WO2023210340A1 - 学習装置および学習方法 - Google Patents

学習装置および学習方法 Download PDF

Info

Publication number
WO2023210340A1
WO2023210340A1 PCT/JP2023/014652 JP2023014652W WO2023210340A1 WO 2023210340 A1 WO2023210340 A1 WO 2023210340A1 JP 2023014652 W JP2023014652 W JP 2023014652W WO 2023210340 A1 WO2023210340 A1 WO 2023210340A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
user
target
learning device
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2023/014652
Other languages
English (en)
French (fr)
Inventor
祐平 滝
邦仁 澤井
昌毅 高瀬
朗 宮下
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Group Corp
Original Assignee
Sony Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Group Corp filed Critical Sony Group Corp
Priority to US18/857,634 priority Critical patent/US20250273201A1/en
Publication of WO2023210340A1 publication Critical patent/WO2023210340A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities

Definitions

  • the present disclosure relates to a learning device and a learning method that spontaneously learn information such as a name for identifying a predetermined target.
  • each user is identified by handle name, account name, etc. Furthermore, each user can also set a nickname as information for identifying himself/herself. For example, a user may call out the nickname of another user they want to interact with or enter it in text to specify the other user, and perform voice chat or send a message.
  • the conventional technology it is possible to determine the person who corresponds to the epithet uttered by the user and to specify that the utterance is directed to the determined person, so that the conversation can proceed smoothly.
  • the identification information used to identify a user is a meaningless list of alphabets or a language that is unfamiliar to each other, the user may not be able to identify other users on the network.
  • users are unable to pronounce nicknames that are made up of unpronounceable character sequences or account names that include characters that cannot be read, so they are forced to search for the desired person from their friends list, or they are forced to give up on interactions. there's a possibility that.
  • the present disclosure relates to a learning device and a learning method that can easily set information for specifying a predetermined target.
  • a learning device includes an acquisition unit that acquires the contents of a command input by a user to a predetermined information processing system, and an acquisition unit that acquires the contents of a command input by a user to a predetermined information processing system, and a learning unit that learns recognition information for recognizing the target based on the user's operation on the information processing system or the usage history of the information processing system when it is determined that the target is included.
  • FIG. 3 is a diagram showing an overview of learning processing according to the embodiment.
  • FIG. 2 is a diagram (1) illustrating an example of learning processing according to the embodiment.
  • FIG. 3 is a diagram (2) illustrating an example of learning processing according to the embodiment.
  • FIG. 3 is a diagram (3) illustrating an example of learning processing according to the embodiment.
  • FIG. 1 is a diagram illustrating a configuration example of a learning device according to an embodiment.
  • FIG. 3 is a diagram illustrating an example of a user storage unit according to the embodiment.
  • FIG. 3 is a diagram illustrating an example of an application storage unit according to the embodiment. It is a figure showing an example of a correspondence storage part concerning an embodiment.
  • It is a flowchart (1) showing the flow of learning processing according to the embodiment.
  • FIG. 2 is a hardware configuration diagram showing an example of a computer that implements the functions of the learning device.
  • Embodiment 1-1 Overview of learning processing according to embodiment 1-2. Configuration of learning device according to embodiment 1-3. Learning processing procedure according to embodiment 1-4. Modification example 1-4-1. Device configuration 1-4-2. Learning results 1-4-3. Input to the system 2. Other embodiments 3. Effects of the learning device according to the present disclosure 4. Hardware configuration
  • FIG. 1 is a diagram showing an overview of learning processing according to an embodiment. The learning process according to the embodiment is realized by the learning device 100 shown in FIG.
  • the learning device 100 is an example of an information processing device that executes learning processing according to the embodiment.
  • the learning device 100 is a cloud server, a PC (Personal Computer), a smartphone, a tablet terminal, etc. connected to a network.
  • the learning device 100 may be a smart home appliance such as a television, a video game console such as a game machine, etc., as long as it is an information device having the functions described below.
  • the learning device 100 is an information processing device that includes a voice agent that can speak with the user 10, and can display various information on a connected display.
  • the user 10 is a user who uses the information processing system provided by the learning device 100.
  • the system provided by the learning device 100 is a so-called OS (Operating System) that operates installed game apps, video viewing apps, etc., and controls message sending and chat functions to other users. Has a function.
  • the user 10 uses the voice recognition function of the learning device 100 to utter various commands (hereinafter referred to as "voice commands") such as "open a game app” and "I want to send a message to another user". This allows you to launch apps and interact with other users.
  • voice commands various commands
  • the user who is the subject of learning such as making the learning device 100 learn a name
  • user 10 may be distinguished from other users connected to user 10 via the network. be.
  • game applications and the like that utilize networks are designed so that the user 10 can actively interact with other users.
  • the user 10 can enjoy online play with other users, exchange messages and chat with other users, and share game screens.
  • Other users with whom the user 10 can interact are displayed as a list when the user 10 is online and logged into the game application, for example. Such a list is called a friend list or the like.
  • the user 10 can select other users from the friend list and interact with them. Further, the user 10 can communicate with other users whose names he or she remembers by addressing them by their names without having to select them from a friend list.
  • the learning device 100 can compare and match the voice-recognized text with the ID, but it is difficult to identify other users. Not necessarily. That is, if the ID is different from the nickname that the user 10 expects, the voice command using the nickname that the user 10 expects cannot be executed. In this case, the user 10 needs to take extra effort to refer to the friend list and select the desired target. That is, when using the system, there is a need to directly specify a target by voice even if the name is unknown.
  • the learning device 100 solves the above problem through the learning process described below. That is, the learning device 100 acquires the contents of a command input by the user 10 to a predetermined system. When the learning device 100 determines that the acquired command includes an unrecognizable target, the learning device 100 performs recognition to recognize the target based on the user's 10 operation on the system or the system usage history. Learn information. For example, the learning device 100 automatically sets a nickname for an object by learning an appropriate nickname at an appropriate timing, without the user 10 having to take the trouble to set any nickname. Thereby, the user 10 can easily set information for specifying a predetermined target while reducing the burden of manually performing some settings.
  • the user 10 inputs into the learning device 100 a voice command requesting to send a message to "Jonny", a friend he met previously.
  • the learning device 100 Upon acquiring a voice command input from the user 10, the learning device 100 analyzes the voice command based on known voice recognition technology. For example, the learning device 100 recognizes that the content of the voice command is "send message” and that the destination (referred to as an entity) is "Jonny.”
  • the learning device 100 searches for "Jonny" from the friend list stored in the system. For example, the learning device 100 verifies whether the ID registered in the friend list and "Jonny" match. If the learning device 100 cannot search for the user with the ID "Jonny," it determines that the voice command includes an unrecognizable target. In this case, the learning device 100 displays the message "'Jonny' is not on the friend list. Select the message recipient from the list. ” is issued to the user 10. That is, since "Jonny" cannot be searched based on pronunciation, the learning device 100 proceeds to a process of presenting a friend list to the user 10 and having the user 10 make a selection from the friend list (step S10).
  • the friend list 20 shown in FIG. 1 is displayed on a display connected to the learning device 100, for example.
  • the user 10 views the friend list 20 and recognizes that the user 24 is "Jonny" among the other users presented, to whom the message is to be sent.
  • the user 10 can use any input means (keyboard, mouse, game controller, etc.) to the learning device 100, or pronounce the number on the list ("4" in the example of FIG. 1).
  • the selection cursor 22 is placed on the user 24 and the user 24 is selected.
  • the learning device 100 moves to a process for learning the user 24 as "Jonny" (step S12).
  • the learning device 100 asks the user 10, "Do you want to register this friend as 'Jonny'?"
  • the user 10 requests to register the user 24 with the name "Jonny”
  • the user 10 pronounces that he/she agrees to the setting.
  • the learning device 100 associates and stores the user 24 and the spelling of "Jonny” or the pronunciation of "Jonny” (voice data, etc.). Thereby, when the user 10 pronounces "Jonny” next time, the learning device 100 can recognize that "Jonny” is the user 24.
  • the learning device 100 determines that the voice command includes an unrecognizable target ("Jonny” in the example of FIG. 1)
  • the learning device 100 performs the user's 10 operation on the system (the 24), the recognition information (“Jonny”) for recognizing the target is learned.
  • "Jonny” uttered by user 10 is likely the epithet that user 10 would like to use to identify user 24. Therefore, by learning such pronunciations, the learning device 100 enables the user 10 to execute voice commands using the pronunciations expected from the next time. Thereby, the user 10 can set the title that he/she desires as a target without any burden.
  • FIG. 1 shows an example in which the user 10 sets a nickname for a friend who is the target of a voice command
  • the learning process according to the embodiment can be applied to various targets. This point will be explained using FIGS. 2 to 4.
  • FIG. 2 is a diagram (1) showing an example of learning processing according to the embodiment.
  • the user 10 inputs a voice command to the learning device 100, such as "start 'video'".
  • the learning device 100 refers to the application usage history of the user 10 in the system and searches for a target corresponding to "video" (step S14).
  • the learning device 100 determines that the user 10 has a tendency to start the video application P01 after issuing the voice command, for example, the user 10 has started the video application P01 a predetermined number of times or more.
  • the learning device 100 determines that the "video” uttered by the user 10 is intended to be "video application P01,” and attempts to associate such content. For example, the learning device 100 asks the user 10, ⁇ Do you want to associate "video” with “video application P01”? ” and waits for a response from the user 10. When the user 10 agrees to associate "video” with "video application P01,” the learning device 100 learns to read “video” as "video application P01" in a predetermined voice command. Thereby, the user 10 can launch the application using his or her desired name.
  • FIG. 3 is a diagram (2) illustrating an example of the learning process according to the embodiment.
  • the user 10 asks the learning device 100, "Show me 'Bros'! ” input the voice command.
  • the learning device 100 refers to the operation history of the user 10 in the system and searches for a target corresponding to "Bros" (step S16).
  • the learning device 100 determines that the user 10 tends to perform actions mainly related to the friend list, such as referring to the friend list or searching within the friend list, after issuing the voice command. .
  • the learning device 100 determines that the "Bros” uttered by the user 10 is intended to be a "friend list” (or friends), and attempts to associate such content. For example, the learning device 100 asks the user 10, ⁇ Do you want to associate "Bros” with a “friend list”? ” and waits for a response from the user 10. When the user 10 agrees to associate "Bros” with the “friend list”, the learning device 100 learns to read "Bros" as "friend list” in a predetermined voice command. Thereby, the user 10 can replace the name on the system, such as the friend list, with his or her desired nickname.
  • FIG. 4 is a diagram (3) showing an example of the learning process according to the embodiment.
  • the user 10 inputs a voice command to the learning device 100 such as "I want to send a message to 'Georg'.”
  • the learning device 100 determines if "Georg” is unrecognizable among the acquired voice commands, or if there is a possibility that other words may be associated with "Georg” in the system. If determined, the usage history of all users using the system is determined (step S18). Note that the term “all users who use the system” refers to, for example, an unspecified number of users who use the system provided by the learning device 100 and whose usage history can be obtained via the network.
  • the learning device 100 refers to the usage history of all users and determines that a user who used the word "Georg” has selected “George” as a reference for “Georg”. This refers to the fact that "Georg” is associated with a user who has an ID of "George.” In this case, the learning device 100 determines that in a certain language area, "Georg” and "George” tend to be equated.
  • the learning device 100 determines that there is a high possibility that the user 10 also intended the user with the ID "George” as the destination of the message, and attempts to make the association. For example, the learning device 100 asks the user 10, ⁇ Do you want to associate "Georg” with “George”? ” and waits for a response from the user 10. When the user 10 agrees to associate "Georg” with "George”, the learning device 100 reads "Georg” as "George” in a predetermined voice command. Learn. Thereby, the user 10 can change the name of an object that has the same or similar ID but uses a different name with the name that he/she desires.
  • the learning device 100 similarly performs "Georg You may learn to read ⁇ Georg'' as ⁇ George.'' Through such processing, the learning device 100 can eliminate difficulty in reading and misreading due to language and identify the target as intended by the user, thereby facilitating interaction between users from different language areas.
  • FIGS. 1 to 4 show an example in which the user 10 issues a voice command
  • commands indicating instructions to the learning device 100 are not limited to voice, but can also be issued using text, gestures, line of sight, electroencephalogram signals, etc. It is. Therefore, the learning device 100 can learn not only the name but also text, gestures, line of sight, electroencephalogram signals, etc. that correspond to the target, as long as the target can be identified, as information for identifying the target. It is.
  • FIG. 5 is a diagram showing a configuration example of the learning device 100 according to the embodiment.
  • the learning device 100 includes a communication section 110, a storage section 120, and a control section 130.
  • the learning device 100 includes an input unit (for example, a keyboard, a touch display, etc.) that receives various operations from an administrator who manages the learning device 100, and a display unit (for example, a liquid crystal display, etc.) for displaying various information. It may have.
  • the communication unit 110 is realized by, for example, a NIC (Network Interface Card), a network interface controller, or the like.
  • the communication unit 110 is connected to the network N by wire or wirelessly, and transmits and receives information to and from external devices and the like via the network N.
  • the network N is realized using a wireless communication standard or method such as Bluetooth (registered trademark), the Internet, Wi-Fi (registered trademark), UWB (Ultra Wide Band), and LPWA (Low Power Wide Area).
  • the storage unit 120 is realized by, for example, a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk.
  • a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory
  • a storage device such as a hard disk or an optical disk.
  • the storage unit 120 stores various information for performing the learning process according to the embodiment. Furthermore, the storage unit 120 stores learning results such as correspondence between objects and pronunciations.
  • the storage unit 120 includes a user storage unit 121 , an application storage unit 122 , and an association storage unit 123 . Each storage unit will be explained in order below using FIGS. 6 to 8.
  • FIG. 6 is a diagram showing an example of the user storage unit 121 according to the embodiment.
  • the user storage unit 121 has items such as "user ID”, “registered name”, “recognition information”, "text”, and “voice”.
  • data and parameters stored in the storage unit 120 may be conceptually shown as “A01”, but in reality, each piece of information to be described later is stored in the storage unit 120. is memorized.
  • User ID is unique identification information for the system to identify the user.
  • the "registered name” is the user's name displayed on the system, such as a handle name, account ID, or nickname set by the user.
  • “Recognition information” is information used by the system to recognize users, and is information registered for each user as a result of the learning process according to the embodiment.
  • “Text” is information shown as text (characters) among recognition information.
  • “Sound” is information shown as sound data among the recognition information.
  • the recognition information may be registered as text, voice, or both. Further, the learning device 100 may allow the user 10 to select information to be registered as recognition information.
  • the user whose user ID is "U01” has a registered name of "dd_dd", a text of "Jonny” as recognition information, and "A01" as audio data corresponding to the text. It shows that it is registered.
  • the learning device 100 converts the pronunciation into text and recognizes the user ID "U01", or collates the audio data when the user 10 pronounces "Jonny". Based on this, the user ID "U01" can be recognized.
  • FIG. 7 is a diagram showing an example of the application storage unit 122 according to the embodiment. As shown in FIG. 7, the application storage unit 122 has items such as "app name”, “genre”, “usage history”, and "recognition information”.
  • the “app ID” is the name of an app (program) that can be used in the system of the learning device 100.
  • “Genre” indicates a genre for classifying applications.
  • “Usage history” indicates the usage history of apps used by the user 10 on the learning device 100. The usage history includes, for example, the name, number of times, frequency, usage time, etc. of the application that the user 10 has started.
  • “Recognition information” is information used for the system to recognize an application, and is information that is used for each learning device 100 (in other words, for each user 10 who uses the learning device 100) as a result of the learning process according to the embodiment. This is information to be registered. "Text” is information shown as text (characters) among recognition information. "Sound” is information shown as sound data among the recognition information. The recognition information may be registered as text, voice, or both. Further, the learning device 100 may allow the user 10 to select information to be registered as recognition information.
  • the app name is "P01”
  • the genre is “video distribution”
  • the usage history is “R01”
  • the recognition information is “video”
  • the text is “Video”. It shows that "A11” is registered as the corresponding audio data.
  • the learning device 100 converts the pronunciation into text and recognizes the app with the app name "P01,” or the learning device 100 converts the pronunciation into text and recognizes the app with the app name "P01,” or uses the audio data when the user 10 pronounces "video”. Based on the comparison, the application with the application name "P01" can be recognized.
  • FIG. 8 is a diagram showing an example of the association storage unit 123 according to the embodiment.
  • the association storage unit 123 has items such as "association ID,” “recognition information,” “expression,” “text/sound,” “association target,” and “applicable range.”
  • the "correspondence ID” is identification information for identifying an object to which some correspondence has been made by the learning device 100.
  • Recognition information is information for the system to recognize the original object to which correspondence is made.
  • Content is information indicating the content of the object to be recognized.
  • expression is a character string, voice data, gesture, electroencephalogram signal, etc. for expressing (specifying) the object to be recognized.
  • “B01” corresponds to, for example, the character string “Bros” or the audio data when the user 10 pronounces "Bros”.
  • “Matching target” indicates the target to which the target indicated by the recognition information is associated.
  • the item “corresponding target” may include text, audio data, etc. for specifying the target to be correlated.
  • “Applicable range” indicates the range to which the association is applied. For example, if the scope of application is "only the user", the application is applied to 10 individual users who use each learning device 100. Alternatively, if the scope of application is "all”, it is applied to all users who use the system of the learning device 100. Note that the scope of application may be set for each attribute of the user who uses the system, such as the country where the system is used or the area of residence.
  • the content of the recognition information for the association with the association ID "Q01" is “Bros”
  • the content is expressed as “B01”
  • the recognition information is "Friend”. list”, indicating that the scope of application is "only the individual.”
  • the learning device 100 recognizes the expression uttered by the user 10 as “Bros”
  • the learning device 100 determines that "Bros” indicates a “friend list” based on this association. It is determined that
  • the content of the recognition information for the association with the association ID "Q02" is "Georg", the content is expressed as “B02”, and the recognition information is It is associated with "George”, indicating that its scope of application is “entire”.
  • the learning device 100 recognizes the expression uttered by a certain user as “Georg”
  • the learning device 100 recognizes "Georg” as "George” based on this correspondence. It is determined that the user intends to do so, including the intended target.
  • the learning device 100 may include the ID "George” in the search.
  • control unit 130 allows a program (for example, a learning program according to the present disclosure) stored inside the learning device 100 to be transferred to a RAM (Random Access Memory) by a CPU (Central Processing Unit), an MPU (Micro Processing Unit), a GPU, or the like. ) etc. as the work area.
  • control unit 130 is a controller, and may be realized by, for example, an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
  • control unit 130 includes an acquisition unit 131, a learning unit 132, and a presentation unit 133.
  • the acquisition unit 131 acquires various information. For example, the acquisition unit 131 acquires the contents of a command input by the user 10 to a predetermined information processing system executed by the learning device 100.
  • a command is an instruction for the user 10 to cause the learning device 100 to execute a certain process.
  • the command is input to the learning device 100 by the user 10 performing some operation on the user interface of the OS provided by the learning device 100.
  • the command may be a voice command based on the utterance (voice input) of the user 10, or a command input by text input, selection of an icon displayed on the user interface, or the like.
  • the learning unit 132 determines that the command acquired by the acquisition unit 131 includes an unrecognizable target, the learning unit 132 performs a process for recognizing the target based on the user 10's operation on the system or the system usage history. Learn recognition information. For example, when it is determined that the voice command includes an unrecognizable object, the learning unit 132 learns the pronunciation corresponding to the object based on the user's 10 operation on the system or the system usage history. Note that the pronunciation is not necessarily limited to speech, and may be a character string indicating the pronunciation or audio data corresponding to the proclamation.
  • the learning unit 132 learns recognition information as different expressions of the target. Specifically, the learning unit 132 uses different expressions for a certain object, such as calling a certain user "Jonny” or calling a certain application "video", as illustrated in FIGS. 1 and 2. The displayed information is learned as recognition information.
  • the learning unit 132 learns recognition information based on information specified by the selection operation by the user 10. Specifically, when the command includes an unrecognizable target, the learning unit 132 presents the user 10 with a list or the like corresponding to the command. For example, if the target of the command is another user, the learning unit 132 presents the user 10 with a friend list. Then, based on the user 10's operation of selecting a predetermined user from the friend list, the learning unit 132 transfers recognition information (e.g., a nickname issued by the user 10 to designate the predetermined user) to the target. It is learned that the information means .
  • recognition information e.g., a nickname issued by the user 10 to designate the predetermined user
  • the learning unit 132 learns recognition information based on information specified by an input means other than the user's 10 speech. Specifically, when a predetermined friend is selected by an input means (controller, keyboard, touch panel, etc.) for selecting a friend list, the learning unit 132 generates a name for specifying a predetermined friend as recognition information. etc. to learn.
  • the learning unit 132 learns it as recognition information based on the user's system usage history when an unrecognized object was detected in the past. Estimate what to do. For example, as shown in FIG. 2, the learning unit 132 determines what kind of object the user 10 means based on the actions that the user 10 has frequently taken in the past when uttering a certain object. Estimate whether there are any. For example, if there is a history in which the user 10 uttered "I want to watch a video" and then manually started a video application because the voice command was not recognized, the learning unit 132 determines that "video" is a video application. ⁇ Video'' is learned as recognition information related to video apps.
  • the learning unit 132 can use various types of information as usage history. For example, the learning unit 132 determines what type of target the user 10 uttered based on the number of times a different target was selected after a certain target was uttered, the frequency of selection, etc. during a predetermined period. It can be estimated whether the target is meant.
  • the learning unit 132 allows the user 10 to learn specified information as different representations of a target, or to learn to associate one target with another target. If instructed, such content may be learned. Thereby, the user 10 can prevent the learning device 100 from learning content that the user 10 does not want.
  • the learning unit 132 may learn recognition information as information used to read the target as another target. For example, as shown in FIG. 3, the learning unit 132 learns that the utterance of "Bros" by the user 10 means a friend list, which is another target.
  • the recognition information is not only information that directly indicates the target, but also information that can be associated with other targets.
  • the recognition information is information indicating the original target (“Bros” in the example in FIG. 8) and information indicating the associated target (in the example in FIG. 8, the friend list).
  • the learning unit 132 when the learning unit 132 determines that the command includes an unrecognizable target, the learning unit 132 associates the command with the target based on the user's system usage history when an unrecognizable target was detected in the past. Estimate another target. For example, as shown in FIG. 3, the learning unit 132 learns what kind of object the user 10 means based on the actions that the user 10 has frequently taken in the past when uttering a certain object. Estimate whether there are any. For example, if the user 10 utters "Show me 'Bros'" but the voice command is not recognized and there is a history of manually opening the friend list, the learning unit 132 learns that "Bros" is in the friend list. In other words, learn to associate "Bros" with your friends list.
  • the learning unit 132 creates another target to be associated with the target based on the system usage history of the user 10 or another user different from the user 10. Estimate. For example, as shown in FIG. 4, when the user 10 utters a certain object, the learning unit 132 may learn that many other users associate the object with another object, or If it is determined that there is a history of manually selecting a target, the program learns to associate the target spoken by the user 10 with the other target.
  • the learning unit 132 may also associate the estimated another object with the original object. good.
  • the learning unit 132 may determine in more detail whether the learning content is in accordance with the user's 10 intention. As an example, the learning unit 132 may acquire a target for which information corresponding to the target is specified by an input means other than utterance by the user 10 in the same user interface layer as the voice command, and the same execution content as the voice command is specified. The pronunciation that corresponds to the object may be learned when it is executed for the object.
  • the user 10 may return to the top page of the OS from the user interface hierarchy corresponding to the voice command (for example, another user's search screen). be. Even if the user 10 performs some operation after this, it is assumed that the relationship between the operation and the target included in the voice command is low. In this case, the learning unit 132 does not learn information acquired after the hierarchy of the user interface changes as recognition information. Alternatively, even if the user 10 performs an operation to identify a target after a certain target cannot be recognized, if the action is different from the voice command, the target that could not be recognized and the target that was subsequently identified. Information may be less relevant. In this case as well, the learning unit 132 does not learn information acquired after the hierarchy of the user interface changes as recognition information. Thereby, the learning unit 132 can perform learning in accordance with the user's 10 intention.
  • the presentation unit 133 When the presentation unit 133 recognizes the recognition information after the recognition information has been learned by the learning unit 132, the presentation unit 133 presents an object corresponding to the recognition information. For example, if the user 10 utters "Jonny” after learning that "Jonny" is recognition information indicating a predetermined user, the presentation unit 133 selects a predetermined user corresponding to "Jonny". It is presented to the user 10. This allows the user 10 to indicate the desired object using his or her desired expression.
  • commands are not limited to character strings or voices, and may be input by various means. That is, the acquisition unit 131 may acquire the content of the command based on the user's gesture, line of sight, or electroencephalogram signal. In this case, when the learning unit 132 determines that the command includes an unrecognizable target, the learning unit 132 uses a gesture, a line of sight, or an electroencephalogram signal corresponding to the target based on the operation of the system or the usage history of the system by the user 10. can be learned.
  • FIG. 9 is a flowchart (1) showing the flow of learning processing according to the embodiment.
  • the learning device 100 acquires a command according to voice input etc. by the user 10 (step S101). At this time, the learning device 100 determines whether a command target (entity) exists (step S102). Note that a command with no target is an instruction without a target, such as "I want to send a message.”
  • step S102 If the target does not exist (step S102; No), the process branches to step S201. If the target exists (step S102; Yes), the learning device 100 determines whether the target can be recognized (step S103). If the target can be recognized (step S103; Yes), the learning device 100 executes the command input by the user 10, and ends the process.
  • step S103 if the target cannot be recognized (step S103; No).
  • the learning device 100 presents a list corresponding to the command (step S104).
  • the learning device 100 specifies the selected object (step S105).
  • the learning device 100 determines whether the identified target has already been learned (step S106). For example, the learning device 100 refers to the storage unit 120 and determines whether any recognition information is registered for the selected object.
  • step S106 determines whether learning has been attempted in the past for this target (step S108). If learning has been attempted in the past (step S108; Yes), it is determined that the user 10 does not wish to learn about this object, and the learning device 100 ends the process without learning.
  • step S106 determines whether the identified target has been learned (step S106; Yes). If the identified target has been learned (step S106; Yes), the learning device 100 determines whether the information that could not be recognized this time is different from the recognition information registered for the target (step S107). If the recognition information is not different from the recognition information registered in the target (step S107; Yes), the learning device 100 determines that there is no need to learn this time, and ends the process without learning.
  • step S109 the recognition information differs from the recognition information registered in the target (step S107; No), or if the target has not been trained and learning has not been attempted in the past (step S108; No), the learning device 100: The pronunciation and the like acquired in step S101 are learned as recognition information (step S109).
  • FIG. 10 is a flowchart (2) showing the flow of learning processing according to the embodiment.
  • the learning device 100 when the learning device 100 acquires a command for which no target exists, it presents a list corresponding to the command (step S201). If the user 10 selects an object from the presented list, the learning device 100 specifies the selected object (step S202).
  • the learning device 100 determines whether the identified target has already been learned (step S203). For example, the learning device 100 refers to the storage unit 120 and determines whether any recognition information is registered for the selected object. If the target has already been learned (step S203; Yes), the learning device 100 determines that the learning process is not required and ends the process.
  • the learning device 100 determines whether there is a history of utterances of the selected target a predetermined number of times or more (step S204). That is, the learning device 100 determines whether the user 10 attempts to specify such an object as the object of some operation. This is because it is assumed that an object (such as a user) that becomes a certain object many times will be more convenient for the user 10 through learning.
  • step S204 determines whether the target tends to be frequently selected by some input means other than utterances (step S205). . This is also because it is assumed that an object that is selected many times as a certain object will be more convenient for the user 10 through learning.
  • step S205 If the target does not tend to be selected frequently (step S205; No), the learning device 100 concludes that the need for learning is low and ends the process without learning.
  • step S204 if there is a history of the target being uttered a predetermined number of times or more (step S204; Yes), or if the target tends to be selected frequently (step S205; Yes), the learning device 100 selects the target in step S202. utterances and the like in the history are learned as recognition information for the target (step S206).
  • FIG. 11 is a flowchart (3) showing the flow of learning processing according to the embodiment. Note that the example in FIG. 11 shows the flow of processing in a situation where the learning device 100 cannot recognize the target included in the voice command.
  • the learning device 100 acquires a voice command according to the voice input by the user 10 (step S301).
  • the learning device 100 presents a list corresponding to the command (step S302).
  • the learning device 100 specifies the target selected by the user 10 using a controller or the like that is an input means different from voice (step S303).
  • the learning device 100 determines whether or not the user has returned to the UI (user interface) hierarchy based on the operation of the user 10 (step S304).
  • the learning device 100 determines whether it is necessary to learn the specified target. learning is determined to be low (step S309).
  • step S304 the learning device 100 determines whether the same action as the one instructed by the voice command has been performed based on the instruction from the user 10. (Step S305). If an instruction different from the voice command is given (step S305; No), the learning device 100 determines that there is little need for learning because it is assumed that the learning target has changed, and stops learning (step S309).
  • step S305 If the same action as instructed by the voice command is to be performed (step S305; Yes), the learning device 100 determines whether the action has been performed within a certain period of time (step S306). If the action is not executed within a certain period of time (step S306; No), the learning device 100 determines that the user 10's demand for learning is low and cancels learning (step S309).
  • step S306 determines whether learning was attempted using the same name in the past. If learning has been attempted in the past (step S307; Yes), the learning device 100 determines that the user 10 does not wish to learn about this object, and cancels learning (step S309).
  • step S307 If learning has not been attempted in the past (step S307; No), the learning device 100 learns the pronunciation acquired in step S301 as the pronunciation (recognition information) corresponding to the object (step S308).
  • the learning device 100 activates the learning process only when the user 10 continues the operation with the same intention as the voice command after the transition from voice operation to operation using a controller or the like. Thereby, the learning device 100 can suppress unnecessary learning processing that does not match the user's 10 intention.
  • the learning device 100 is merely a conceptual representation of functions, and may take various forms depending on the embodiment.
  • the learning device 100 may be configured with two or more devices having different functions as described above.
  • the learning device 100 may be configured with a cloud server and an edge terminal (such as a smart speaker or a smartphone) that are connected via a network.
  • the edge terminal acquires the voice command
  • the edge terminal transmits the acquired information to the cloud server.
  • the cloud server performs learning processing as shown in FIG. 1, etc., and reflects the learning results in the processing executed by the edge terminal.
  • the learning device 100 stores the results of the learning process in the user storage unit 121, the application storage unit 122, and the association storage unit 123 shown in FIGS. 6 to 8.
  • the data tables shown in FIGS. 6 to 8 are just examples, and the learning results do not need to be stored in such a format. That is, the learning device 100 may store the learning results in any format as long as the format allows a first expression for specifying an arbitrary target to be associated with a second expression.
  • the learning device 100 does not only store information associated with recognition information, but also stores terms for which the target could not be identified (such as the voice input recognized as "Jonny” shown in FIG. 1). It's okay. That is, the learning device 100 may hold an input history of terms that have become unrecognizable. Thereby, the learning device 100 can perform flexible learning processing, such as performing learning only when the same unrecognizable term is input a predetermined number of times.
  • the learning device 100 receives some command input from the user 10.
  • the command input does not necessarily involve the execution of information processing by the system, and may be any kind of information input to the system.
  • the input target is not limited to the user or application name, but may be any information such as items or characters in game content.
  • each component of each device shown in the drawings is functionally conceptual, and does not necessarily need to be physically configured as shown in the drawings.
  • the specific form of distributing and integrating each device is not limited to what is shown in the diagram, and all or part of the devices can be functionally or physically distributed or integrated in arbitrary units depending on various loads and usage conditions. Can be integrated and configured.
  • the learning section 132 and the presentation section 133 may be integrated.
  • the learning device according to the present disclosure includes an acquisition unit (the acquisition unit 131 in the embodiment) and a learning unit (the learning unit 132 in the embodiment).
  • the acquisition unit acquires the contents of a command input by a user to a predetermined information processing system.
  • the learning unit determines that the command includes an unrecognizable target
  • the learning unit acquires recognition information for recognizing the target based on the user's operations on the information processing system or the usage history of the information processing system. learn.
  • the learning device automatically adds recognition information for recognizing the object based on the user's operation and usage history. .
  • the user can easily set information for specifying a predetermined target without having to manually perform any settings in order to have the target recognized.
  • the learning unit learns recognition information as different representations of the target. For example, after determining that the command includes an unrecognizable object, the learning unit learns recognition information based on information specified by a selection operation by the user. Alternatively, if the learning unit determines that the command includes an unrecognizable target, the learning unit acquires recognition information based on the user's usage history of the information processing system when the unrecognizable target was detected in the past. Estimate the content to be learned as follows.
  • the learning device learns information that expresses the object in a different expression as recognition information, and thereby becomes able to recognize some object in the expression desired by the user. Thereby, the learning device can improve the usability of the system.
  • the learning unit learns the specified information as a different expression of the target.
  • the learning device determines whether or not to learn according to the user's instructions, so unnecessary learning can be suppressed.
  • the learning unit also learns recognition information as information used to read the target as another target. For example, when the learning unit determines that a command includes an unrecognizable target, the learning unit determines whether the unrecognizable target is detected based on the user's usage history of the information processing system when the unrecognizable target was detected in the past. Estimate another target to be associated with.
  • the learning device not only learns different expressions of the same object, such as the user's nickname, as recognition information, but also learns recognition information as representing different objects. Thereby, the learning device can recognize various objects by the names desired by the user, thereby improving convenience for the user.
  • the learning unit may select another target to be associated with the target based on the usage history of the information processing system by the user or another user different from the user. Estimate the target.
  • the learning device estimates which objects to associate with one object based on the collective intelligence of not only the user himself/herself but also other users, so that, for example, different expressions due to language differences can be expressed. It is possible to accurately associate the generated objects. As a result, the learning device can recognize any target regardless of the difference in pronunciation depending on the language, for example, so that accurate information processing can be performed in line with the user's intention.
  • the learning unit associates the estimated another target with the target.
  • the learning device determines whether or not to learn according to the user's instructions, so unnecessary learning can be suppressed.
  • the acquisition unit acquires the content of the voice command input by the user.
  • the learning unit determines that the voice command includes an unrecognizable target
  • the learning unit learns a name corresponding to the target based on the user's operation on the information processing system or the usage history of the information processing system. .
  • the learning unit learns, as a pronunciation corresponding to the object, a character string indicating the pronunciation or audio data corresponding to the pronunciation.
  • the learning device can, for example, accurately recognize character strings that are difficult to pronounce or objects that are unknown how to pronounce. .
  • the learning unit determines that the voice command includes an unrecognizable target
  • the learning unit learns information specified by an input means other than the user's utterance as recognition information.
  • the learning device associates the object that could not be recognized by the user's utterance with the object that was subsequently selected by the user's controller operation, etc., so that learning can be performed in accordance with the user's intention.
  • the learning unit specifies information corresponding to a target in the same user interface layer as the voice command by an input means other than utterance by the user, and the same execution content as the voice command is applied to the specified target.
  • the pronunciation corresponding to the target is learned.
  • the learning device determines whether or not to perform learning based on the user's behavior in the system, so it can perform learning more accurately in accordance with the user's intentions.
  • the learning device may further include a presentation unit that presents an object corresponding to the recognition information when the recognition information is recognized after the learning unit has learned the recognition information.
  • the learning device provides a system that is optimized according to the user's utterances and actions, without the user having to manually configure settings. be able to.
  • the acquisition unit also acquires the content of the command based on at least one of the user's gesture, line of sight, or electroencephalogram signal.
  • the learning unit determines that the command includes an unrecognizable target
  • the learning unit determines the user's gestures and line of sight corresponding to the target based on the user's operations on the information processing system or the usage history of the information processing system. Or learn at least one of the brain wave signals.
  • the learning device can learn objects to be recognized based on various input means without relying on voice or the like, so it is possible to improve user convenience in various types of information processing devices.
  • FIG. 12 is a hardware configuration diagram showing an example of a computer 1000 that implements the functions of the learning device 100.
  • Computer 1000 has CPU 1100, RAM 1200, ROM (Read Only Memory) 1300, HDD (Hard Disk Drive) 1400, communication interface 1500, and input/output interface 1600. Each part of computer 1000 is connected by bus 1050.
  • the CPU 1100 operates based on a program stored in the ROM 1300 or the HDD 1400 and controls each part. For example, the CPU 1100 loads programs stored in the ROM 1300 or HDD 1400 into the RAM 1200, and executes processes corresponding to various programs.
  • the ROM 1300 stores boot programs such as BIOS (Basic Input Output System) that are executed by the CPU 1100 when the computer 1000 is started, programs that depend on the hardware of the computer 1000, and the like.
  • BIOS Basic Input Output System
  • the HDD 1400 is a computer-readable recording medium that non-temporarily records programs executed by the CPU 1100 and data used by the programs.
  • HDD 1400 is a recording medium that records a learning program according to the present disclosure, which is an example of program data 1450.
  • the communication interface 1500 is an interface for connecting the computer 1000 to an external network 1550 (for example, the Internet).
  • CPU 1100 receives data from other devices or transmits data generated by CPU 1100 to other devices via communication interface 1500.
  • the input/output interface 1600 is an interface for connecting the input/output device 1650 and the computer 1000.
  • the CPU 1100 receives data from an input device such as a keyboard or a mouse via the input/output interface 1600. Further, the CPU 1100 transmits data to an output device such as a display, an edge device, or a printer via an input/output interface 1600.
  • the input/output interface 1600 may function as a media interface that reads programs and the like recorded on a predetermined recording medium.
  • Media includes, for example, optical recording media such as DVD (Digital Versatile Disc) and PD (Phase change rewritable disk), magneto-optical recording media such as MO (Magneto-Optical disk), tape media, magnetic recording media, semiconductor memory, etc. It is.
  • the CPU 1100 of the computer 1000 realizes the functions of the control unit 130 and the like by executing the learning program loaded onto the RAM 1200. Furthermore, the learning program according to the present disclosure and data in the storage unit 120 are stored in the HDD 1400. Note that although the CPU 1100 reads and executes the program data 1450 from the HDD 1400, as another example, these programs may be obtained from another device via the external network 1550.
  • the present technology can also have the following configuration.
  • an acquisition unit that acquires the contents of a command input by a user to a predetermined information processing system; If it is determined that the command includes an unrecognizable object, learn recognition information for recognizing the object based on the user's operation on the information processing system or the usage history of the information processing system.
  • a learning club and A learning device equipped with (2) The learning department is learning the recognition information as different representations of the object; The learning device according to (1) above. (3) The learning department is After determining that the command includes an unrecognizable target, learning the recognition information based on information specified by the selection operation by the user; The learning device according to (2) above.
  • the learning department is When it is determined that the command includes an unrecognizable object, learning is performed as the recognition information based on the usage history of the information processing system by the user when the unrecognizable object was detected in the past. Estimate what to do, The learning device according to (2) or (3) above. (5) The learning department is learning the identified information as a different representation of the target when the user instructs to learn the identified information as a different representation of the target; The learning device according to (3) or (4) above. (6) The learning department is learning the recognition information as information used to read the target as another target; The learning device according to any one of (1) to (5) above.
  • the learning department is If it is determined that the command includes an unrecognizable target, the user may associate the unrecognizable target with the target based on the usage history of the information processing system by the user when the unrecognizable target was detected in the past. estimate another object, The learning device according to (6) above.
  • the learning department is If it is determined that the command includes an unrecognizable target, the other target to be associated with the target is determined based on the usage history of the information processing system by the user or another user different from the user. presume, The learning device according to (6) or (7) above. (9) The learning department is when the user instructs to associate the estimated another target with the target, associating the estimated another target with the target; The learning device according to (7) or (8) above.
  • the acquisition unit includes: Obtaining the content of the voice command input by the user, The learning department is If it is determined that the voice command includes an unrecognizable object, learning a nickname corresponding to the object based on the user's operation on the information processing system or the usage history of the information processing system; The learning device according to any one of (1) to (9) above. (11) The learning department is learning a character string indicating the appellation or audio data corresponding to the appellation as the appellation corresponding to the target; The learning device according to (10) above. (12) The learning department is learning information specified by an input means other than speech by the user as the recognition information when it is determined that the voice command includes an unrecognizable target; The learning device according to (10) or (11) above.
  • the learning department is Information corresponding to the target is specified by an input means other than speech by the user in the same user interface layer as the voice command, and the same execution content as the voice command is executed on the specified target. learn the name corresponding to the object when The learning device according to (12) above.
  • the learning device according to any one of (1) to (13) above, further comprising: (15) The acquisition unit includes: obtaining the content of the command based on at least one of the user's gesture, gaze, and brain wave signal; The learning department is If it is determined that the command includes an unrecognizable target, the user's gestures, line of sight, and learning at least one of the brain wave signals; The learning device according to any one of (1) to (14) above.
  • the computer is Obtain the contents of commands input by the user to a predetermined information processing system, If it is determined that the acquired command includes an unrecognizable target, recognition information for recognizing the target based on the user's operation on the information processing system or the usage history of the information processing system. learn, Learning methods that include.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Dermatology (AREA)
  • Biomedical Technology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本開示に係る一形態の学習装置（１００）は、所定の情報処理システムに対してユーザが入力したコマンドの内容を取得する取得部（１３１）と、前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象を認識するための認識情報を学習する学習部（１３２）と、を備える。

Description

学習装置および学習方法
　本開示は、所定の対象を特定するための称呼等の情報を自発的に学習する学習装置および学習方法に関する。
　ネットワークを介したユーザ間の交流では、各ユーザをハンドル名やアカウント名等で特定する。また、各ユーザは、自身を特定するための情報として、ニックネームを設定することもできる。例えば、ユーザは、交流したい他のユーザのニックネームを呼び掛けたり、テキストで入力したりして相手を特定し、ボイスチャットやメッセージ送信を行う。
　この点に関して、音声認識技術を用いることで、会話中にユーザの発言した呼び名が示す対象を正確に判断して適切な返事を返すことができる会話システムが提案されている（例えば、特許文献１）。
特開２００４－３３４５９１号公報
　従来技術によれば、ユーザが発話した称呼に対応する人物を判定し、判定した人物に対する発言であることを特定できるので、会話を円滑に進めることができる。
　しかし、ユーザを特定するための識別情報に、意味のないアルファベットの羅列が用いられたり、互いに馴染みのない言語が使用されていたりすると、ユーザは、ネットワーク上で他のユーザを特定できないおそれがある。例えば、ユーザは、発音できない文字の並びからなるニックネームや、読むことのできない文字が使われたアカウント名を発音できないため、フレンドリストから所望の相手を探すという手間を強いられたり、交流をあきらめたりする可能性がある。
　そこで、本開示では、所定の対象を特定するための情報を容易に設定することのできる学習装置および学習方法に関する。
　上記の課題を解決するために、本開示に係る一形態の学習装置は、所定の情報処理システムに対してユーザが入力したコマンドの内容を取得する取得部と、前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象を認識するための認識情報を学習する学習部と、を備える。
実施形態に係る学習処理の概要を示す図である。 実施形態に係る学習処理の一例を示す図（１）である。 実施形態に係る学習処理の一例を示す図（２）である。 実施形態に係る学習処理の一例を示す図（３）である。 実施形態に係る学習装置の構成例を示す図である。 実施形態に係るユーザ記憶部の一例を示す図である。 実施形態に係るアプリ記憶部の一例を示す図である。 実施形態に係る対応付け記憶部の一例を示す図である。 実施形態に係る学習処理の流れを示すフローチャート（１）である。 実施形態に係る学習処理の流れを示すフローチャート（２）である。 実施形態に係る学習処理の流れを示すフローチャート（３）である。 学習装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。
　以下に、実施形態について図面に基づいて詳細に説明する。なお、以下の各実施形態において、同一の部位には同一の符号を付することにより重複する説明を省略する。
　以下に示す項目順序に従って本開示を説明する。
　　１．実施形態
　　　１－１．実施形態に係る学習処理の概要
　　　１－２．実施形態に係る学習装置の構成
　　　１－３．実施形態に係る学習処理の手順
　　　１－４．変形例
　　　　１－４－１．装置構成
　　　　１－４－２．学習結果
　　　　１－４－３．システムへの入力
　　２．その他の実施形態
　　３．本開示に係る学習装置の効果
　　４．ハードウェア構成
（１．実施形態）
（１－１．実施形態に係る学習処理の概要）
　図１は、実施形態に係る学習処理の概要を示す図である。実施形態に係る学習処理は、図１に示す学習装置１００によって実現される。
　学習装置１００は、実施形態に係る学習処理を実行する情報処理装置の一例である。例えば、学習装置１００は、ネットワークに接続されるクラウドサーバやＰＣ（Personal　Computer）、スマートフォンやタブレット端末等である。なお、学習装置１００は、後述する機能を有する情報機器であれば、テレビ等のスマート家電や、ゲーム機等のビデオゲームコンソール等であってもよい。図１の例では、学習装置１００は、ユーザ１０と発話可能な音声エージェントを備える情報処理装置であり、接続されたディスプレイに各種情報を表示可能であるものとする。
　ユーザ１０は、学習装置１００が提供する情報処理システムを利用するユーザである。学習装置１００が提供するシステムは、例えば、インストールされたゲームアプリや動画視聴アプリ等を動作させたり、他のユーザへのメッセージ送信やチャット機能を制御したりする、いわゆるＯＳ（Operating　System）としての機能を有する。ユーザ１０は、学習装置１００の音声認識機能を利用して、「ゲームアプリを開いて」、「他のユーザにメッセージを送信したい」といった各種命令（以下、「音声コマンド」と称する）を発話することで、アプリを起動させたり、他のユーザとの交流を図ったりすることができる。なお、以下の説明では、学習装置１００に称呼を学習させるなど、学習させる主体となるユーザを「ユーザ１０」と表記し、ネットワークを介してユーザ１０と接続される他のユーザと区別する場合がある。
　一般に、ネットワークを利用するゲームアプリ等では、ユーザ１０が他のユーザとの交流を盛んに図ることができるよう設計される。例えば、ユーザ１０は、他のユーザとともにオンラインプレイを楽しんだり、他のユーザとメッセージやチャットのやりとりを行ったり、ゲーム画面を共有したりできる。ユーザ１０が交流可能な他のユーザは、例えば、ゲームアプリにログインしたオンライン状態である場合に、リスト化されて一覧可能に表示される。かかるリストは、フレンドリスト等と称される。
　ユーザ１０は、フレンドリストから他のユーザを選択して、かかる他のユーザと交流を図ることができる。また、ユーザ１０は、名前を憶えている他のユーザについては、その名を称呼することで、フレンドリストから選択する手間をかけずに交流を図ることもできる。
　しかしながら、ネットワークを介して世界中のユーザが接続される状況下では、ユーザ１０が他のユーザを特定することが難しい場合もある。例えば、ネットワークに接続するユーザは、匿名性を維持するため、自身を識別するためのハンドル名やアカウント名、ニックネーム等の名称（以下、「ＩＤ」と総称する）を意味のない文字の羅列にする場合がある。あるいは、ネットワークに接続するユーザの中には、他のユーザにとって馴染みのない文字を用いて自身のＩＤを設定する者も存在しうる。
　意味のない文字の羅列であっても、ユーザ１０が発音を行えば、学習装置１００は、音声認識されたテキストとＩＤとを比較し照合することはできるが、他のユーザの特定がうまくいくとは限らない。すなわち、ユーザ１０が期待する称呼とＩＤが異なる場合には、ユーザ１０が期待した称呼による音声コマンドが実行できない。この場合、ユーザ１０は、フレンドリストを参照して目的の対象を選択するといった余計な手間をかける必要がある。すなわち、システムの利用において、ある対象を特定する場合に称呼が不明な場合であっても、音声で直接に対象を指定したいというニーズが存在する。
　そこで、本開示に係る学習装置１００は、以下に示す学習処理により、上記課題を解決する。すなわち、学習装置１００は、所定のシステムに対してユーザ１０が入力したコマンドの内容を取得する。そして、学習装置１００は、取得したコマンドに認識不能な対象が含まれていると判定した場合に、ユーザ１０のシステムに対する操作、もしくは、システムの利用履歴に基づいて、対象を認識するための認識情報を学習する。例えば、学習装置１００は、ユーザ１０がわざわざ何らかの称呼を設定などしなくとも、適切なタイミングで適切な称呼を学習することで、対象へ称呼を自動的に設定する。これにより、ユーザ１０は、手動で何らかの設定を行うといった負荷を低減しつつ、所定の対象を特定するための情報を容易に設定することができる。
　以下、図１で示す流れに沿って、実施形態に係る学習処理の概要を説明する。図１の例では、ユーザ１０が、以前知り合ったフレンドである「Ｊｏｎｎｙ」にメッセージを送ることを要求するための音声コマンドを学習装置１００に入力する。
　この例において、「Ｊｏｎｎｙ」とは、例えば、フレンドが自称した称呼をユーザ１０が聞き取ったものであり、正確な綴りではないか、あるいは、フレンドのＩＤとして登録されたものではないものとする。
　学習装置１００は、ユーザ１０から入力された音声コマンドを取得すると、既知の音声認識技術に基づき、音声コマンドを解析する。例えば、学習装置１００は、音声コマンドの内容が「メッセージ送信」であり、その送信先である対象（エンティティ（Entity）と称される）が「Ｊｏｎｎｙ」であると認識する。
　学習装置１００は、システムに記憶されているフレンドリストから、「Ｊｏｎｎｙ」を検索する。例えば、学習装置１００は、フレンドリストに登録されているＩＤと、「Ｊｏｎｎｙ」とが一致するか否かを検証する。そして、学習装置１００は、「Ｊｏｎｎｙ」というＩＤを有するユーザを検索できない場合、かかる音声コマンドに認識不能な対象が含まれていると判定する。この場合、学習装置１００は、「「Ｊｏｎｎｙ」がフレンドリストにありません。リストからメッセージの送り先を選択してください。」というメッセージをユーザ１０に対して発する。すなわち、学習装置１００は、発音からは「Ｊｏｎｎｙ」が検索できないことから、フレンドリストをユーザ１０に提示し、フレンドリストからユーザ１０に選択してもらうという処理に移行する（ステップＳ１０）。
　図１に示すフレンドリスト２０は、例えば、学習装置１００と接続されたディスプレイに表示される。ユーザ１０は、フレンドリスト２０を閲覧し、提示された他のユーザのうち、ユーザ２４がメッセージ送信の対象である「Ｊｏｎｎｙ」であると認識する。この場合、ユーザ１０は、学習装置１００への任意の入力手段（キーボードやマウス、ゲームコントローラ等）を用いるか、あるいは、リストの番号を発音する（図１の例では「４」）ことで、選択カーソル２２をユーザ２４に合わせ、ユーザ２４を選択する。
　学習装置１００は、ユーザ１０によってユーザ２４が特定されたことで、ユーザ２４を「Ｊｏｎｎｙ」として学習するための処理に移行する（ステップＳ１２）。
　例えば、学習装置１００は、学習画面２６に示すように、ユーザ１０に対して、「このフレンドを「Ｊｏｎｎｙ」で登録しますか」という問いかけを行う。ユーザ１０は、ユーザ２４を「Ｊｏｎｎｙ」という称呼で登録することを要望する場合、設定への承諾を行う旨を発音する。この場合、学習装置１００は、ユーザ２４と「Ｊｏｎｎｙ」という綴り、もしくは、「Ｊｏｎｎｙ」の発音（音声データ等）を対応付けて記憶する。これにより、次にユーザ１０が「Ｊｏｎｎｙ」と発音した場合、学習装置１００は、「Ｊｏｎｎｙ」がユーザ２４であると認識可能になる。
　このように、学習装置１００は、音声コマンドに認識不能な対象（図１の例では「Ｊｏｎｎｙ」）が含まれていると判定した場合に、ユーザ１０のシステムに対する操作（図１の例ではユーザ２４の選択）に基づいて、当該対象を認識するための認識情報（「Ｊｏｎｎｙ」）を学習する。この例において、ユーザ１０が発した「Ｊｏｎｎｙ」は、ユーザ２４を特定するためにユーザ１０が使用を欲する称呼である可能性が高い。そこで、学習装置１００は、かかる称呼を学習することで、次回からユーザ１０が期待する称呼で音声コマンドを実行することを可能にする。これにより、ユーザ１０は、自身が望む称呼を負荷なく対象に設定することができる。
　なお、図１では、ユーザ１０が音声コマンドの対象であるフレンドの称呼を設定する例を示したが、実施形態に係る学習処理は、様々な対象に適用可能である。この点について、図２から図４を用いて説明する。
　図２は、実施形態に係る学習処理の一例を示す図（１）である。図２の例では、ユーザ１０が学習装置１００に対して、「「ビデオ」を起動して」という音声コマンドを入力する。
　学習装置１００は、取得した音声コマンドのうち、「ビデオ」が認識不能であった場合、システムにおけるユーザ１０のアプリ利用履歴を参照し、「ビデオ」に該当する対象を検索する（ステップＳ１４）。
　例えば、学習装置１００は、ユーザ１０が「「ビデオ」を起動して」や「「ビデオ」を開いて」のような、あるプログラム（アプリ）を起動するための音声コマンドを発した場合の、その直後の行動履歴を参照する。そして、学習装置１００は、当該音声コマンドを発した後に、ユーザ１０が所定の動画アプリＰ０１を所定回数以上起動しているなど、当該動画アプリを起動する傾向にあると判定する。
　この場合、学習装置１００は、ユーザ１０が発する「ビデオ」とは、「動画アプリＰ０１」を意図していると判定し、かかる内容を対応付けることを試みる。例えば、学習装置１００は、ユーザ１０に対して、「「ビデオ」を「動画アプリＰ０１」と対応付けますか？」というメッセージを出力し、ユーザ１０からの応答を待つ。ユーザ１０が「ビデオ」を「動画アプリＰ０１」に対応付けることを承諾すると、学習装置１００は、所定の音声コマンドにおいて、「ビデオ」を「動画アプリＰ０１」と読み替えることを学習する。これにより、ユーザ１０は、自身の所望する称呼でアプリを起動させることができる。
　他の例について、図３を用いて説明する。図３は、実施形態に係る学習処理の一例を示す図（２）である。図３の例では、ユーザ１０が学習装置１００に対して、「「Ｂｒｏｓ」を見せて！」という音声コマンドを入力する。
　学習装置１００は、取得した音声コマンドのうち、「Ｂｒｏｓ」が認識不能であった場合、システムにおけるユーザ１０の操作履歴を参照し、「Ｂｒｏｓ」に該当する対象を検索する（ステップＳ１６）。
　例えば、学習装置１００は、ユーザ１０が「「Ｂｒｏｓ」を見せて」や「「Ｂｒｏｓ」にメッセージを送りたい」のような、ある行動を行うための音声コマンドを発した場合の、その直後の操作履歴を参照する。そして、学習装置１００は、当該音声コマンドを発した後に、ユーザ１０がフレンドリストを参照したり、フレンドリスト内を検索したりするなど、主にフレンドリストに関する行動を実行する傾向にあると判定する。
　この場合、学習装置１００は、ユーザ１０が発する「Ｂｒｏｓ」とは、「フレンドリスト」（もしくはフレンド）を意図していると判定し、かかる内容を対応付けることを試みる。例えば、学習装置１００は、ユーザ１０に対して、「「Ｂｒｏｓ」を「フレンドリスト」と対応付けますか？」というメッセージを出力し、ユーザ１０からの応答を待つ。ユーザ１０が「Ｂｒｏｓ」を「フレンドリスト」に対応付けることを承諾すると、学習装置１００は、所定の音声コマンドにおいて、「Ｂｒｏｓ」を「フレンドリスト」と読み替えることを学習する。これにより、ユーザ１０は、フレンドリストのようなシステム上の名称を、自身の所望する称呼で読み替えることができる。
　他の例について、図４を用いて説明する。図４は、実施形態に係る学習処理の一例を示す図（３）である。図４の例では、ユーザ１０が学習装置１００に対して、「「Ｇｅｏｒｇ（ゲオルグ）」にメッセージを送りたい」という音声コマンドを入力する。
　学習装置１００は、取得した音声コマンドのうち、「Ｇｅｏｒｇ（ゲオルグ）」が認識不能であった場合や、もしくは、システムにおいて「Ｇｅｏｒｇ（ゲオルグ）」に他の言葉が対応付けられる可能性があると判定した場合、システムを利用するユーザ全体の利用履歴を判定する（ステップＳ１８）。なお、システムを利用するユーザ全体とは、例えば、学習装置１００が提供するシステムを利用しているユーザであって、ネットワークを介して利用履歴が取得可能な不特定多数のユーザを意味する。
　例えば、学習装置１００は、ユーザ全体の利用履歴を参照し、「Ｇｅｏｒｇ（ゲオルグ）」という言葉を用いたユーザが、「Ｇｅｏｒｇ（ゲオルグ）」の参照先として「Ｇｅｏｒｇｅ（ジョージ）」を選択していたり、「Ｇｅｏｒｇｅ（ジョージ）」のＩＤを有するユーザに対して「Ｇｅｏｒｇ（ゲオルグ）」を対応付けていたりすることを参照する。この場合、学習装置１００は、ある言語圏において、「Ｇｅｏｒｇ（ゲオルグ）」と「Ｇｅｏｒｇｅ（ジョージ）」とが同一視される傾向にあると判定する。
　この場合、学習装置１００は、ユーザ１０も、メッセージの送信先として「Ｇｅｏｒｇｅ（ジョージ）」というＩＤを有するユーザを意図していた可能性が高いと判定し、その対応付けを試みる。例えば、学習装置１００は、ユーザ１０に対して、「「Ｇｅｏｒｇ（ゲオルグ）」を「Ｇｅｏｒｇｅ（ジョージ）」と対応付けますか？」というメッセージを出力し、ユーザ１０からの応答を待つ。ユーザ１０が「Ｇｅｏｒｇ（ゲオルグ）」を「Ｇｅｏｒｇｅ（ジョージ）」に対応付けることを承諾すると、学習装置１００は、所定の音声コマンドにおいて、「Ｇｅｏｒｇ（ゲオルグ）」を「Ｇｅｏｒｇｅ（ジョージ）」と読み替えることを学習する。これにより、ユーザ１０は、同一または類似するＩＤを有する対象であって異なる称呼を使用する対象について、自身の所望する称呼で読み替えることができる。
　なお、図４に示す例では、学習装置１００は、ユーザ１０と同一の言語圏に住む他のユーザ（この例ではドイツ語圏）についても、ユーザ１０における学習結果に基づいて、同様に「Ｇｅｏｒｇ（ゲオルグ）」を「Ｇｅｏｒｇｅ（ジョージ）」と読み替えることを学習してもよい。かかる処理により、学習装置１００は、言語による難読性や読み間違いを解消して、ユーザの意図通りの対象を特定できるので、異なる言語圏同士のユーザの交流を円滑に図ることができる。
　以上、図１から図４を用いて例示したように、実施形態に係る学習処理によれば、ユーザやアプリの称呼のみならず、あらゆる対象について低負荷で称呼を設定することができる。
　なお、図１から図４ではユーザ１０が音声コマンドを発する例を示したが、学習装置１００に対する命令を示すコマンドは、音声に限らず、テキストやジェスチャー、視線、脳波信号等で行うことも可能である。このため、学習装置１００は、対象を特定する情報として、称呼のみならず、対象を特定することが可能であれば、対象に対応するテキストやジェスチャー、視線、脳波信号等を学習することも可能である。
（１－２．実施形態に係る学習装置の構成）
　次に、学習装置１００の構成について説明する。図５は、実施形態に係る学習装置１００の構成例を示す図である。
　図５に示すように、学習装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、学習装置１００は、学習装置１００を管理する管理者等から各種操作を受け付ける入力部（例えば、キーボードやタッチディスプレイ等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
　通信部１１０は、例えば、ＮＩＣ（Network　Interface　Card）やネットワークインタフェイスコントローラ（Network　Interface　Controller）等によって実現される。通信部１１０は、ネットワークＮと有線または無線で接続され、ネットワークＮを介して、外部装置等と情報の送受信を行う。ネットワークＮは、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、インターネット、Ｗｉ－Ｆｉ（登録商標）、ＵＷＢ（Ultra　Wide　Band）、ＬＰＷＡ（Low　Power　Wide　Area）等の無線通信規格もしくは方式で実現される。
　記憶部１２０は、例えば、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ（Flash　Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。
　記憶部１２０は、実施形態に係る学習処理を行うための各種情報を記憶する。また、記憶部１２０は、対象と称呼の対応付け等の学習結果を記憶する。実施形態では、記憶部１２０は、ユーザ記憶部１２１と、アプリ記憶部１２２と、対応付け記憶部１２３とを有する。以下、各記憶部について、図６から図８を用いて、順に説明する。
　図６は、実施形態に係るユーザ記憶部１２１の一例を示す図である。図６に示すように、ユーザ記憶部１２１は、「ユーザＩＤ」、「登録名」、「認識情報」、「テキスト」、「音声」といった項目を有する。なお、図６から図８に示す例では、記憶部１２０に格納されるデータやパラメータを「Ａ０１」のように概念的に示す場合があるが、実際には、後述する各情報が記憶部１２０に記憶される。
　「ユーザＩＤ」は、システムがユーザを識別するための固有の識別情報である。「登録名」は、ユーザが設定したハンドル名やアカウントＩＤ、ニックネーム等、システム上に表示されるユーザの名称である。
　「認識情報」は、システムがユーザを認識するために用いられる情報であって、実施形態に係る学習処理の結果としてユーザごとに登録される情報である。「テキスト」は、認識情報のうち、テキスト（文字）として示される情報である。「音声」は、認識情報のうち、音声データとして示される情報である。認識情報は、テキストとして登録されてもよいし、音声として登録されてもよいし、双方が登録されてもよい。また、学習装置１００は、認識情報として登録する情報をユーザ１０に選択させてもよい。
　すなわち、図６の一例では、ユーザＩＤが「Ｕ０１」のユーザは、登録名が「ｄｄ_ｄｄ」であり、認識情報として、テキストが「Ｊｏｎｎｙ」で、そのテキストに対応する音声データとして「Ａ０１」が登録されていることを示している。この場合、学習装置１００は、ユーザ１０が「Ｊｏｎｎｙ」と発音した場合、かかる発音をテキスト変換してユーザＩＤ「Ｕ０１」を認識するか、あるいは、「Ｊｏｎｎｙ」と発音した際の音声データの照合に基づいてユーザＩＤ「Ｕ０１」を認識することができる。
　図７は、実施形態に係るアプリ記憶部１２２の一例を示す図である。図７に示すように、アプリ記憶部１２２は、「アプリ名称」、「ジャンル」、「利用履歴」、「認識情報」といった項目を有する。
　「アプリＩＤ」は、学習装置１００のシステムにおいて利用可能なアプリ（プログラム）の名称である。「ジャンル」は、アプリを区分けするためのジャンルを示す。「利用履歴」は、学習装置１００においてユーザ１０が利用したアプリの利用履歴を示す。利用履歴は、例えば、ユーザ１０が起動したアプリの名称や回数、頻度、利用時間等である。
　「認識情報」は、システムがアプリを認識するために用いられる情報であって、実施形態に係る学習処理の結果として、学習装置１００ごと（言い換えれば、学習装置１００を利用するユーザ１０ごと）に登録される情報である。「テキスト」は、認識情報のうち、テキスト（文字）として示される情報である。「音声」は、認識情報のうち、音声データとして示される情報である。認識情報は、テキストとして登録されてもよいし、音声として登録されてもよいし、双方が登録されてもよい。また、学習装置１００は、認識情報として登録する情報をユーザ１０に選択させてもよい。
　すなわち、図７の一例では、アプリ名称が「Ｐ０１」のアプリは、ジャンルが「動画配信」であり、利用履歴が「Ｒ０１」であり、認識情報として、テキストが「ビデオ」で、そのテキストに対応する音声データとして「Ａ１１」が登録されていることを示している。この場合、学習装置１００は、ユーザ１０が「ビデオ」と発音した場合、かかる発音をテキスト変換してアプリ名称「Ｐ０１」のアプリを認識するか、あるいは、「ビデオ」と発音した際の音声データの照合に基づいてアプリ名称「Ｐ０１」のアプリを認識することができる。
　図８は、実施形態に係る対応付け記憶部１２３の一例を示す図である。図８に示すように、対応付け記憶部１２３は、「対応付けＩＤ」、「認識情報」、「表現」、「テキスト・音声」、「対応付け対象」、「適用範囲」といった項目を有する。
　「対応付けＩＤ」は、学習装置１００によって何らかの対応付けが行われた対象を識別するための識別情報である。「認識情報」は、対応付けが行われる元の対象をシステムが認識するための情報である。「内容」は、認識される対象の内容を示す情報である。「表現」は、認識される対象を表現（特定）するための文字列や音声データ、ジェスチャー、脳波信号等である。図８の例では、「Ｂ０１」とは、例えば、「Ｂｒｏｓ」という文字列であったり、「Ｂｒｏｓ（ブロス）」とユーザ１０が発音した場合の音声データが該当する。
　「対応付け対象」は、認識情報で示される対象が対応付けられる相手先の対象を示す。なお、「対応付け対象」の項目には、対応付けされる先の対象を特定するためのテキストや音声データ等を含んでもよい。「適用範囲」は、対応付けが適用される範囲を示す。例えば、適用範囲が「本人のみ」であれば、個々の学習装置１００を利用するユーザ１０個人に適用される。あるいは、適用範囲が「全体」であれば、学習装置１００のシステムを利用するユーザ全体に適用される。なお、適用範囲は、システムが利用される国や居住区域など、システムを利用するユーザの属性ごとに設定されてもよい。
　すなわち、図８の一例では、対応付けＩＤが「Ｑ０１」の対応付けは、認識情報の内容が「Ｂｒｏｓ（ブロス）」であり、その内容は「Ｂ０１」で表現され、その認識情報は「フレンドリスト」に対応付けされており、その適用範囲は「本人のみ」であることを示している。具体的には、学習装置１００は、ユーザ１０が発した表現を「Ｂｒｏｓ（ブロス）」と認識すると、かかる対応付けに基づいて、「Ｂｒｏｓ（ブロス）」が「フレンドリスト」を示すものであると判定する。
　また、図８の他の一例では、対応付けＩＤが「Ｑ０２」の対応付けは、認識情報の内容が「Ｇｅｏｒｇ（ゲオルグ）」であり、その内容は「Ｂ０２」で表現され、その認識情報は「Ｇｅｏｒｇｅ（ジョージ）」に対応付けされており、その適用範囲は「全体」であることを示している。具体的には、学習装置１００は、あるユーザが発した表現を「Ｇｅｏｒｇ（ゲオルグ）」と認識すると、かかる対応付けに基づいて、「Ｇｅｏｒｇ（ゲオルグ）」とは「Ｇｅｏｒｇｅ（ジョージ）」で認識される対象も含めてユーザが意図していると判定する。例えば、学習装置１００は、「Ｇｅｏｒｇ（ゲオルグ）」というＩＤを検索する場合、「Ｇｅｏｒｇｅ（ジョージ）」というＩＤを含めて検索してもよい。
　図５に戻って説明を続ける。制御部１３０は、例えば、ＣＰＵ（Central　Processing　Unit）やＭＰＵ（Micro　Processing　Unit）、ＧＰＵ等によって、学習装置１００内部に記憶されたプログラム（例えば、本開示に係る学習プログラム）がＲＡＭ（Random　Access　Memory）等を作業領域として実行されることにより実現される。また、制御部１３０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application　Specific　Integrated　Circuit）やＦＰＧＡ（Field　Programmable　Gate　Array）等の集積回路により実現されてもよい。
　図５に示すように、制御部１３０は、取得部１３１と、学習部１３２と、提示部１３３を有する。
　取得部１３１は、各種情報を取得する。例えば、取得部１３１は、学習装置１００が実行する所定の情報処理システムに対してユーザ１０が入力したコマンドの内容を取得する。コマンドとは、ユーザ１０が学習装置１００に何らかの処理を実行させるための命令である。例えば、コマンドは、学習装置１００が提供するＯＳのユーザインターフェイスにおいて、ユーザ１０が何らかの操作を行うことで学習装置１００に入力される。例えば、コマンドは、ユーザ１０の発話（音声入力）に基づく音声コマンドや、テキスト入力やユーザインターフェイス上に表示されたアイコンを選択すること等により入力されるコマンドがありうる。
　学習部１３２は、取得部１３１によって取得されたコマンドに認識不能な対象が含まれていると判定した場合に、ユーザ１０のシステムに対する操作もしくはシステムの利用履歴に基づいて、対象を認識するための認識情報を学習する。例えば、学習部１３２は、音声コマンドに認識不能な対象が含まれていると判定した場合に、ユーザ１０のシステムに対する操作もしくはシステムの利用履歴に基づいて、対象に対応する称呼を学習する。なお、称呼とは、必ずしも発話に限らず、称呼を示す文字列もしくは称呼に対応する音声データであってもよい。
　一例として、学習部１３２は、対象の異なる表現として認識情報を学習する。具体的には、学習部１３２は、図１や図２で例示したように、あるユーザを「Ｊｏｎｎｙ」と称呼したり、あるアプリを「ビデオ」と称呼したりといった、ある対象を異なる表現で示した情報を認識情報として学習する。
　例えば、学習部１３２は、コマンドに認識不能な対象が含まれていると判定したのちに、ユーザ１０による選択操作によって特定された情報に基づいて、認識情報を学習する。具体的には、学習部１３２は、コマンドに認識不能な対象が含まれる場合、当該コマンドに対応するリスト等をユーザ１０に提示する。例えば、コマンドの対象が他のユーザである場合、学習部１３２は、フレンドリストをユーザ１０に提示する。そして、学習部１３２は、フレンドリストの中からユーザ１０が所定のユーザを選択したという操作に基づいて、認識情報（ユーザ１０が発した、所定のユーザを指定するための称呼等）を当該対象を意味する情報であると学習する。
　例えば、ユーザ１０が音声コマンドを入力した場合、学習部１３２は、ユーザ１０による発話以外の入力手段によって特定された情報に基づいて、認識情報を学習する。具体的には、学習部１３２は、フレンドリストを選択するための入力手段（コントローラやキーボード、タッチパネル等）によって所定のフレンドが選択された場合に、認識情報として所定のフレンドを指定するための称呼等を学習する。
　あるいは、学習部１３２は、コマンドに認識不能な対象が含まれていると判定した場合に、過去に認識不能な対象が検知された際のユーザによるシステムの利用履歴に基づいて、認識情報として学習する内容を推定する。学習部１３２は、例えば図２に示したように、ある対象を発話した場合に過去にユーザ１０が頻繁にとっていた行動に基づいて、ユーザ１０が発した対象が、どのような対象を意味しているかを推定する。例えば、ユーザ１０が「「ビデオ」を見たい」と発話したのち、音声コマンドが認識されず、手動で動画アプリを起動させたという履歴がある場合、学習部１３２は、「ビデオ」が動画アプリを意味するものとして、「ビデオ」を動画アプリに関する認識情報として学習する。
　学習部１３２は、利用履歴として、種々の情報を用いることができる。例えば、学習部１３２は、所定期間のうちに、ある対象が発話されたのちに異なる対象が選択された回数や、選択された頻度等に基づいて、ユーザ１０が発した対象が、どのような対象を意味しているかを推定できる。
　なお、学習部１３２は、図１から図４等で例示したように、特定された情報を対象の異なる表現として学習することや、ある対象と別の対象を対応付けるよう学習することをユーザ１０が指示した場合に、かかる内容を学習してもよい。これにより、ユーザ１０は、自身が望まない内容が学習装置１００によって学習されることを防止できる。
　また、学習処理の他の一例として、学習部１３２は、対象を別の対象に読み替えるために用いる情報として、認識情報を学習してもよい。学習部１３２は、例えば図３に示したように、ユーザ１０による「Ｂｒｏｓ」という発話が、別の対象であるフレンドリストを意味していることを学習する。この場合、認識情報とは、対象を直接的に示す情報のみならず、他の対象に対応付けられる情報となる。例えば、認識情報とは、元の対象（図８の一例では「Ｂｒｏｓ」）を示す情報であるとともに、対応付けられる対象（図８の一例ではフレンドリスト）を示す情報となる。
　例えば、学習部１３２は、コマンドに認識不能な対象が含まれていると判定した場合に、過去に認識不能な対象が検知された際のユーザによるシステムの利用履歴に基づいて、当該対象と対応付ける別の対象を推定する。学習部１３２は、例えば図３に示したように、ある対象を発話した場合に過去にユーザ１０が頻繁にとっていた行動に基づいて、ユーザ１０が発した対象が、どのような対象を意味しているかを推定する。例えば、ユーザ１０が「「Ｂｒｏｓ」を見せて」と発話したのち、音声コマンドが認識されず、手動でフレンドリストを開いたという履歴がある場合、学習部１３２は、「Ｂｒｏｓ」がフレンドリストの言い換えたものであるとして、「Ｂｒｏｓ」をフレンドリストに対応付けることを学習する。
　また、学習部１３２は、コマンドに認識不能な対象が含まれていると判定した場合に、ユーザ１０もしくはユーザ１０とは異なる他のユーザによるシステムの利用履歴に基づいて、対象と対応付ける別の対象を推定する。学習部１３２は、例えば図４に示したように、ユーザ１０がある対象を発話した場合に、他の多くのユーザが当該対象を別の対象と対応付けていたり、発話の後に当該別の対象を手動で選択したりする履歴があると判定すると、ユーザ１０が発話した対象を当該別の対象に対応付けるよう学習する。
　なお、かかる例においても、学習部１３２は、推定された別の対象を元の対象と対応付けることをユーザ１０が指示した場合に、推定された当該別の対象を元の対象と対応付けてもよい。
　また、学習部１３２は、認識情報を学習する際に、学習内容がユーザ１０の意図に沿っているかをより詳細に判定してもよい。一例として、学習部１３２は、音声コマンドと同一のユーザインターフェイス階層において、ユーザ１０による発話以外の入力手段によって対象に対応する情報が特定され、かつ、音声コマンドと同一の実行内容が特定された対象に対して実行された場合に、対象に対応する称呼を学習してもよい。
　例えば、ユーザ１０は、音声コマンドの入力において対象がシステムに認識されなかった場合、その音声コマンドに対応するユーザインターフェイスの階層（例えば他のユーザの検索画面）からＯＳのトップページ等に戻る場合がある。このあとにユーザ１０が何らかの操作をしたとしても、その操作と、音声コマンドに含まれていた対象との関連性が低いと想定される。この場合、学習部１３２は、ユーザインターフェイスの階層が変化したあとに取得した情報は、認識情報として学習しないようにする。あるいは、ある対象が認識できなかったあとにユーザ１０が何らかの対象を特定する操作を行ったとしても、その行動が音声コマンドと異なる行動であれば、認識できなかった対象と、その後に特定された情報とは関連性が低い可能性がある。この場合も、学習部１３２は、ユーザインターフェイスの階層が変化したあとに取得した情報は、認識情報として学習しないようにする。これにより、学習部１３２は、ユーザ１０の意図に沿った学習を行うことができる。
　提示部１３３は、学習部１３２によって認識情報が学習されたのちに認識情報を認識した場合に、認識情報に対応する対象を提示する。例えば、提示部１３３は、「Ｊｏｎｎｙ」が所定のユーザを示す認識情報であると学習されたのちに、ユーザ１０による「Ｊｏｎｎｙ」という発話があった場合、「Ｊｏｎｎｙ」に対応する所定のユーザをユーザ１０に提示する。これにより、ユーザ１０は、自身が所望する表現で、目的とする対象を示すことができるようになる。
　なお、上述してきた処理において、コマンドは文字列や音声に限らず、種々の手段で入力されてもよい。すなわち、取得部１３１は、ユーザのジェスチャー、視線もしくは脳波信号に基づくコマンドの内容を取得してもよい。この場合、学習部１３２は、コマンドに認識不能な対象が含まれていると判定した場合に、ユーザ１０のシステムに対する操作もしくはシステムの利用履歴に基づいて、対象に対応するジェスチャー、視線もしくは脳波信号を学習することができる。
（１－３．実施形態に係る学習処理の手順）
　次に、図９から図１１を用いて、実施形態に係る学習処理の手順について説明する。図９は、実施形態に係る学習処理の流れを示すフローチャート（１）である。
　図９に示すように、学習装置１００は、ユーザ１０による音声入力等に従い、コマンドを取得する（ステップＳ１０１）。このとき、学習装置１００は、コマンドの対象（エンティティ）が存在するかを判定する（ステップＳ１０２）。なお、対象が存在しないコマンドとは、「メッセージを送りたい」など、目的となる対象がない指示である。
　対象が存在しない場合（ステップＳ１０２；Ｎｏ）、処理はステップＳ２０１に分岐する。対象が存在する場合（ステップＳ１０２；Ｙｅｓ）、学習装置１００は、対象を認識できたか否かを判定する（ステップＳ１０３）。対象を認識できた場合（ステップＳ１０３；Ｙｅｓ）、学習装置１００は、ユーザ１０から入力されたコマンドを実行し、処理を終了する。
　一方、対象を認識できない場合（ステップＳ１０３；Ｎｏ）。学習装置１００は、コマンドに対応するリストを提示する（ステップＳ１０４）。提示したリストでユーザ１０から対象から選択された場合、学習装置１００は、選択された対象を特定する（ステップＳ１０５）。
　学習装置１００は、特定された対象が、既に学習済みか否かを判定する（ステップＳ１０６）。例えば、学習装置１００は、記憶部１２０を参照し、かかる選択された対象に、何らかの認識情報が登録されているか否かを判定する。
　学習済みでないと判定すると（ステップＳ１０６；Ｎｏ）、学習装置１００は、かかる対象について、過去に学習が試みられていたかを判定する（ステップＳ１０８）。過去に学習が試みられていた場合（ステップＳ１０８；Ｙｅｓ）、ユーザ１０がかかる対象についての学習を望んでいないと判定し、学習装置１００は、学習せずに処理を終了する。
　一方、特定された対象が学習済みである場合（ステップＳ１０６；Ｙｅｓ）、学習装置１００は、今回認識できなかった情報が、当該対象に登録されている認識情報と相違ないかを判定する（ステップＳ１０７）。対象に登録されている認識情報と相違ない場合（ステップＳ１０７；Ｙｅｓ）、学習装置１００は、今回学習する必要はないと判定し、学習せずに処理を終了する。
　一方、対象に登録されている認識情報と相違する場合（ステップＳ１０７；Ｎｏ）、もしくは、対象が学習済みでなく過去に学習が試みられていない場合（ステップＳ１０８；Ｎｏ）、学習装置１００は、ステップＳ１０１において取得した称呼等を認識情報として学習する（ステップＳ１０９）。
　次に、図１０を用いて、図９から分岐した処理について説明する。図１０は、実施形態に係る学習処理の流れを示すフローチャート（２）である。
　図１０に示すように、学習装置１００は、対象が存在しないコマンドを取得した場合、コマンドに対応するリストを提示する（ステップＳ２０１）。提示したリストでユーザ１０から対象から選択された場合、学習装置１００は、選択された対象を特定する（ステップＳ２０２）。
　学習装置１００は、特定された対象が、既に学習済みか否かを判定する（ステップＳ２０３）。例えば、学習装置１００は、記憶部１２０を参照し、かかる選択された対象に、何らかの認識情報が登録されているか否かを判定する。対象が既に学習済みであれば（ステップＳ２０３；Ｙｅｓ）、学習装置１００は、学習処理を要しないと判定して、処理を終了する。
　一方、学習済みでないと判定すると（ステップＳ２０３；Ｎｏ）、学習装置１００は、選択された対象について、所定回数以上発話された履歴があるか否かを判定する（ステップＳ２０４）。すなわち、学習装置１００は、ユーザ１０が何らかの操作の対象として、かかる対象を指定しようとしたかを判定する。これは、何らかの対象になる回数が多い対象（ユーザ等）は、学習によりユーザ１０の利便性が高まると想定されることによる。
　所定回数以上発話された履歴がない場合（ステップＳ２０４；Ｎｏ）、学習装置１００は、発話以外の何らかの入力手段によって当該対象が頻繁に選択される傾向にあるか否かを判定する（ステップＳ２０５）。これも、何らかの対象として選択される回数が多い対象は、学習によりユーザ１０の利便性が高まると想定されることによる。
　対象が頻繁に選択される傾向にない場合（ステップＳ２０５；Ｎｏ）、学習装置１００は、学習の必要性が低いとして、学習せずに処理を終了する。
　一方、対象について、所定回数以上発話された履歴がある場合（ステップＳ２０４；Ｙｅｓ）や、対象が頻繁に選択される傾向にある場合（ステップＳ２０５；Ｙｅｓ）、学習装置１００は、ステップＳ２０２によって選択された対象について、履歴にある発話等を認識情報として学習する（ステップＳ２０６）。
　次に、図１１を用いて、音声コマンドによって入力された称呼を学習するか否かを判定する処理の詳細について説明する。図１１は、実施形態に係る学習処理の流れを示すフローチャート（３）である。なお、図１１の例では、音声コマンドに含まれる対象を学習装置１００が認識できなかった状況における処理の流れを示す。
　学習装置１００は、ユーザ１０による音声入力等に従い、音声コマンドを取得する（ステップＳ３０１）。学習装置１００は、コマンドに対応するリストを提示する（ステップＳ３０２）。学習装置１００は、音声とは異なる入力手段であるコントローラ等を用いてユーザ１０から選択された対象を特定する（ステップＳ３０３）。
　この後、学習装置１００は、ユーザ１０の操作に基づき、ＵＩ（ユーザインターフェイス）階層を戻ったか否かを判定する（ステップＳ３０４）。ＵＩ階層を戻った場合（ステップＳ３０４；Ｙｅｓ）、すなわち、ステップＳ３０１で取得した音声コマンドによって開かれたユーザインターフェイスからユーザ１０が離脱した場合、学習装置１００は、特定された対象を学習する必要性は低いとして、学習を中止する（ステップＳ３０９）。
　ＵＩ階層を変えることなく処理が継続している場合（ステップＳ３０４；Ｎｏ）、学習装置１００は、ユーザ１０の指示に基づき、音声コマンドで指示されたことと同一のアクションを実行したかを判定する（ステップＳ３０５）。音声コマンドと異なる指示がなされる場合（ステップＳ３０５；Ｎｏ）、学習装置１００は、学習の対象が変化したと想定されることから学習する必要性は低いとして、学習を中止する（ステップＳ３０９）。
　音声コマンドで指示されたことと同一のアクションが実行される場合（ステップＳ３０５；Ｙｅｓ）、学習装置１００は、そのアクションが一定時間以内で行われたか否かを判定する（ステップＳ３０６）。一定時間以内にアクションが実行されない場合（ステップＳ３０６；Ｎｏ）、学習装置１００は、学習に対するユーザ１０の要求が低いと判定し、学習を中止する（ステップＳ３０９）。
　一定時間以内にアクションが実行された場合（ステップＳ３０６；Ｙｅｓ）、学習装置１００は、過去に同じ称呼で学習が試みていたかを判定する（ステップＳ３０７）。過去に学習を試みていた場合（ステップＳ３０７；Ｙｅｓ）、ユーザ１０がかかる対象についての学習を望んでいないと判定し、学習装置１００は、学習を中止する（ステップＳ３０９）。
　過去に学習を試みていない場合（ステップＳ３０７；Ｎｏ）、学習装置１００は、ステップＳ３０１において取得した称呼を、かかる対象に対応する称呼（認識情報）として学習する（ステップＳ３０８）。
　上記のように、学習装置１００は、音声操作からコントローラ等による操作への移行後、音声コマンドと同じ意図でユーザ１０が操作を継続した時のみ、学習処理を発動する。これにより、学習装置１００は、ユーザ１０の意図にそぐわない、無駄な学習処理を抑制することができる。
（１－４．変形例）
（１－４－１．装置構成）
　実施形態に係る学習装置１００は、あくまで機能を概念的に示したものであり、実施形態によって様々な態様をとりうる。例えば、学習装置１００は、上述した機能ごとに異なる２台以上の装置で構成されてもよい。一例として、学習装置１００は、ネットワークを介して接続されるクラウドサーバとエッジ端末（スマートスピーカーやスマートフォンなど）で構成されてもよい。この場合、エッジ端末が音声コマンドを取得すると、エッジ端末は、取得した情報をクラウドサーバに送信する。そして、クラウドサーバは、図１等で示したような学習処理を行い、かかる学習結果をエッジ端末が実行する処理に反映する。
（１－４－２．学習結果）
　上記実施形態では、学習装置１００が、学習処理の結果を図６から図８に示したユーザ記憶部１２１、アプリ記憶部１２２および対応付け記憶部１２３に記憶する例を示した。しかし、図６から図８に示したデータテーブルは一例であり、学習結果はかかる形式で記憶されることを要しない。すなわち、学習装置１００は、任意の対象を特定するための第１の表現を第２の表現と対応付けることが可能な形式であれば、どのような形式で学習結果を記憶してもよい。
　また、学習装置１００は、認識情報が対応付けられた情報のみを記憶するのではなく、対象を特定できなかった用語等（図１に示した「Ｊｏｎｎｙ」と認識した音声入力等）を記憶してもよい。すなわち、学習装置１００は、認識不能となった用語の入力履歴を保持してもよい。これにより、学習装置１００は、例えば、認識不能となった同一の用語が所定回数入力された場合に限り学習を行うなど、柔軟な学習処理を実行することができる。
（１－４－３．システムへの入力）
　上記実施形態では、学習装置１００が、ユーザ１０から何らかのコマンド入力を受け付ける例を示した。ここで、コマンド入力とは、必ずしもシステムによる情報処理の実行を伴うものでなくてもよく、システムに対する何らかの情報の入力であればよい。また、入力される対象は、ユーザやアプリ名に限らず、ゲームコンテンツにおけるアイテムやキャラクター等、任意の情報であってもよい。
（２．その他の実施形態）
　上述した各実施形態に係る処理は、上記各実施形態以外にも種々の異なる形態にて実施されてよい。
　また、上記各実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
　また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、学習部１３２と提示部１３３とは統合されてもよい。
　また、上述してきた各実施形態および変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
　また、本明細書に記載された効果はあくまで例示であって限定されるものでは無く、他の効果があってもよい。
（３．本開示に係る学習装置の効果）
　上述のように、本開示に係る学習装置（実施形態では学習装置１００）は、取得部（実施形態では取得部１３１）と、学習部（実施形態では学習部１３２）とを備える。取得部は、所定の情報処理システムに対してユーザが入力したコマンドの内容を取得する。学習部は、コマンドに認識不能な対象が含まれていると判定した場合に、ユーザの情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象を認識するための認識情報を学習する。
　このように、本開示に係る学習装置は、ユーザによる入力に認識不能な対象が含まれる場合、ユーザの操作や利用履歴に基づいて、その対象を認識するための認識情報を自動的に付与する。これにより、ユーザは、対象を認識させるために手動で何らかの設定を行うといった作業を行わずとも、所定の対象を特定するための情報を容易に設定することができる。
　また、学習部は、対象の異なる表現として、認識情報を学習する。例えば、学習部は、コマンドに認識不能な対象が含まれていると判定したのちに、ユーザによる選択操作によって特定された情報に基づいて、認識情報を学習する。あるいは、学習部は、コマンドに認識不能な対象が含まれていると判定した場合に、過去に当該認識不能な対象が検知された際のユーザによる情報処理システムの利用履歴に基づいて、認識情報として学習する内容を推定する。
　このように、学習装置は、対象を別の表現で表した情報を認識情報として学習することで、ユーザが所望する表現で何らかの対象を認識することができるようになる。これにより、学習装置は、システムにおける利便性を向上させることができる。
　また、学習部は、特定された情報を対象の異なる表現として学習することを当該ユーザが指示した場合に、当該特定された情報を当該対象の異なる表現として学習する。
　このように、学習装置は、ユーザの指示に従い学習するか否かを判定するので、不要な学習が行われることを抑制できる。
　また、学習部は、対象を別の対象に読み替えるために用いる情報として、認識情報を学習する。例えば、学習部は、コマンドに認識不能な対象が含まれていると判定した場合に、過去に当該認識不能な対象が検知された際のユーザによる情報処理システムの利用履歴に基づいて、当該対象と対応付ける別の対象を推定する。
　このように、学習装置は、ユーザの呼び名等、同一の対象を別の表現で示したものを認識情報として学習するだけではなく、異なる対象を示すものとして認識情報を学習してもよい。これにより、学習装置は、ユーザが所望する呼び名で様々な対象を認識することができるので、ユーザの利便性を向上させることができる。
　また、学習部は、コマンドに認識不能な対象が含まれていると判定した場合に、ユーザもしくは当該ユーザとは異なる他のユーザによる情報処理システムの利用履歴に基づいて、当該対象と対応付ける別の対象を推定する。
　このように、学習装置は、学習装置を利用するユーザ本人のみならず、他のユーザの集合知に基づいて、ある対象と対応付ける別の対象を推定することで、例えば言語の相違により異なる表現が生じた対象について正確に対応付けを行うことができる。これにより、学習装置は、例えば、言語による発音の違いによらず任意の対象を認識できるようになるので、ユーザの意図に沿った正確な情報処理を実行できる。
　また、学習部は、推定された別の対象を対象と対応付けることをユーザが指示した場合に、当該推定された当該別の対象を当該対象と対応付ける。
　このように、学習装置は、ユーザの指示に従い学習するか否かを判定するので、不要な学習が行われることを抑制できる。
　また、取得部は、ユーザが入力した音声コマンドの内容を取得する。学習部は、音声コマンドに認識不能な対象が含まれていると判定した場合に、ユーザの情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象に対応する称呼を学習する。例えば、学習部は、対象に対応する称呼として、当該称呼を示す文字列もしくは当該称呼に対応する音声データを学習する。
　このように、学習装置は、ユーザによって相違が生じやすい音声入力に関する称呼を学習することで、例えば発音し辛い文字列や、どのように発音してよいかわからない対象を正確に認識できるようになる。
　また、学習部は、音声コマンドに認識不能な対象が含まれていると判定した場合に、ユーザによる発話以外の入力手段によって特定された情報を認識情報として学習する。
　このように、学習装置は、発話で認識できなかった対象を、その後のユーザのコントローラ操作等で選択された対象と紐付けるので、ユーザの意図に沿った学習を行うことができる。
　また、学習部は、音声コマンドと同一のユーザインターフェイス階層において、ユーザによる発話以外の入力手段によって対象に対応する情報が特定され、かつ、当該音声コマンドと同一の実行内容が当該特定された対象に対して実行された場合に、当該対象に対応する称呼を学習する。
　このように、学習装置は、システムにおけるユーザの行動に基づいて学習を行うか否かを判定するので、より正確にユーザの意図に沿った学習を行うことができる。
　また、学習装置は、学習部によって認識情報が学習されたのちに、当該認識情報を認識した場合に、当該認識情報に対応する対象を提示する提示部をさらに備えてもよい。
　このように、学習装置は、学習結果が反映された情報処理を実行することで、ユーザが手動で設定等を行うことなく、ユーザの発話や行動に即して最適化されたシステムを提供することができる。
　また、取得部は、ユーザのジェスチャー、視線もしくは脳波信号の少なくとも一つに基づくコマンドの内容を取得する。学習部は、コマンドに認識不能な対象が含まれていると判定した場合に、ユーザの情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象に対応するユーザのジェスチャー、視線もしくは脳波信号の少なくとも一つを学習する。
　このように、学習装置は、音声等によらず、様々な入力手段に基づいて認識される対象を学習できるので、多様な形態の情報処理装置においてユーザの利便性を向上させることができる。
（４．ハードウェア構成）
　上述してきた各実施形態に係る学習装置１００等の情報機器は、例えば図１２に示すような構成のコンピュータ１０００によって実現される。以下、学習装置１００を例に挙げて説明する。図１２は、学習装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read　Only　Memory）１３００、ＨＤＤ（Hard　Disk　Drive）１４００、通信インターフェイス１５００、および入出力インターフェイス１６００を有する。コンピュータ１０００の各部は、バス１０５０によって接続される。
　ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。例えば、ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムをＲＡＭ１２００に展開し、各種プログラムに対応した処理を実行する。
　ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるＢＩＯＳ（Basic　Input　Output　System）等のブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
　ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を非一時的に記録する、コンピュータが読み取り可能な記録媒体である。具体的には、ＨＤＤ１４００は、プログラムデータ１４５０の一例である本開示に係る学習プログラムを記録する記録媒体である。
　通信インターフェイス１５００は、コンピュータ１０００が外部ネットワーク１５５０（例えばインターネット）と接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、通信インターフェイス１５００を介して、他の機器からデータを受信したり、ＣＰＵ１１００が生成したデータを他の機器へ送信したりする。
　入出力インターフェイス１６００は、入出力デバイス１６５０とコンピュータ１０００とを接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、キーボードやマウス等の入力デバイスからデータを受信する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやエッジーやプリンタ等の出力デバイスにデータを送信する。また、入出力インターフェイス１６００は、所定の記録媒体（メディア）に記録されたプログラム等を読み取るメディアインターフェイスとして機能してもよい。メディアとは、例えばＤＶＤ（Digital　Versatile　Disc）、ＰＤ（Phase　change　rewritable　Disk）等の光学記録媒体、ＭＯ（Magneto-Optical　disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
　例えば、コンピュータ１０００が実施形態に係る学習装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされた学習プログラムを実行することにより、制御部１３０等の機能を実現する。また、ＨＤＤ１４００には、本開示に係る学習プログラムや、記憶部１２０内のデータが格納される。なお、ＣＰＵ１１００は、プログラムデータ１４５０をＨＤＤ１４００から読み取って実行するが、他の例として、外部ネットワーク１５５０を介して、他の装置からこれらのプログラムを取得してもよい。
　なお、本技術は以下のような構成も取ることができる。
（１）
　所定の情報処理システムに対してユーザが入力したコマンドの内容を取得する取得部と、
　前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象を認識するための認識情報を学習する学習部と、
　を備える学習装置。
（２）
　前記学習部は、
　前記対象の異なる表現として、前記認識情報を学習する、
　前記（１）に記載の学習装置。
（３）
　前記学習部は、
　前記コマンドに認識不能な対象が含まれていると判定したのちに、前記ユーザによる選択操作によって特定された情報に基づいて、前記認識情報を学習する、
　前記（２）に記載の学習装置。
（４）
　前記学習部は、
　前記コマンドに認識不能な対象が含まれていると判定した場合に、過去に当該認識不能な対象が検知された際の前記ユーザによる前記情報処理システムの利用履歴に基づいて、前記認識情報として学習する内容を推定する、
　前記（２）または（３）に記載の学習装置。
（５）
　前記学習部は、
　前記特定された情報を前記対象の異なる表現として学習することを当該ユーザが指示した場合に、当該特定された情報を当該対象の異なる表現として学習する、
　前記（３）または（４）に記載の学習装置。
（６）
　前記学習部は、
　前記対象を別の対象に読み替えるために用いる情報として、前記認識情報を学習する、
　前記（１）～（５）のいずれか一つに記載の学習装置。
（７）
　前記学習部は、
　前記コマンドに認識不能な対象が含まれていると判定した場合に、過去に当該認識不能な対象が検知された際の前記ユーザによる前記情報処理システムの利用履歴に基づいて、当該対象と対応付ける前記別の対象を推定する、
　前記（６）に記載の学習装置。
（８）
　前記学習部は、
　前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザもしくは当該ユーザとは異なる他のユーザによる前記情報処理システムの利用履歴に基づいて、当該対象と対応付ける前記別の対象を推定する、
　前記（６）または（７）に記載の学習装置。
（９）
　前記学習部は、
　前記推定された前記別の対象を前記対象と対応付けることを前記ユーザが指示した場合に、当該推定された当該別の対象を当該対象と対応付ける、
　前記（７）または（８）に記載の学習装置。
（１０）
　前記取得部は、
　前記ユーザが入力した音声コマンドの内容を取得し、
　前記学習部は、
　前記音声コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象に対応する称呼を学習する、
　前記（１）～（９）のいずれか一つに記載の学習装置。
（１１）
　前記学習部は、
　前記対象に対応する称呼として、当該称呼を示す文字列もしくは当該称呼に対応する音声データを学習する、
　前記（１０）に記載の学習装置。
（１２）
　前記学習部は、
　前記音声コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザによる発話以外の入力手段によって特定された情報を前記認識情報として学習する、
　前記（１０）または（１１）に記載の学習装置。
（１３）
　前記学習部は、
　前記音声コマンドと同一のユーザインターフェイス階層において、前記ユーザによる発話以外の入力手段によって前記対象に対応する情報が特定され、かつ、当該音声コマンドと同一の実行内容が当該特定された対象に対して実行された場合に、当該対象に対応する称呼を学習する、
　前記（１２）に記載の学習装置。
（１４）
　前記学習部によって認識情報が学習されたのちに、当該認識情報を認識した場合に、当該認識情報に対応する前記対象を提示する提示部、
　をさらに備える前記（１）～（１３）のいずれか一つに記載の学習装置。
（１５）
　前記取得部は、
　前記ユーザのジェスチャー、視線および脳波信号の少なくとも一つに基づく前記コマンドの内容を取得し、
　前記学習部は、
　前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象に対応するユーザのジェスチャー、視線および脳波信号の少なくとも一つを学習する、
　前記（１）～（１４）のいずれか一つに記載の学習装置。
（１６）
　コンピュータが、
　所定の情報処理システムに対してユーザが入力したコマンドの内容を取得し、
　前記取得したコマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象を認識するための認識情報を学習する、
　ことを含む学習方法。
　１０　　ユーザ
　１００　学習装置
　１１０　通信部
　１２０　記憶部
　１２１　ユーザ記憶部
　１２２　アプリ記憶部
　１２３　対応付け記憶部
　１３０　制御部
　１３１　取得部
　１３２　学習部
　１３３　提示部

Claims (16)

  1. 　所定の情報処理システムに対してユーザが入力したコマンドの内容を取得する取得部と、
    　前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象を認識するための認識情報を学習する学習部と、
    　を備える学習装置。
  2. 　前記学習部は、
    　前記対象の異なる表現として、前記認識情報を学習する、
    　請求項１に記載の学習装置。
  3. 　前記学習部は、
    　前記コマンドに認識不能な対象が含まれていると判定したのちに、前記ユーザによる選択操作によって特定された情報に基づいて、前記認識情報を学習する、
    　請求項２に記載の学習装置。
  4. 　前記学習部は、
    　前記コマンドに認識不能な対象が含まれていると判定した場合に、過去に当該認識不能な対象が検知された際の前記ユーザによる前記情報処理システムの利用履歴に基づいて、前記認識情報として学習する内容を推定する、
    　請求項２に記載の学習装置。
  5. 　前記学習部は、
    　前記特定された情報を前記対象の異なる表現として学習することを当該ユーザが指示した場合に、当該特定された情報を当該対象の異なる表現として学習する、
    　請求項３に記載の学習装置。
  6. 　前記学習部は、
    　前記対象を別の対象に読み替えるために用いる情報として、前記認識情報を学習する、
    　請求項１に記載の学習装置。
  7. 　前記学習部は、
    　前記コマンドに認識不能な対象が含まれていると判定した場合に、過去に当該認識不能な対象が検知された際の前記ユーザによる前記情報処理システムの利用履歴に基づいて、当該対象と対応付ける前記別の対象を推定する、
    　請求項６に記載の学習装置。
  8. 　前記学習部は、
    　前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザもしくは当該ユーザとは異なる他のユーザによる前記情報処理システムの利用履歴に基づいて、当該対象と対応付ける前記別の対象を推定する、
    　請求項６に記載の学習装置。
  9. 　前記学習部は、
    　前記推定された前記別の対象を前記対象と対応付けることを前記ユーザが指示した場合に、当該推定された当該別の対象を当該対象と対応付ける、
    　請求項７に記載の学習装置。
  10. 　前記取得部は、
    　前記ユーザが入力した音声コマンドの内容を取得し、
    　前記学習部は、
    　前記音声コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象に対応する称呼を学習する、
    　請求項１に記載の学習装置。
  11. 　前記学習部は、
    　前記対象に対応する称呼として、当該称呼を示す文字列もしくは当該称呼に対応する音声データを学習する、
    　請求項１０に記載の学習装置。
  12. 　前記学習部は、
    　前記音声コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザによる発話以外の入力手段によって特定された情報を前記認識情報として学習する、
    　請求項１０に記載の学習装置。
  13. 　前記学習部は、
    　前記音声コマンドと同一のユーザインターフェイス階層において、前記ユーザによる発話以外の入力手段によって前記対象に対応する情報が特定され、かつ、当該音声コマンドと同一の実行内容が当該特定された対象に対して実行された場合に、当該対象に対応する称呼を学習する、
    　請求項１２に記載の学習装置。
  14. 　前記学習部によって認識情報が学習されたのちに、当該認識情報を認識した場合に、当該認識情報に対応する前記対象を提示する提示部、
    　をさらに備える請求項１に記載の学習装置。
  15. 　前記取得部は、
    　前記ユーザのジェスチャー、視線および脳波信号の少なくとも一つに基づく前記コマンドの内容を取得し、
    　前記学習部は、
    　前記コマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象に対応するユーザのジェスチャー、視線および脳波信号の少なくとも一つを学習する、
    　請求項１に記載の学習装置。
  16. 　コンピュータが、
    　所定の情報処理システムに対してユーザが入力したコマンドの内容を取得し、
    　前記取得したコマンドに認識不能な対象が含まれていると判定した場合に、前記ユーザの前記情報処理システムに対する操作もしくは当該情報処理システムの利用履歴に基づいて、当該対象を認識するための認識情報を学習する、
    　ことを含む学習方法。
PCT/JP2023/014652 2022-04-26 2023-04-11 学習装置および学習方法 Ceased WO2023210340A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/857,634 US20250273201A1 (en) 2022-04-26 2023-04-11 Learning device and learning method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-072408 2022-04-26
JP2022072408 2022-04-26

Publications (1)

Publication Number Publication Date
WO2023210340A1 true WO2023210340A1 (ja) 2023-11-02

Family

ID=88518403

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/014652 Ceased WO2023210340A1 (ja) 2022-04-26 2023-04-11 学習装置および学習方法

Country Status (2)

Country Link
US (1) US20250273201A1 (ja)
WO (1) WO2023210340A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001314649A (ja) * 2000-05-11 2001-11-13 Seta Corp 音声遊技方法、装置および記録媒体
JP2004147276A (ja) * 2002-08-28 2004-05-20 Yamaha Corp 端末、サーバ、データ転送方法、および、位置情報配信方法
JP2004233542A (ja) * 2003-01-29 2004-08-19 Honda Motor Co Ltd 音声認識装置
JP2012256099A (ja) * 2011-06-07 2012-12-27 Sony Corp 情報処理端末および方法、プログラム、並びに記録媒体
WO2019035373A1 (ja) * 2017-08-17 2019-02-21 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP2020086320A (ja) * 2018-11-29 2020-06-04 パナソニックＩｐマネジメント株式会社 音声操作方法、プログラム、音声操作システム、及び、移動体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10770060B2 (en) * 2013-12-05 2020-09-08 Lenovo (Singapore) Pte. Ltd. Adaptively learning vocabulary for completing speech recognition commands
US11537359B2 (en) * 2019-03-28 2022-12-27 Microsoft Technology Licensing, Llc Self-learning digital assistant
WO2021140447A1 (en) * 2020-01-06 2021-07-15 7Hugs Labs System and method for controlling a plurality of devices

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001314649A (ja) * 2000-05-11 2001-11-13 Seta Corp 音声遊技方法、装置および記録媒体
JP2004147276A (ja) * 2002-08-28 2004-05-20 Yamaha Corp 端末、サーバ、データ転送方法、および、位置情報配信方法
JP2004233542A (ja) * 2003-01-29 2004-08-19 Honda Motor Co Ltd 音声認識装置
JP2012256099A (ja) * 2011-06-07 2012-12-27 Sony Corp 情報処理端末および方法、プログラム、並びに記録媒体
WO2019035373A1 (ja) * 2017-08-17 2019-02-21 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP2020086320A (ja) * 2018-11-29 2020-06-04 パナソニックＩｐマネジメント株式会社 音声操作方法、プログラム、音声操作システム、及び、移動体

Also Published As

Publication number Publication date
US20250273201A1 (en) 2025-08-28

Similar Documents

Publication Publication Date Title
US20230053350A1 (en) Encapsulating and synchronizing state interactions between devices
KR102089487B1 (ko) 디지털 어시스턴트 서비스의 원거리 확장
US10068573B1 (en) Approaches for voice-activated audio commands
CN107577385B (zh) 媒体环境中的智能自动化助理
US20170171121A1 (en) Device and method for providing user-customized content
KR20200039030A (ko) 디지털 어시스턴트 서비스의 원거리 확장
JPWO2019098038A1 (ja) 情報処理装置、及び情報処理方法
JP7276129B2 (ja) 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム
US12265756B2 (en) Graphical interface for speech-enabled processing
JP6524242B2 (ja) 音声認識結果表示装置、音声認識結果表示方法、音声認識結果表示プログラム
JP7347217B2 (ja) 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム
US20220108693A1 (en) Response processing device and response processing method
WO2020158171A1 (ja) 応答エージェントを選択する情報処理装置
US11727085B2 (en) Device, method, and computer program for performing actions on IoT devices
EP4535194A1 (en) Determination device and determination method
WO2020026799A1 (ja) 情報処理装置、情報処理方法、およびプログラム
JPWO2019073669A1 (ja) 情報処理装置、情報処理方法、及びプログラム
WO2019235013A1 (ja) 情報処理装置および情報処理方法
CN110524547B (zh) 会话装置、机器人、会话装置控制方法以及存储介质
WO2023019517A1 (zh) 推荐指令的方法及其装置
US20250273201A1 (en) Learning device and learning method
WO2020017151A1 (ja) 情報処理装置、情報処理方法及びプログラム
JPWO2020116001A1 (ja) 情報処理装置および情報処理方法
US20200342870A1 (en) Information processing device and information processing method
JP2014109998A (ja) 対話装置及びコンピュータ対話方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23796084

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18857634

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23796084

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP

WWP Wipo information: published in national office

Ref document number: 18857634

Country of ref document: US