下の実施形態において説明する構成は一例に過ぎず、本発明は図示された構成に限定されるものではない。

＜社内分類の利用形態＞
実施形態の説明に先立って、まず、現在行われている、社内分類が用いられる利用形態を説明する。図１は、社内分類の活用形態の一例を示す図である。社内分類は、例えば特許調査、特許情報のウォッチングなどのワークフローにおいて利用される。

第１のシーンＷ１においては、調査担当者が所定の検索式と配信先とを設定する。例えば、ＳＤＩ（Selective Dissemination of Information）検索で用いる検索条件とその配信先とを設定する。ＳＤＩ検索とは、新たに発行された公報に対して予め設定された検索条件を用いて検索を行うことである。検索結果は、設定された配信先に自動的に配信される。全ての新着公報を分類する必要はないので、第１のシーンＷ１においては、例えば国際調査分類などの所定の検索条件を用いて大まかに新着公報を絞り込むことが行われる。ここで「公報」とは、特許、実用新案、意匠、商標などの出願公開公報、特許掲載公報などの各種の公報を含む。特許庁が発行する公報のみならず、定期的に発行される技術文献、技術論文を含んでもよい。何かしらの文献に分類を付与する形態であればその対象はいずれのものであってもよい。

第２のシーンＷ２においては、分類担当者が新着公報に対して社内分類を付与する。社内分類はユーザ企業等において自由に設定が可能である。例えば、開発部門毎や製品毎などで分類が可能である。大分類、中分類、小分類などのように階層的な分類も可能である。一般に社内分類は、新着公報の仕分けのために用いられる。もちろん、新着公報の仕分けは一例であり、多様な形態で社内分類は使用され得る。社内分類が付与された新着公報は、該当する部門に送付される。社内分類は複数付与されてよい。例えば、ある公報Ｐ１に対して、分類Ｃ１および分類Ｃ２という２つの社内分類が付与されてよい。

第３のシーンＷ３においては、送付された新着公報を各部門の担当者が確認する。ことのき、分類が間違っている場合には、分類が間違っている旨の連絡を分類担当者に通知する。また、各部門の担当者は、新着公報を確認して、それぞれの公報に評価（重みづけ）を付与する。例えば、自社技術との関連度を示す値であったり、侵害可能性の度合いを示す値など、各種の評価（重みづけ）をユーザ企業等が独自に設定できる。

第４のシーンＷ４においては、各部門で付与された評価（重みづけ）に応じて、調査担当者がその公報の経過をウォッチングし、必要に応じて担当する部門と協議する。

以上が一般的に行われる社内分類のワークフローの説明である。

＜実施形態１＞
本実施形態においては、例えば図１に示すワークフローの第２のシーンＷ２の分類作業を、後述する分類システムが処理する形態を説明する。なお、本実施形態で説明する分類システムは図１に示すようなワークフローシステムで用いられなくてもよく、任意の形態で利用可能である。

＜構成＞
図２は、実施形態にかかる分類システム２００の構成の一例を示す図である。分類システム２００は、モデル構築部２０１、学習モデル２０２、教師データ投入部２０３、処理対象データ入力部２０４、出力結果提供部２０５、提供先データベース（ＤＢ）２０６、教師情報受信部２０７、教師情報統合部２０８、教師情報反映部２０９、及び分類済みＤＢ２１０を有する。図１は構成の一例を示したものに過ぎず、他の構成を含んでもよい。また、図１に記載された構成の全てが必須の要件であるとは限らない。分類システム２００は、公報ＤＢ２５０とネットワークを通じて通信可能に構成されてよい。

分類システム２００は、情報処理装置として実現することができる。情報処理装置は、ＣＰＵ、メモリ、ＨＤＤ、及びネットワークインタフェースを有してよい。図２に示す各部は、ＨＤＤに格納されたプログラムが一時的にメモリに読み出され、ＣＰＵがメモリに読み出されたプログラムを実行することで、ＣＰＵが図２に示す各部として機能してよい。また、図２に示す各部のうちの少なくとも一部が、各種のネットワークを通じて相互に接続された複数の情報処理装置によって実現されてよい。また、図２に示す各部のうちの少なくとも一部（例えばモデル構築部２０１及び学習モデル２０２）は、複数の情報処理装置による分散処理によって実現されてよい。

分類システム２００は、ユーザが使用する端末（以下、ユーザ端末２６１と呼ぶ）との間で通信が可能に構成されており、ユーザ端末２６１に検索結果を提供したり、ユーザ端末２６１から、後述する教師情報を、ネットワークを通じて受信したりしてよい。

ユーザ端末２６１は、パーソナルコンピュータ、タブレット、モバイル端末など任意の種類の端末であってよい。分類システム２００は、ユーザをログイン管理しており、ログインしたユーザに固有の検索条件や検索結果などを、ユーザ端末２６１に提供してもよい。

本実施形態の分類システム２００は、ユーザ企業毎に異なるように構成してよい。Ａ社がＡ社用にカスタマイズした教師データに基づいて構築された学習モデル２０２を、Ａ社と異なるＢ社が用いると、Ｂ社の所望する結果が得られないからである。また、Ａ社がＡ社用にカスタマイズした学習モデル２０２を、Ａ社とライバルのＣ社に使わせることはＡ社の意図に反し、情報保護の観点からも適切でないからである。したがって、本実施形態の分類システム２００は、ユーザ企業毎に学習モデル２０２がカスタマイズされることになる。なお、ユーザ企業は、企業に限られず、任意の団体、集団などであってよい。

モデル構築部２０１は、学習モデル２０２を構築する。なお、本明細書において「構築」とは、新たにモデルを生成すること、生成済のモデルを変更または更新すること、及び新たに生成したモデルで既存のモデルを置き換えることを含む概念として用いることとする。例えば、モデル構築部２０１は、構築されている学習モデルがない場合、新たにモデルを生成してよい。モデル構築部２０１は、既に構築されている学習モデルがある場合、その学習モデルの一部の構成を変更または更新することで新たに学習モデルを構築してよい。モデル構築部２０１は、新たに学習モデルを生成し、既に構築されている学習モデルを生成した学習モデルで置き換えてもよい。

モデル構築部２０１は、学習モデル２０２として、例えば図３に示すようなニューラルネットワークを構築してよい。ニューラルネットワークは、入力層３１０、中間層３２０、及び出力層３３０を含む。それぞれの層は、複数のノードで構成される。図３では、入力層３１０は、ノード３１１、３１２、３１３を含み、中間層３２０は、ノード３２１、３２２、３２３を含み、出力層３３０は、ノード３３１、３３２、３３３を含む例を示している。各層に含まれるノードの数は図示した例に限られるものではなく、多数のノードから構成される形態が一般的である。中間層３２０は一層に限られるものではなく、複数の層から構成されてよい。それぞれのノードには重みが設定されており、入力されたデータに重みを掛け合わせた値を後段のノードに伝えていく。

教師あり学習では、例えば、教師データとして、入力データと入力データに対応する出力データとを用意する。モデル構築部２０１は、入力データが出力データと等しくなるように各ノードに設定される重みを調整する処理を繰り返す。このようにして、モデル構築部２０１は学習モデル２０２を構築する。その後、処理対象のデータが学習モデル２０２に入力されると、学習モデル２０２は構築されたモデルに従った結果を出力することになる。

本実施形態において、モデル構築部２０１は、公知の機械学習処理を実行することで学習モデル２０２を構築してよい。例えば、モデル構築部２０１は、ＣＮＮ（Convolutional Neural Network)を用いてもよいし、ＲＮＮ（Recurrent Neural Network）を用いてもよい。その他の手法を用いてもよい。ニューラルネットワークではなく、ＳＶＭ（Support Vector Machine）で学習モデル２０２を構築してもよい。本実施形態において学習モデル２０２それ自体は任意の種類のものを用いてよい。

教師データ投入部２０３は、教師データをモデル構築部２０１に投入する。初期の段階においては、教師データ投入部２０３は、分類済みＤＢ２１０と公報ＤＢ２５０とから得られるデータを教師データとして投入してよい。

公報ＤＢ２５０は、例えば利用可能な発行済みの全ての公報が格納されたＤＢである。公報ＤＢ２５０は、前述のように、特許、実用新案、意匠、商標などの出願公開公報、特許掲載公報などの各種の公報を含み、また、特許庁が発行する公報のみならず、定期的に発行される技術文献、技術論文を含んでもよい。このように、公報ＤＢ２５０は、単一のＤＢである必要はなく、複数のＤＢの集合であってよい。公報ＤＢ２５０は、日本国内の公報のみならず、諸外国の公報のＤＢを含んでよい。

分類済みＤＢ２１０には、例えば公報の識別情報（例えば、出願番号、公開番号など）と、その公報に付与されている社内分類とが関連付けられたデータが格納される。例えば、公報Ｐ１０には、分類Ｃ１および分類Ｃ２が付与される、といったデータが格納される。

教師データ投入部２０３は、例えば図４に示すような教師データを初期の教師データとして投入してよい。教師データは、少なくとも１つの公報に関する入力データと、入力データに対応する少なくとも１つの公報に付与される少なくとも１つの分類を示す出力データとの関係を示すデータであってよい。より具体的には、出力データは、社内分類として付与され得る複数の分類それぞれの近似度を示すデータであってよい。図４は、教師データの一例を説明する図である。図４の例においては、社内分類として付与され得る複数の分類が分類Ｃ１と分類Ｃ２と分類Ｃ３とであるものとする。図４に示す教師データにおいては、入力データとして公報Ｐ１の要約文のテキストデータを用意し、この入力データに対応する出力データとして公報Ｐ１に対する分類Ｃ１の近似度を示す値１、及び公報Ｐ１に対する分類Ｃ２の近似度を示す値０、及び公報Ｐ１に対する分類Ｃ３の近似度を示す値１を含むデータを用意した例を示している。本実施形態においては値１が最も近似している値を示すものとする。つまり、公報Ｐ１は、分類Ｃ１及び分類Ｃ３に分類すべきことを示す教師データを用意している。一方、本実施形態においては、値０は最も近似していない値を示すものとする。つまり、公報Ｐ１は、分類Ｃ２には分類すべきではないことを示す教師データを用意している。

このように、図４に示すような教師データをモデル構築部２０１が用いて学習モデル２０２を構築する。例えば、モデル構築部２０１は、学習モデル２０２を構成するニューラルネットワークの各ノードの重みを変えてよい。このように構築された学習モデル２０２に公報Ｐ１を処理対象データとして入力すると、出力として分類Ｃ１及びＣ２のそれぞれの近似度を示すデータが得られることになる。図４の教師データを初期の教師データとして用いている場合には、公報Ｐ１を処理対象データとして学習モデル２０２に入力すると、分類Ｃ１及び分類Ｃ３のそれぞれの近似度は限りなく１に近い値が得られる。別の公報Ｐ１１を処理対象データとして学習モデル２０２に入力すると、分類Ｃ１、分類Ｃ２、及び分類Ｃ３の近似度を示す値がそれぞれ出力されることになる。

図４では、入力データとして要約文のテキストデータを用いる例を示したが、これに限らない。特許請求の範囲のテキストデータでもよいし、全文のテキストデータでもよい。また、ユーザが任意のテキスト文書を入力してもよい。また、入力データとして、書誌データを入力してもよいし、画像データを入力してもよい。また、これらの一部のデータでもよいし、複数の種類のデータを用いてもよい。

教師データ投入部２０３は、初期の教師データとして、入力データに対応する必要なデータ（例えば、公報の要約文のテキストデータ）を公報ＤＢ２５０から取得してよく、出力データに対応する必要なデータ（例えば特定の公報に付与されている分類を示すデータ）を分類済みＤＢ２１０から取得してよい。なお、入力データに対応する必要なデータが分類済みＤＢ２１０に格納されている場合（例えば図４の例で、要約文も分類済みＤＢ２１０に格納されている場合）、教師データ投入部２０３は、公報ＤＢ２５０を参照せずに
得られる教師データを用いてもよい。

教師データには、公報のどの部分（例えば、書誌情報、要約、請求の範囲、図面など）を用いて学習したかを示す付加情報が含まれてよい。処理対象データ入力部２０４は、付加情報を参照して、処理対象データとして入力される公報の中の対応する箇所を入力データとして用いてよい。

処理対象データ入力部２０４は、公報ＤＢ２５０から新着情報を取得する。処理対象データ入力部２０４は、所定のタイミングで新着情報を取得してよい。例えば、公報ＤＢ２５０の更新の都度、新着情報を取得してよい。ウィークリー、マンスリーなどのように、前回の新着情報の取得時期から所定の期間間隔で新着情報を取得してもよい。新着情報とは、処理対象データ入力部２０４が前回の新着情報を取得した時点から新たに発行された公報としてよい。処理対象データ入力部２０４は、新着情報で特定される公報を処理対象データとして学習モデル２０２に入力する。なお、処理対象データ入力部２０４は、新着情報の中から所定の検索条件で対象を絞り込んだ公報を処理対象データとして用いてよい。

また、処理対象データ入力部２０４は、新着情報で特定される公報以外の任意の公報を処理対象データとして学習モデル２０２に入力してよい。例えば、社内分類の種別を増やした場合には、既に分類済みの公報を処理対象データとして学習モデル２０２に入力してよい。また、技術分野の拡大などによって新着情報の絞り込み条件を変更する場合など、これまで処理の対象外の発行済みの公報を処理対象データとして学習モデル２０２に入力してよい。

出力結果提供部２０５は、処理対象データが学習モデル２０２に入力され、学習モデル２０２が出力した結果に従って、処理対象データを識別する識別情報（たとえば出願番号、公開番号、または特許番号など）を、ユーザ端末２６１に提供してよい。

出力結果提供部２０５は、学習モデル２０２が出力した結果に基づいて、処理対象データの公報に付与すべき分類を特定する。たとえば、出力結果提供部２０５は、学習モデル２０２が出力する各分類の近似度を示す値が所定の閾値を超えている分類が、処理対象データの公報に付与される分類であると特定してよい。出力結果提供部２０５は、特定した分類を処理対象データの公報に付与する。出力結果提供部２０５は、付与した分類に対応するユーザを特定し、特定したユーザのユーザ端末２６１に処理対象データを識別する識別情報を提供してよい。

提供先ＤＢ２０６は、所定の分類が付与された公報の情報を提供する提供先のユーザを示すデータを格納する。例えば、分類Ｃ１が付与された公報の提供先のユーザは、開発部門Ｄ１に所属するユーザであることを示すデータであってよい。提供先のユーザは複数であってよい。つまり、開発部門Ｄ１に複数のユーザが所属していればその複数のユーザに提供されてよい。また、提供先は複数の部門に跨ってもよい。

なお、提供される内容は公報に関する識別情報などの書誌情報でよく、要約など内容に関する一部の情報を含んでもよい。出力結果提供部２０５は、出力結果が抽出されたことを、提供先のユーザの登録済みのメールアドレスなどに通知する。この通知を受けてユーザ端末２６１からアクセスがあった場合、出力結果提供部２０５は、アクセスをしたユーザ端末２６１に出力結果を提示してもよい。

また、出力結果提供部２０５は、学習モデル２０２に処理対象データとして入力された公報の識別情報と、学習モデル２０２から出力された結果が示す分類とを対応付けたデータを分類済みＤＢ２１０に出力し、分類済みＤＢ２１０を更新する。本実施形態においては、学習モデル２０２から出力された結果が示す分類を用いてまず分類済みＤＢ２１０を更新する。その後、ユーザからの教師情報に基づいて、分類済みＤＢ２１０に格納されたデータを修正する形態を説明する。しかしながら、この例に限られるものではない。

教師情報受信部２０７は、出力結果提供部２０５から出力結果が提供されたことに応じてユーザ端末２６１から送信される教師情報を受信する。教師情報とは、出力結果提供部２０５が出力した結果（すなわち、学習モデル２０２の出力した内容）が正しい（適切か）か、あるいは間違っているか（不適切か）をユーザが指定した情報としてよい。例えば、開発部門Ｄ１のメンバーに提供された公報Ｐ２１が、開発部門Ｄ１と関係がない公報であったと想定する。このような場合、開発部門Ｄ１のメンバーから、自部門とは関係ない公報である旨の情報が教師情報として通知される。教師情報受信部２０７は、このような教師情報を受信する。また、開発部門Ｄ１のメンバーが、公報Ｐ２１は、自部門ではなく、むしろ他部門の開発部門Ｄ２に関連すると判断できた場合、公報Ｐ２１に対して新たに分類Ｃ２を付与することを指定する教師情報を受信してもよい。

教師情報統合部２０８は、複数の教師情報を教師情報受信部２０７が受信した場合、教師情報を統合する。教師情報統合部２０８が統合する態様は、２つの態様がある。

１つは、１つの公報に対して複数の分類が学習モデル２０２から出力された場合である。つまり、複数の分類先のユーザ端末からそれぞれ教師情報が送られるケースである。例えば、学習モデル２０２に処理対象データとして公報Ｐ３を入力し、学習モデル２０２から分類Ｃ１、Ｃ２、Ｃ３のいずれも該当する結果が出力されたと想定する。分類Ｃ１に対応する開発部門Ｄ１のメンバーおよび分類Ｃ２に対応する開発部門Ｄ２のメンバーからは、自部門とは関係ない公報である旨の情報を、教師情報受信部２０７が教師情報としてそれぞれ受信したと想定する。すると、教師情報統合部２０８は、このように受信した教師情報を統合する。すなわち、教師情報統合部２０８は、複数の教師情報を統合して、公報Ｐ３は分類Ｃ３を出力することが正しい、という内容の教師情報に統合する。公報Ｐ３は分類Ｃ１及び分類Ｃ２を出力することが正しくない、という内容の教師情報をさらに含めて統合してもよい。統合した教師情報は教師情報反映部２０９に送信される。

もう一つのケースは、１つの分類の提供先に複数のユーザが登録されている場合である。つまり、同じ部門内の複数のユーザからそれぞれ教師情報を受信するケースである。このような場合、多様な教師情報の採用方法がある。例えば、教師情報統合部２０８は、全てのユーザが共通の評価をした教師情報のみを、教師情報反映部２０９に出力してよい。換言すれば、教師情報統合部２０８は、一部のユーザが異なる評価をした場合には、その公報については教師情報として採用しなくてよい。かかる構成によれば、全てのユーザの意見が一致した教師データが反映されることになるので、より堅固な学習モデル２０２を構築することができる。

教師情報統合部２０８は、一部のユーザが異なる評価をした場合には、多数決によって教師情報を採用してもよい。多数のユーザが評価を行う場合には、全てのユーザの評価が完全に一致しない場合が多くなることも想定される。採用できる教師情報が少ないと教師データも十分なサンプル数とはならない。この結果、学習モデル２０２の進化が進まず、十分な成果が得られない場合もある。よって、一部のユーザが異なる評価をした場合には、教師情報統合部２０８は、多数決によって教師情報を採用してもよい。

教師情報統合部２０８は、ユーザ毎に重みを変えてよい。ユーザ毎に習熟度は異なる。したがって、習熟度の高いユーザには重みを重くし、熟練度の低いユーザには重みを軽くする。そして、それぞれのユーザの評価した値（つまり、教師情報）を重みづけ平均した結果を、教師情報反映部２０９に出力する教師情報として採用してもよい。例えば、習熟度が低い複数のユーザが、分類は不適切であるという教師情報を出力したとしても、習熟度の高いユーザが分類は不適切であるという判断をしていない場合には、教師情報統合部２０８は、その分類は不適切であるという教師情報を教師情報反映部２０９に出力しなくてもよい。

教師情報統合部２０８は、リーダとなるユーザからの指示を受け付け可能に構成してよい。複数のユーザのうち、一部のユーザが異なる評価をした場合には、リーダからの指示によって、教師情報として採用するか否かを決定してもよい。具体的には、教師情報統合部２０８は、他と異なる教師情報が含まれているか否かを判定する。異なる教師情報が含まれている場合、リーダとして登録されているユーザ端末に、どの教師情報を採用するかを問い合わせるＵＩ画面を提供する。そのユーザ端末から採用すべき教師情報の指定を受信すると、教師情報統合部２０８は、指定された教師情報を採用する。

教師情報反映部２０９は、教師情報統合部２０８から出力された教師情報を反映する。教師情報反映部２０９は、分類済みＤＢ２１０を教師情報に基づいて更新する。例えば、前述の例のように、公報Ｐ３を処理対象データとして学習モデル２０２に入力した場合において、学習モデル２０２から出力された分類Ｃ１の近似度が０．６、分類Ｃ２の近似度が０．７、分類Ｃ３の近似度が０．８であった場合を例に挙げて説明する。出力結果提供部２０５は、この結果を受けて、所定の閾値（例えば、０．５）を超える近似度を有する分類が適切な分類であると判定してよい。この結果、出力結果提供部２０５は、公報Ｐ３に対応する分類は、分類Ｃ１、分類Ｃ２、及び分類Ｃ３であると特定する。そして、公報Ｐ３に関する情報をそれぞれの分類に対応するユーザ端末２６１に出力する。また、出力結果提供部２０５は、公報Ｐ３と分類Ｃ１、Ｃ２、Ｃ３とを関連付けた分類済みデータを分類済みＤＢ２１０に格納する。このとき、統合された教師情報が、公報Ｐ３に対する分類は、分類Ｃ３が適切であり、分類Ｃ１及び分類Ｃ２は不適切であることを示す情報であるとする。すると、教師情報反映部２０９は、分類済みＤＢ２１０に既に格納されている公報Ｐ３に関する分類データを変更する。すなわち、既に格納されている公報Ｐ３に関する分類データを、公報Ｐ３と分類Ｃ３のみとを関連付けた分類データに変更する。

また、教師情報反映部２０９は、統合された教師情報に基づく教師データを教師データ投入部２０３に出力する。つまり、公報Ｐ３を入力データとし、分類Ｃ１の近似度の値０、分類Ｃ２の近似度の値０、分類Ｃ３の近似度の値１を出力データとする教師データを教師データ投入部２０３に出力する。これを受けて、教師データ投入部２０３は、教師データをモデル構築部２０１に投入し、学習モデル２０２を再度構築する。かかる処理により、教師データを反映した学習モデルを用いて以降の処理対象データの処理が行われることになる。

図５は、本実施形態にかかる処理の一例を示すフローチャートである。図５に示す処理は、ユーザがユーザ端末２６１を用いて分類システム２００にログインし、教師データを用いて学習モデルを構築する際に分類システム２００において実行される。

ステップＳ５０１において教師データ投入部２０３は、教師データを取得する。新規で学習モデルを構築する場合には、教師データ投入部２０３は、分類済みＤＢ２１０を参照して、過去に分類担当者などが手作業などで分類をした分類済みのデータを、教師データとして取得してよい。

ステップＳ５０２において教師データ投入部２０３は、取得した教師データをモデル構築部２０１に投入する。モデル構築部２０１は、投入された教師データを用いて学習モデル２０２を構築する。なお、初期の教師データは任意の教師データを用いてよく、説明した例に限定されるものではない。また、既に学習モデルが構築されている状態においては、ステップＳ５０１及びステップＳ５０２の処理は省略してよい。

ステップＳ５０３において処理対象データ入力部２０４は、公報ＤＢ２５０から処理対象データを取得する。例えば、処理対象データ入力部２０４は、所定の期間に発行された公報に関する新着情報を取得する。処理対象データ入力部２０４は、ユーザ端末２６１によって設定された配信頻度などの各種の条件に従って新着情報を取得してよい。処理対象データ入力部２０４は、取得した新着の公報を処理対象データとして学習モデル２０２に入力する。学習モデル２０２は、入力された処理対象データに基づく結果を出力する。

ステップＳ５０４において出力結果提供部２０５は、出力された結果に従って処理対象データに関する情報をユーザ端末に提供する。学習モデル２０２からは入力データの公報に対応する、それぞれの分類の近似度を示すデータが出力される。出力結果提供部２０５は、所定の閾値を超える近似度を有する分類を特定する。出力結果提供部２０５は、提供先ＤＢ２０６を参照して、特定した分類に対応する提供先のユーザを特定する。そして、特定したユーザのユーザ端末に結果を提供する。例えば、出力結果提供部２０５は、処理対象データを識別する識別情報のリストをユーザ端末に提供してもよい。

ステップＳ５０５において、教師情報受信部２０７は、ユーザからの教師情報を受信する。ユーザ端末２６１には、例えばユーザが属する開発部門に関連する分類が付された公報データや、公報のリストが送付される。ユーザは、ユーザ端末２６１を用いて公報を確認し、自身の開発部門に関係ないと判断した公報を、不適切な分類がされた公報であることを指定する。

図６は、ユーザが自身の開発部門に関係ないと判断した公報を、不適切な分類がされた公報であることを指定するＵＩ画面６００の一例を示す図である。ＵＩ画面６００はユーザ端末２６１に表示される。ＵＩ画面６００には、ユーザが所属する開発部門Ｄ１用の新着の公報のリストが表示されている。ユーザは、リストに並んで表示されているチェックボックスをチェックして、不適切な分類がされた公報であることを指定したり、プルダウンメニューによって適切な分類先を指定したりすることができる。図６はリストの画面例を示しているが、それぞれの公報の詳細を表示する詳細画面においてチェックボックスやプルダウンメニューを表示してもよい。このようなＵＩ画面６００を介して不適切な分類がされた公報であることが指定されると、当該情報が教師情報として送信される。また、ユーザが適切な分類先が判断できる場合には、プルダウンメニューによって適切な分類先が指定されてもよく、この場合、適切な分類先も教師情報として送信されてよい。

ステップＳ５０６において教師情報統合部２０８は、教師情報受信部２０７で受信した複数の教師情報を統合する。例えば、教師情報統合部２０８は、ある特定の公報に関して複数の教師情報が教師情報受信部２０７で受信された場合、当該教師情報を統合する。

ステップＳ５０７において教師情報反映部２０９は、教師情報を分類済みＤＢ２１０に反映する。例えば、分類済みＤＢ２１０においては、公報Ｐ３に関連付けられた分類が分類Ｃ１、分類Ｃ２、分類Ｃ３である分類データが格納されているとする。このとき、分類Ｃ１と分類Ｃ２とが間違っている旨の教師情報が得られた場合、教師情報反映部２０９は、公報Ｐ３に関連付けられる分類をＣ３のみとする分類データに更新する。

ステップＳ５０８において教師情報反映部２０９は、教師情報をもとに教師データを生成する。上記の例では、公報Ｐ３を入力データとし、分類Ｃ１の近似度の値０、分類Ｃ２の近似度の値０、分類Ｃ３の近似度の値１を出力データとする教師データを生成する。生成した教師データは、教師データ投入部２０３に出力される。

ステップＳ５０９において教師データ投入部２０３は、教師データをモデル構築部２０１に出力する。モデル構築部２０１は、教師データに基づいて学習モデル２０２を構築する。

ステップＳ５１０において処理対象データ入力部２０４は、次の処理対象データがあるかを判定する。例えば、次の新着の公報を取得するタイミングであるかを判定する。次の処理対象データがある場合には、ステップＳ５０３に進み、以降、処理を繰り返す。

なお、図示していないが、ユーザ端末２６１から分類処理の中止の指示を受け付けた時点で、図５に示す処理が終了してよい。

以上説明したように、本実施形態によれば、社内分類を付与する処理を学習モデル２０２に実行させることができるので、分類付与を効率的に行うことができる。また、学習モデル２０２が出力した結果を教師データとして用いることで、学習モデル２０２を進化させることができ、分類結果のフィードバックを効率的に活用することができる。

＜実施形態２＞
実施形態１では、特定の公報に関する情報を処理対象データとして入力した場合に、学習モデルがその特定の公報に対するそれぞれの分類の近似度を出力する形態を説明した。「社内分類の利用形態」の項において説明したように、各開発部門では、分類された公報それぞれに対して評価を付すことが行われている。実施形態２においては、評価を、近似度を調整するパラメータとして用いる形態を説明する。実施形態１の例では、教師データとしては、分類が適切であることを示す値１と適切でないかを示す値０とを用いる例を説明した。実施形態２では、評価に応じて、教師データとして用いる出力データの値を、０以上１以下の間の任意の値として用いる形態を説明する。

また、実施形態１では、学習モデル２０２から出力される近似度を示す値は、分類が正しいか否かの判定の場面において用いられる形態を説明した。実施形態２では、近似度を示す値に応じてユーザ端末に提供される情報のリストの順序を変更する形態も併せて説明する。

実施形態２における分類システムの構成は、実施形態１で説明したものと同様とすることができる。

実施形態２においては、分類済みＤＢ２１０には、それぞれの公報に関して少なくとも１つの分類と当該分類の評価とが関連付けられた評価付分類データが格納される。図７は、分類済みＤＢ２１０に格納される評価付分類データの一例を示す図である。例えば公報Ｐ３１には、２つの分類Ｃ１、Ｃ２が関連付けられている。さらに、公報Ｐ３１の分類Ｃ１に関しては、重みづけ大という評価が関連付けられており、公報Ｐ３１の分類Ｃ２に関しては、重みづけ小という評価が関連付けられている。この重みづけ大や重みづけ小といった評価は、各開発部門において付された評価である。例えば、自社技術との関連度を示す評価である。評価が高いほど、つまり、重みづけが大であるほど、自社技術との関連度が高いことを示し注目すべき公報であることを示している。

実施形態２において教師データ投入部２０３は、教師データとして、評価が付された分類データを用いる。教師データ投入部２０３は、図７に示すような評価付分類データをスコア化する。

図８は、スコア化の例を説明するための図である。図８は、スコアに換算する際に用いられる換算テーブルの一例を示す図である。換算テーブルにおいては、それぞれの評価に対する重みづけのパラメータが設定されている。例えば、公報Ｐ３１の分類Ｃ１に付されている評価が「重みづけ大」である場合、公報Ｐ３１の分類Ｃ１に対しては、値１のスコアが付される。公報Ｐ３１の分類Ｃ２に付されている評価が「重みづけ小」である場合、公報Ｐ３１の分類Ｃ２に対しては、値０．６のスコアが付される。

図９は、実施形態２における教師データの一例を示す図である。実施形態１で説明したように、それぞれの公報に関して、入力データとして要約文のテキストデータを用いている。一方、実施形態１とは異なり、出力データとして、評価に基づいてスコア化した値を、近似度を示す値として用いている。図９は、図７で示す公報Ｐ３１及び公報Ｐ３２を教師データとして用いる例を示している。公報Ｐ３１には分類Ｃ１及び分類Ｃ２が付与されており、分類Ｃ３は付与されていない。したがって、図９の教師データにおいては、公報Ｐ３１に対する分類Ｃ３の近似度は値０が設定されている。また、公報Ｐ３１の分類Ｃ１に付されている重みづけは「重みづけ大」であるので、図９の教師データにおいては、公報Ｐ３１に対する分類Ｃ１の近似度は値１が設定されている。また、公報Ｐ３１の分類Ｃ２に付されている重みづけは「重みづけ小」であるので、図９の教師データにおいては、公報Ｐ３１に対する分類Ｃ３の近似度は値０．６が設定されている。

教師データ投入部２０３が、このような教師データをモデル構築部２０１に投入すると、モデル構築部２０１は、教師データに従って学習モデル２０２を構築する。構築した学習モデル２０２に対して処理対象データ入力部２０４が処理対象データを入力すると、学習モデル２０２は出力データとして所定の出力値（近似度を示す値）を出力する。

出力結果提供部２０５は、学習モデル２０２から出力された結果をユーザ端末２６１に提供する。例えば、実施形態１で説明したように、出力結果提供部２０５は、所定の閾値を超える近似度を有する分類を処理対象データとして入力した公報の分類と特定する。出力結果提供部２０５は、所定の閾値を超える近似度を有する公報の中で近似度に従って並び順を変えた公報のリストをユーザ端末２６１に提供してよい。例えば、分類Ｃ１として分類された公報のリストを開発部門Ｄ１のユーザに提供することを想定する。また、処理対象データとして、新着の公報群が学習モデル２０２に入力されたものと想定する。この場合、出力結果提供部２０５は、学習モデル２０２から出力された、分類Ｃ１に関する近似度が所定の閾値を超えている公報を抽出する。そして、抽出した公報の中から、分類Ｃ１に関して近似度の値が高い順に公報の並び順を変更したリストを生成する。出力結果提供部２０５は、このように生成したリストをユーザ端末２６１に提供してよい。

図１０は、出力結果提供部２０５から提供されたリストをユーザ端末２６１で表示するＵＩ画面の例を示す図である。実施形態２では、それぞれの公報に対して重みづけを付与することが可能である。このように重みづけが付与された公報が教師情報として教師情報受信部２０７で受信される。ここで、重みづけの付与にリストボックスを使用したが、値を直接入力するインボックスでもよく、他の画面入力のためのコントロールであってもよい。

教師情報統合部２０８は、実施形態１で説明したように、複数の教師情報を統合してよい。例えば、多数決を採用してもよいし、重みづけをすることを採用してもよいし、ユーザが決定することを採用してもよい。

教師情報反映部２０９は、実施形態１で説明したように、教師情報を反映した教師データを生成して、教師データ投入部２０３に出力する。例えば図８に示すような換算テーブルを用いて重みづけを反映した教師データを生成する。なお、本実施形態においては換算テーブルは全ての分類で共通のものを用いる例を示しているが、これに限られない。分類ごとに異なる換算テーブルを用いてもよい。教師データ投入部２０３は、教師データをモデル構築部２０１に投入し、モデル構築部２０１は、学習モデル２０２を構築する。

以上説明したように、本実施形態においては、ユーザの評価を教師データの要素に含めることができるので、より適切な分類を出力する学習モデル２０２を構築することができる。

実施形態２においては説明を簡略化するために、大分類だけを用いる例を説明したが、大分類の中に中分類があってもよく、中分類の中にさらに小分類を設ける構成としてもよい。このような場合には、パラメータをより細分化すればよい。

実施形態２においては、近似度が高い順に公報の並び順を変更してユーザ端末２６１で表示する例を説明したが、実施形態１においても同様の表示態様を採用してよい。すなわち、分類に評価（重みづけ）が付与されず、教師情報としても評価（重みづけ）に関する情報を用いない場合であっても、学習モデル２０２が出力した近似度に応じて並び順を変更した公報のリストをユーザ端末２６１に提供してよい。

＜実施形態３＞
実施形態１では、特定の公報に関する情報を処理対象データとして入力した場合に、学習モデルがその特定の公報に対するそれぞれの分類の近似度を出力する形態を説明した。実施形態３では、分類の近似度に加え、特定の公報に関する情報を処理対象データとして入力した場合に、学習モデルがその特定の公報に対する危険度を出力する形態を説明する。ここで、危険度とは、対象会社、対象事業、対象製品、対象部品等の対象物の抵触性を意味し、より具体的には、対象物が特定の公報に対して抵触するかどうかを示す度合いである。実施形態３では、まず、実施形態１で説明した分類の近似度に加え、学習モデル２０２に危険度を学習させ、処理対象データを学習モデルに入力して分類の近似度及び危険度を出力する例を説示する。

実施形態３における分類システムの構成は、実施形態１で説明したものと同様とすることができる。

実施形態３においては、分類済みＤＢ２１０には、それぞれの公報に関して少なくとも１つの分類と当該分類の近似度と危険度が関連付けられて格納される。

実施形態３において教師データ投入部２０３は、教師データとして、分類済みＤＢ２１０に格納されている公報、この公報に付与されている分類及びその近似度並びに危険度を用いる。

図１１は、実施形態３における教師データの一例を示す図である。実施形態１で説明したように、それぞれの公報に関して、入力データとして要約文のテキストデータを用いている。図１１は、公報Ｐ１及び公報Ｐ２を教師データとして用いる例を示している。公報Ｐ１には分類Ｃ１に近似度１が付与され、分類Ｃ２に近似度０が付与され、分類Ｃ３に近似度１が付与され、危険度０．８が付与されている。また、公報Ｐ２には分類Ｃ１に近似度１が付与され、分類Ｃ２に近似度０が付与され、分類Ｃ３に近似度０が付与され、危険度１が付与されている。ここで、この例では、一の公報に一の危険度が付与されているが、一の公報の分類一つに危険度が付与されてもよい。

教師データ投入部２０３が、このような教師データをモデル構築部２０１に投入すると、モデル構築部２０１は、教師データに従って学習モデル２０２を構築する。構築した学習モデル２０２に対して処理対象データ入力部２０４が処理対象データを入力すると、学習モデル２０２は出力データとして所定の出力値（分類の近似度及び危険度）を出力する。

出力結果提供部２０５は、学習モデル２０２から出力された結果をユーザ端末２６１に提供する。例えば、実施形態１で説明したように、出力結果提供部２０５は、所定の閾値を超える近似度を有する分類を処理対象データとして入力した公報の分類と特定する。出力結果提供部２０５は、所定の閾値を超える近似度を有する公報の中で近似度に従って並び順を変えた公報のリストに危険度を含めてユーザ端末２６１に提供してよい。例えば、分類Ｃ１として分類された公報のリストを開発部門Ｄ１のユーザに提供することを想定する。また、処理対象データとして、新着の公報群が学習モデル２０２に入力されたものと想定する。この場合、出力結果提供部２０５は、学習モデル２０２から出力された、分類Ｃ１に関する近似度が所定の閾値を超えている公報を抽出する。そして、抽出した公報の中から、分類Ｃ１に関して近似度の値が高い順に公報の並び順を変更したリストを生成する。出力結果提供部２０５は、このように生成したリストをユーザ端末２６１に提供してよい。ここで、リストには危険度も含まれているため、危険度の値が高い順に公報の並び順を変更したリストを生成して用いることもできる。また、ユーザに提示する公報は、近似度が所定の閾値を超えているものでなく、これに代えて、危険度が所定の閾値を超えている公報であってもよい。

図１２は、出力結果提供部２０５から提供されたリストをユーザ端末２６１で表示するＵＩ画面の例を示す図である。実施形態３では、それぞれの公報に対して分類及び危険度が付与されて表示されている。ここで、この表示されているリスト内で近似度も表示させることもできる。そして、ユーザは分類及びその近似度、並びに、危険度のいずれかを修正することも可能で、対象の公報と、修正された分類及びその近似度、並びに、危険度とが教師情報として教師情報受信部２０７で受信される。

教師情報統合部２０８は、実施形態１で説明したように、複数の教師情報を統合してよい。例えば、多数決を採用してもよいし、重みづけをすることを採用してもよいし、ユーザが決定することを採用してもよい。

以上説明したように、本実施形態においては、ユーザの評価を教師データの要素に含めることができるので、より適切な分類及び危険度を出力する学習モデル２０２を構築することができる。

なお、実施形態３では、１つの学習モデルである学習モデル２０２が公報、分類、近似度及び危険度を教師データとして学習した構成にて説明したが、分類のための学習モデルと危険度のための学習モデルを分けて構成することもでき、そして、この危険度のための学習モデルはさらに分類別に学習モデルを細分化した構成であってもよい。具体的には、Ｃ１、Ｃ２という分類があった場合に、分類のための学習モデルは一つであり、危険度のための学習モデルをＣ１用とＣ２用で準備する。このような構成の場合、予めユーザにて設定された分類、近似度、危険度を読出し、まずは、対象の公報と、分類及び近似度を分類のための学習モデルに学習させ、次に、分類された公報を、その分類に対応する危険度のための学習モデルに公報及び危険度を用いて学習させる。特定の公報に関する情報を処理対象データとして入力した場合に、まず、分類のための学習モデルが適切な分類を出力し、出力された分類に対応する危険度のための学習モデルで処理させることで対象公報の危険度が出力される。ここでの危険度は、対象分類における危険度と言える。

また、前記した対象分類における危険度を出力するために、分類に対応する危険度のための学習モデルを、分類のための学習モデルに加えて用いたが、対象分類における危険度だけでなく、対象部署の危険度、対象装置の危険度を出力する構成であってもよく、それぞれ対象部署の危険度のための学習モデル、対象装置の危険度のための学習モデルを構築することで実現することができる。この場合において、入力する教師データは公報データとこの公報データの危険度を、対応する対象部署の危険度のための学習モデル、対応する対象装置の危険度のための学習モデルに学習させることが必要となる。これにより、例えば、ユーザが製品Ａに関して抵触可能性がある公報を複数発見し、それぞれ危険度を数量化した値を付与し、製品Ａの危険度のための学習モデルに学習させることで、新規の公報をこの学習モデルに処理対象データとして入力した場合に、学習モデルが対象の公報に対する危険度を出力する。つまり、製品Ａが対象の公報に抵触する程度である危険度を出力する。加えて、実施形態では学習モデルにより分類を付与することを前提にした説明を行ってきたが、前記した学習モデルにより危険度を付与する構成は、必ずしも分類を付与する動作を含めなくともよく、学習モデルにより対象公報の危険度を出力する動作のみも本願発明の範囲に含まれる。逆に、学習モデルにより危険度を求め、その後に、分類を付与する構成であってもよい。

さらに、実施形態３では危険度を説示したが、図１のＷ３で重みづけに代えて危険度を開発部門が設定する構成であってもよい。

上述した実施形態においては、主に特許に関する公報の分類を例に挙げて説明したが、これに限られない。任意の種類の公報の分類処理に適用することができる。

＜実施形態４＞
実施形態１では、特定の公報に関する情報を処理対象データとして入力した場合に、学習モデルがその特定の公報に付与され得る複数の社内分類それぞれの近似度を出力する形態を説明した。実施形態４では、出願に関する情報を処理対象データとして入力した場合に、学習モデルが、ＩＰＣ、ＣＰＣ（Cooperative Patent Classification）、ＥＣＬＡ（European Classification）、ＩＣＯ（In Computer Only）、ＦＩ（File Index）、Ｆターム等、その出願に付与され得る複数の国内外の特許庁及び国際機関等による分類と、その近似度を出力する形態を説明する。

実施形態４における分類システムの構成は、実施形態１で説明したものと同様とすることができる。

本実施形態に係る分類システム２００のモデル構築部２０１は、出願に関する複数の入力データと、出願に付与される少なくとも１つの分類を示す出力データとの関係を示す教師データに基づいて、学習モデルを構築する。モデル構築部２０１が実行する処理は、実施形態１に記載したものと同様である。ここで、出願は、特許出願、実用新案登録出願、意匠登録出願又は商標登録出願であってよく、出願に関する複数の入力データとは、出願に際して提出される書類や物件に関するデータである。

処理対象データ入力部２０４は、出願に関する複数の処理対象データを、複数の入力データとして、学習モデルに入力する。より具体的には、出願が特許出願又は実用新案登録出願である場合、複数の処理対象データは、願書、明細書、特許請求の範囲又は実用新案登録請求の範囲、図面及び要約書のうち少なくともいずれかを含んでよい。また、出願が意匠登録出願である場合、複数の処理対象データは、願書並びに願書に記載された意匠に係る物品、意匠に係る物品の説明、意匠の説明及び図面のうち少なくともいずれかを含んでよい。ここで、図面は、正面図、左右の側面図、背面図、斜視図等を含んでよい。さらに、出願が商標登録出願である場合、複数の処理対象データは、願書並びに願書に記載された指定商品、指定役務及び商標のうち少なくともいずれかを含んでよい。ここで、商標は、文字、図形、色彩のみ、音、ホログラム等を含んでよい。

本実施形態に係る分類システム２００は、実施形態１に係る分類システム２００と同様に、複数の処理対象データの入力に応じて学習モデルから出力された結果に従って、複数の処理対象データに関する情報をユーザ端末２６１に提供する提供部（出力結果提供部２０５）と、ユーザ端末２６１から、教師データの元となる教師情報を受信する受信部（教師情報受信部２０７）と、教師情報に応じた教師データをモデル構築部２０１に投入する教師データ投入部２０３と、を有する。

さらに、本実施形態に係る分類システム２００の提供部は、複数の処理対象データのうち、出願に付与されると判断された少なくとも１つの分類が、付与されると判断された根拠となる処理対象データをユーザ端末２６１に提供する。

図１３は、ユーザ端末におけるＵＩ画面の他の例を示す図である。同図に示すＵＩ画面がユーザ端末２６１に表示されることで、ユーザは、出願に関する複数の入力データを選択して、分類システム２００から提供された出願に付与され得る複数の分類と、付与根拠とを確認することができる。

ユーザは、入力データ３０１の項目に、出願に関するデータを入力する。例えば、出願が特許出願の場合、入力データ３０１の項目に、願書、明細書、特許請求の範囲、図面及び要約書に関するデータを入力してよい。入力データ３０１の項目にデータを入力すると、項目指定画面３０２に、入力データ３０１に含まれる項目が列挙される。ユーザは、項目指定画面３０２によって、要約書に記載された要約や、特許請求の範囲の全請求項又は一部の請求項を指定して、学習モデルに入力する複数の処理対象データの一部を指定することができる。同様に、段落指定画面３０３には、入力データ３０１に含まれる明細書の段落が列挙される。ユーザは、段落指定画面３０３によって、明細書の段落を指定し、学習モデルに入力する複数の処理対象データの一部を指定することができる。ユーザは、処理対象データの指定を終えた場合、候補抽出ボタン３０４を押下して、指定した複数の処理対象データを学習モデルに入力し、出願に付与される少なくとも１つの分類を示す出力データを得る。出力データは、入力データに対応する出願に付与され得る複数の分類のそれぞれの近似度を示す値を含む。

ＵＩ画面の分類候補３０５には、出願に付与され得る複数の分類と、複数の分類それぞれの近似度が示される。本例では、出願に付与され得る複数の分類は、「Ｇ０６Ｆ １５／６０」と「Ｇ０６Ｆ １７／００」というＩＰＣであり、近似度は、「Ｇ０６Ｆ １５／６０」について「近似値１」、「Ｇ０６Ｆ １７／００」について「近似値０．８」である。本例では、近似度の降順にソートして出願に付与され得る複数の分類を表示しているが、表示の順序は任意である。

ユーザによって、分類候補３０５に表示された複数の分類のうちいずれか１つが選択されると、その分類について、付与根拠となった項目が項目単位の付与根拠記載箇所３０６に表示され、付与根拠となった明細書の段落が段落単位の付与根拠記載箇所３０７に表示される。さらに、項目単位の付与根拠記載箇所３０６に表示された項目や、段落単位の付与根拠記載箇所３０７に表示された段落のうち１つを選択すると、その項目や段落が、付与根拠記載箇所３０８に全文表示される。なお、分類候補３０５に表示された複数の分類のうちいずれか１つをダブルクリックすることで、その分類の説明を表示させることができる。このようにしてユーザは、学習モデルによって自動付与された分類の付与根拠となる記載を確認して、分類の妥当性を確かめることができる。

本実施形態に係る分類システム２００は、複数の項目又は複数の段落をそれぞれ別個に学習モデルに入力した場合に、学習モデルの出力データによって示される分類の近似度が所定値以上の項目又は段落を、付与根拠と決定してよい。また、分類システム２００は、複数の項目及び複数の段落を学習モデルに入力した場合と、複数の項目及び複数の段落のうち特定の項目又は特定の段落を削除した入力データを学習モデルに入力した場合とで、出力データがどのように変化するかに基づき、分類の付与根拠を決定してよい。例えば、特定の項目又は特定の段落を削除すると、近似度が閾値以上下がる場合には、その特定の項目又は特定の段落を付与根拠としてよい。ここで、付与根拠の粒度を段落とした例を説明したが、同様の処理にて文章単位、句単位、単語単位を付与根拠とすることもできる。そして、付与根拠となった箇所についてハイライトにする構成であってもよい。ハイライトの例としては、付与根拠の段落、文章、句、単語のみ、他の箇所と比べて文字の背景色を変えることや、他の箇所と比べて文字色を変えること、文字に下線を引いたり太字としたりフォントの大きさを大きくして強調表示したりすることが挙げられる。加えて、図１３の応用例としては、付与根拠となる段落を付与根拠記載箇所３０８に表示すると共に、付与根拠の文章、句、単語を更にハイライトする機能を提供してもよい。

ユーザは、分類候補３０５に表示された複数の分類の中から、出願の特徴を最も良く表していると考えられる分類を選択して、筆頭決定ボタン３０９を押下することで、その分類を筆頭分類として出願に付与することができる。また、ユーザは、分類候補３０５に表示された複数の分類の中から、出願の特徴を良く表していると考えられる分類を選択して、分類決定ボタン３１０を押下することで、その分類を出願に付与することができる。

提供部は、ある分類が出願に付与されると判断された根拠となる処理対象データが、複数の処理対象データのうち所定の処理対象データに含まれる場合、その分類を筆頭分類としてユーザ端末に提供してもよい。ここで、所定の処理対象データとは、出願の特徴を良く表していると考えられるデータであり、例えば出願が特許出願の場合、発明の特徴を良く表していると考えらえる要約や上位請求項の記載である。

また、提供部は、出願に付与され得る複数の分類のうち、その近似度が最も高いものを、筆頭分類としてユーザ端末に提供してもよい。また、分類システム２００は、付与根拠として提供した記載箇所が、出願の特徴を良く表している記載箇所である場合に、その付与根拠に基づいて付与された分類を筆頭分類としてもよい。

分類システム２００の処理対象データ入力部２０４は、出願に関するテキストデータ及び画像データを、複数の入力データとして、学習モデルに入力し、モデル構築部２０１は、テキストデータ及び画像データと、出願に付与される少なくとも１つの分類を示す出力データとの関係を示す教師データに基づいて、学習モデルを構築してもよい。ここで、出願が特許出願の場合、テキストデータは、願書、明細書、特許請求の範囲及び要約書を含んでよく、画像データは、図面並びに明細書中に挿入される化学式、数式及び表を含んでよい。この場合、学習モデルは、単一のモデルであり、テキストデータ及び画像データをひとまとまりのデータとして学習される。入力するテキストデータは、図面を説明する明細書の段落に限ってもよいし、図面をＯＣＲ（Optical Character Recognition）処理して得られたものであってもよい。

分類システム２００の処理対象データ入力部２０４は、出願に関するテキストデータを、複数の入力データの一部として、学習モデルに含まれる第１サブ学習モデルに入力し、出願に関する画像データを、複数の入力データの一部として、学習モデルに含まれる第２サブ学習モデルに入力し、モデル構築部２０１は、テキストデータと、出願に付与される少なくとも１つの分類を示す出力データとの関係を示す教師データに基づいて、第１サブ学習モデルを構築し、画像データと、出願に付与される少なくとも１つの分類を示す出力データとの関係を示す教師データに基づいて、第２サブ学習モデルを構築してもよい。この場合、学習モデルは、第１サブ学習モデルと第２サブ学習モデルを含み、第１サブ学習モデルにはテキストデータが入力され、第２サブ学習モデルには画像データが入力される。このように、データの種類毎にサブ学習モデルを別々に構築して、サブ学習モデルの出力データを統合して、出願に付与される分類を示す出力データを構成することとしてもよい。

国内外の特許庁及び国際機関等による分類は、統廃合を含んで改定されることがある。そのような場合にも、本実施形態に係る分類システム２００を用いてよい。分類の改定があった際、学習モデルを新分類に基づいて再構築するか、学習モデルは旧分類に基づいて構築されたもののままとして、学習モデルの出力データに対して新旧分類の変換を施すこととしてよい。

また、本例では、ＩＰＣが分類候補３０５に表示される例について説明したが、分類候補３０５には、ＣＰＣ、ＥＣＬＡ、ＩＣＯ、ＦＩ又はＦタームといった国内外の特許分類が表示されてもよい。

また、入力データが意匠登録出願に関するデータである場合、分類候補３０５には、意匠分類やＤターム等の国内外の意匠分類が表示されてよい。同様に、入力データが商標登録出願に関するデータである場合、分類候補３０５には、図形商標の図形分類や指定商品役務の類似群コード、ニース分類等の国内外の商標に関する分類が表示されてよい。この場合、学習モデルは、商標を入力データとして、図形分類等を出力データに含むものであってもよいし、指定商品役務を入力データとして、類似群コードやニース分類を出力データとして含むものであってもよい。

なお、学習モデルは、指定商品役務を入力データとして、適切な指定商品役務を出力データとした教師データによって構築してもよい。ここで、適切な指定商品役務とは、登録になった指定商品役務をいう。また、学習モデルは、商標を入力データとして、指定商品役務を出力データとした教師データによって構築してもよい。これにより、類似する商標を出願する際に、指定すべき指定商品役務を提案する学習モデルが得られる。また、学習モデルは、商標を入力データとして、称呼を出力データとした教師データによって構築してもよい。

本実施形態４で記載されている事項は、適宜、前記各実施形態１、２及び３に適用することができ、例えば、例示１として、実施形態１、２又は３での社内分類に加え、本実施形態４の公報分類を付与する構成とし、自社出願について社内分類と公報分類を付与することができる。ここで付与された公報分類は、出願人が出願時に付与する公報分類として用いることができ、出願公開時に特許庁が付与した公報分類が公開されてデータとして取り込まれた際に、実施形態４で付与した公報分類を特許庁が付与した公報分類に上書きしてもよい。また、例示２として、実施形態４では公報分類の付与根拠を表示する構成としたように、前記各実施形態１、２及び３においても社内分類の付与根拠を表示する構成であってもよい。

逆に、実施形態１、２又は３に記載されている事項を、適宜、本実施形態４に適用することもでき、例えば、実施形態１に記載の、複数ユーザ端末から受信した教師情報を統合する機能（本機能に、複数ユーザ端末からの教師情報が異なる場合に多数決で決定するサブ機能、ユーザ毎の重みを加味して教師情報を決定するサブ機能、リーダからの指示に基づいて教師情報を決定するサブ機能を付加してもよい）を本実施形態４に適用することもできる。

上述した実施形態の機能を実現するための各部は、例えばハードウェアまたはソフトウェアによって実装することができる。ソフトウェアによって実装される場合、ハードウェアを制御するプログラムコードをＣＰＵ、ＭＰＵなどの各種のプロセッサによって実行されてもよい。プログラムコードの機能を実現するための回路等のハードウェアを設けてもよい。プログラムコードの一部をハードウェアで実現し、残りの部分を各種プロセッサが実行してもよい。

２００ 分類システム
２０１ モデル構築部
２０２ 学習モデル
２０３ 教師データ投入部
２０４ 処理対象データ入力部
２０５ 出力結果提供部２０５
２０６ 提供先ＤＢ
２０７ 教師情報受信部
２０８ 教師情報統合部
２０９ 教師情報反映部
２１０ 分類済みＤＢ
２５０ 公報ＤＢ
２６１ ユーザ端末

Claims (22)

1. 少なくとも１つの公報に関する入力データと、前記入力データに対応する前記公報に付与される危険度であって、対象物が前記公報に対して抵触するかどうかを示す度合いである危険度を示す出力データとの関係を示す教師データに基づいて、学習モデルを構築するモデル構築部と、
   少なくとも１つの公報に関する処理対象データを、前記入力データとして、前記学習モデルに入力する処理対象データ入力部と、
   前記処理対象データの入力に応じて前記学習モデルから出力された結果に従って、前記処理対象データに関する情報をユーザ端末に提供する提供部と、
   前記ユーザ端末から、前記教師データの元となる教師情報を受信する受信部と、
   前記教師情報に応じた前記教師データを前記モデル構築部に投入する教師データ投入部と
   を有する、分類システム。
2. 少なくとも１つの公報に関する入力データと、前記入力データに対応する少なくとも１つの前記公報に付与される少なくとも１つの分類を示す出力データ並びに前記入力データに対応する前記公報に付与される危険度を示す出力データとの関係を示す教師データに基づいて、学習モデルを構築するモデル構築部と、
   少なくとも１つの公報に関する処理対象データを、前記入力データとして、前記学習モデルに入力する処理対象データ入力部と、
   前記処理対象データの入力に応じて前記学習モデルから出力された結果に従って、前記処理対象データに関する情報をユーザ端末に提供する提供部と、
   前記ユーザ端末から、前記教師データの元となる教師情報を受信する受信部と、
   前記教師情報に応じた前記教師データを前記モデル構築部に投入する教師データ投入部と
   を有する、分類システム。
3. 前記提供部は、前記学習モデルから出力された結果に従って、前記入力データに含まれる前記公報の一つに付与される分類それぞれに危険度が付与された前記処理対象データに関する情報を、前記ユーザ端末に提供する、
   請求項１または請求項２に記載の分類システム。
4. 前記学習モデルは、第１の学習モデルと、前記第１の学習モデルとは異なる第２の学習モデルを含み、
   前記モデル構築部は、
   少なくとも１つの公報に関する入力データと、前記入力データに対応する少なくとも１つの前記公報に付与される少なくとも１つの分類を示す出力データとの関係を示す教師データに基づいて、前記第１の学習モデルを構築し、
   少なくとも１つの公報に関する入力データと、前記入力データに対応する前記公報に付与される危険度を示す出力データとの関係を示す教師データに基づいて、前記第２の学習モデルを構築し、
   前記処理対象データ入力部は、少なくとも１つの公報に関する前記処理対象データを、前記入力データとして、前記第１の学習モデルおよび前記第２の学習モデルに入力し、
   提供部は、前記処理対象データの入力に応じて前記第１の学習モデルおよび前記第２の学習モデルから出力された結果に従って、前記処理対象データに関する情報を前記ユーザ端末に提供する、
   請求項１から請求項３のいずれか一項に記載の分類システム。
5. 前記モデル構築部は、分類された少なくとも１つの公報に関する入力データと、前記入力データに対応する分類された前記公報に付与される危険度を示す出力データとの関係を示す教師データに基づいて、前記第２の学習モデルを構築する、
   請求項４に記載の分類システム。
6. 前記モデル構築部は、対象部署または対象装置の少なくともいずれかに対応する少なくとも１つの公報に関する入力データと、前記入力データに対応する、前記対象部署または前記対象装置の少なくともいずれかに対応する前記公報に付与される危険度を示す出力データと、の関係を示す教師データに基づいて、前記第２の学習モデルを構築する、
   請求項４に記載の分類システム。
7. 前記ユーザ端末から送信される前記教師情報は、特定の公報の特定の分類が適切でないことを示す情報を含み、
   前記モデル構築部は、前記教師情報に応じた前記教師データに基づいて、前記特定の公報に前記特定の分類を付与しない学習モデルを構築する、
   請求項１から請求項６のいずれか一項に記載の分類システム。
8. 前記教師データによって関係を示される出力データは、前記入力データに対応する少なくとも１つの前記公報に付与され得る複数の分類のそれぞれの近似度を示す値を含む、
   請求項１から請求項７のいずれか一項に記載の分類システム。
9. 前記近似度を示す値は、近似していることを示す値、または、近似していないことを示す値を含む、請求項８に記載の分類システム。
10. 前記近似度を示す値は、近似していることを示す値および近似していないことを示す値の間の中間の値をさらに含む、請求項９に記載の分類システム。
11. 前記受信部は、評価を含む教師情報を受信し、
    前記近似度を示す値は、前記評価に応じて決定される、
    請求項９または請求項１０に記載の分類システム。
12. 前記処理対象データ入力部は、複数の公報に関する処理対象データを前記学習モデルに入力し、
    前記提供部は、近似していることを示す値が高い順序で複数の公報の並び順を変更した公報のリストを前記ユーザ端末に提供する、請求項９から請求項１１のいずれか一項に記載の分類システム。
13. 前記複数の公報は、所定の期間において発行された新着の公報である、請求項１２に記載の分類システム。
14. 前記提供部は、
    それぞれの分類に対応するユーザを特定する情報を取得し、
    取得した前記ユーザを特定する情報に基づいて、前記学習モデルから出力された分類に対応する前記ユーザの前記ユーザ端末に、前記処理対象データに関する情報を提供する、
    請求項９から請求項１３のいずれか一項に記載の分類システム。
15. 前記提供部は、
    前記処理対象データの入力に応じて前記学習モデルから出力される近似度が所定の閾値を超える場合、当該閾値を超える近似度を有する分類に対応する前記ユーザの前記ユーザ端末に前記処理対象データを提供し、
    前記近似度が所定の閾値以下の場合、当該閾値以下の近似度を有する分類に対応する前記ユーザの前記ユーザ端末に前記処理対象データを提供しない、
    請求項１４に記載の分類システム。
16. 前記提供部は、前記処理対象データの入力に応じて前記学習モデルから出力される近似度が複数の分類に関して閾値を超える場合、それぞれの分類に対応する前記ユーザの前記ユーザ端末に前記処理対象データに関する情報を提供し、
    前記受信部は、それぞれのユーザ端末から教師情報を受信し、
    複数のユーザ端末から受信した教師情報を統合する統合部をさらに有する、
    請求項１４または請求項１５に記載の分類システム。
17. 前記統合部は、一部のユーザ端末の教師情報が他のユーザ端末の教師情報と異なっている場合、採用する教師情報を多数決によって決定する、
    請求項１６に記載の分類システム。
18. 前記統合部は、
    ユーザ毎に設定された重み情報を取得し、
    一部のユーザ端末の教師情報が他のユーザ端末の教師情報と異なっている場合、ユーザ毎の重みを加味して教師情報を決定する、
    請求項１６に記載の分類システム。
19. 前記統合部は、
    ユーザの中でリーダを識別可能であり、
    一部のユーザ端末の教師情報が他のユーザ端末の教師情報と異なっている場合、リーダからの指示を受信し、受信した指示に基づいて教師情報を決定する、
    請求項１６に記載の分類システム。
20. 少なくとも１つの公報に関する入力データと、前記入力データに対応する前記公報に付与される危険度であって、対象物が前記公報に対して抵触するかどうかを示す度合いである危険度を示す出力データとの関係を示す教師データに基づいて、学習モデルを構築するモデル構築部を有する分類システムの制御方法であって、
    少なくとも１つの公報に関する処理対象データを、前記入力データとして、前記学習モデルに入力する処理対象データ入力ステップと、
    前記処理対象データの入力に応じて前記学習モデルから出力された結果に従って、前記処理対象データに関する情報をユーザ端末に提供する提供ステップと、
    前記ユーザ端末から、前記教師データの元となる教師情報を受信する受信ステップと、
    前記教師情報に応じた前記教師データを前記モデル構築部に投入する教師データ投入ステップと、
    を有する、分類システムの制御方法。
21. 少なくとも１つの公報に関する入力データと、前記入力データに対応する少なくとも１つの前記公報に付与される少なくとも１つの分類を示す出力データ並びに前記入力データに対応する前記公報に付与される危険度を示す出力データとの関係を示す教師データに基づいて、学習モデルを構築するモデル構築部を有する分類システムの制御方法であって、
    少なくとも１つの公報に関する処理対象データを、前記入力データとして、前記学習モデルに入力する処理対象データ入力ステップと、
    前記処理対象データの入力に応じて前記学習モデルから出力された結果に従って、前記処理対象データに関する情報をユーザ端末に提供する提供ステップと、
    前記ユーザ端末から、前記教師データの元となる教師情報を受信する受信ステップと、
    前記教師情報に応じた前記教師データを前記モデル構築部に投入する教師データ投入ステップと、
    を有する、分類システムの制御方法。
22. コンピュータを、請求項１から請求項１９のいずれか一項に記載の分類システムの各部として機能させるためのプログラム。
    
    

Images