JP7091700B2 - 情報処理プログラム、メッセージ解析プログラム、情報処理装置及び情報処理方法 - Google Patents

Description

本発明は、情報処理プログラム、メッセージ解析プログラム、情報処理装置及び情報処理方法に関する。

例えば、Twitter等に投稿された内容を解析することで、特定の事象に関する情報を推定する事象推定システムの技術が普及している。事象推定システムでは、投稿された内容を解析して、例えば、災害に関する情報を解析することで、災害発生地域を特定できる。

特開２０１２－２４３０３２号公報

事象推定システムでは、例えば、Twitter等に投稿された内容を解析する際に、キーワードに基づいて特定の事象に関する情報を抽出することになる。しかしながら、事象推定システムでは、精度良く特定の事象に関する情報を取得するためには、特定の事象を把握するための適切なキーワードを選定する必要がある。

一つの側面では、特定の事象に関する情報を取得するのに適切なキーワードを選定できる情報処理プログラム等を提供することにある。

一つの態様では、コンピュータに、所定期間における複数の投稿に含まれる所定のワードの出現回数を特定する処理を実行させる。更に、コンピュータに、特定した前記所定のワードの出現回数が所定の回数以上である場合に、前記所定のワードを含む投稿から、前記所定のワードとは異なる１または複数のワードを抽出する処理を実行させる。コンピュータに、抽出した前記１または複数のワードそれぞれの出現回数が、前記所定期間と異なる期間における出現回数と比較して特定の閾値以上多いか否かに応じて、前記１または複数のワードを出力する処理を実行させる。

一つの側面として、特定の事象に関する情報を取得するのに適切なキーワードを選定できる。

図１は、本実施例の事象推定システムの一例を示す説明図である。 図２は、情報処理装置のハードウェア構成の一例を示す説明図である。 図３は、実施例１の情報処理装置の機能構成の一例を示す説明図である。 図４は、親キーワードを含むツイート群から子キーワードを出力する際の処理の一例を示す説明図である。 図５は、候補単語記憶部の一例を示す説明図である。 図６は、出力処理に関わる情報処理装置内の制御部の処理動作の一例を示すフロー図である。 図７は、子キーワード選定処理に関わる情報処理装置内の制御部の処理動作の一例を示すフロー図である。 図８は、実施例２の情報処理装置の機能構成の一例を示す説明図である。 図９は、鹿児島で地震が発生した際のキーワード「地震」を含むツイート群から事象に関わる単語組合せの一例を示す説明図である。 図１０は、対象条件の一例を示す説明図である。 図１１は、現在ツイート群（鹿児島で地震が発生した際のツイート群）及び比較対象ツイート群（過去の平常時の地震に関するツイート群）に関わる重要単語の一例を示す説明図である。 図１２は、鹿児島で地震が発生した際のツイート群の重要単語に関わる共起単語毎の出現回数の一例を示す説明図である。 図１３は、渋滞時のツイート群から事象推定の一例を示す説明図である。 図１４は、渋滞時のツイート群から事象推定の一例を示す説明図である。 図１５は、鹿児島で地震が発生した際のツイート群から事象推定の一例を示す説明図である。 図１６は、地震義援金を募集した際のツイート群から事象推定の一例を示す説明図である。 図１７は、北海道北見市で停電が発生した際のツイート群から事象推定の一例を示す説明図である。 図１８は、神奈川県横浜市で停電が発生した際のツイート群から事象推定の一例を示す説明図である。 図１９は、第１の推定処理に関わる情報処理装置内の制御部の処理動作の一例を示すフロー図である。 図２０は、第１の出力処理に関わる情報処理装置内の制御部の処理動作の一例を示すフロー図である。 図２１は、実施例３の情報処理装置の機能構成の一例を示す説明図である。 図２２は、鹿児島で地震が発生した際のツイート群の重要単語に関わる共起単語毎の出現回数の一例を示す説明図である。 図２３は、鹿児島で地震が発生した際のツイート群から事象推定の一例を示す説明図である。 図２４は、地震義援金を募集した際のツイート群から事象推定の一例を示す説明図である。 図２５は、北海道北見市で停電を発生した際のツイート群から事象推定の一例を示す説明図である。 図２６は、神奈川県横浜市で停電を発生した際のツイート群から事象推定の一例を示す説明図である。 図２７は、第２の推定処理に関わる情報処理装置内の制御部の処理動作の一例を示すフロー図である。 図２８は、第２の出力処理に関わる情報処理装置内の制御部の処理動作の一例を示すフロー図である。 図２９は、情報処理プログラムを実行する情報処理装置の一例を示す説明図である。

以下、図面に基づいて、本願の開示する情報処理プログラム等の実施例を詳細に説明する。尚、本実施例により、開示技術が限定されるものではない。また、以下に示す各実施例は、矛盾を起こさない範囲で適宜組み合わせても良い。

図１は、本実施例の事象推定システム１の一例を示す説明図である。図１に示す事象推定システム１は、複数の端末装置２と、情報処理装置３と、通信網４とを有する。事象推定システム１は、例えば、ツイートの内容をＡＩ(Artificial Intelligence)技術で解析し、解析結果に基づき、例えば、災害が発生している事例を推定するＳＳＳ（Social Sensor System）である。尚、事象推定システム１では、災害が発生している箇所を推定して地図上で表示するようにしても良い。複数の端末装置２は、通信網４と接続し、通信網４を通じてＳＮＳ（Social Network Service）等のサービスを享受するスマートフォン、タブレット端末やパソコン等の情報端末である。情報処理装置３は、例えば、通信網４と接続し、ＳＮＳ内のツイート内の使用キーワードから事象を推定するコンピュータである。尚、ＳＮＳは、不特定多数の利用者の投稿が読めるTwitter等の投稿サービスが望ましいが、これに限定されるものではなく、例えば、特定多数の利用者の投稿が読めるフェイスブック等の投稿サービスでも良く、適宜変更可能である。

図２は、情報処理装置３のハードウェア構成の一例を示す説明図である。図２に示す情報処理装置３は、通信装置１１と、ＨＤＤ（Hard Disk Drive）１２と、ＲＯＭ(Read Only Memory)１３と、ＲＡＭ(Random Access Memory)１４と、ＣＰＵ(Central Processing Unit)１５と、バス１６とを有する。通信装置１１は、通信網４と通信接続する装置である。ＨＤＤ１２は、各種情報を記憶する記憶領域である。ＲＯＭ１３は、各種プログラム等の情報を記憶する記憶領域である。ＲＡＭ１４は、各種情報を記憶する記憶領域である。ＣＰＵ１５は、情報処理装置３全体を制御する。バス１６は、通信装置１１、ＨＤＤ１２、ＲＯＭ１３、ＲＡＭ１４及びＣＰＵ１５との間でデータを送受信する通信線及び制御線等である。

図３は、情報処理装置３の機能構成の一例を示す説明図である。図３に示す情報処理装置３は、制御部３Ａと、記憶部３Ｂとを有する。制御部３Ａは、例えば、ＣＰＵ１５に対応する。制御部３Ａは、例えば、ＲＯＭ１３に格納された情報処理プログラムをＲＡＭ上１４に展開し、ＲＡＭ１４上に展開された情報処理プログラムを情報処理プロセスとして実行することで、例えば、特定部２１、抽出部２２、比較部２３、出力部２４及び推定部２５を機能として実行する。記憶部３Ｂは、例えば、ＨＤＤ１２、ＲＯＭ１３及びＲＡＭ１４等に対応する。記憶部３Ｂは、キーワード記憶部３１と、候補単語記憶部３２とを有する。キーワード記憶部３１は、例えば、親キーワード及び子キーワード等のキーワードを記憶する領域である。尚、親キーワードは、特定の事象を表現するツイートを抽出するための単語である。子キーワードは、親キーワードに加えて、特定の事象を表現するツイートの抽出を補助する単語である。候補単語記憶部３２は、例えば、候補単語を記憶する領域である。尚、候補単語は、子キーワード候補の単語である。

特定部２１は、単位時間当たりの親キーワードを含むツイートのツイート数をカウントし、ツイート数が平常時のツイート数のｔ倍に到達した場合にバースト発生と判定する。抽出部２２は、バースト期間中に親キーワードを含むツイート群の文書に対して形態素解析を実行し、そのツイート群を単語分割する。抽出部２２は、単語分割後、ツイート群に頻繁に出現する単語を出現回数毎にランキング化する。更に、抽出部２２は、出現回数が上位Ｎ位までの単語を候補単語として抽出し、抽出した候補単語を候補単語記憶部３２に記憶する。抽出部２２は、今回のバースト期間の候補単語である第１の候補単語と、過去Ｘ回分のバースト期間の候補単語である第２の候補単語とを候補単語記憶部３２から抽出する。

比較部２３は、第１の候補単語と第２の候補単語とを比較する。比較部２３は、第１の候補単語及び第２の候補単語の内、同一単語の候補単語が所定数Ｍ以上あるか否かを判定する。比較部２３は、同一単語の候補単語が所定数Ｍ以上ある場合、所定数Ｍ以上の候補単語を子キーワードとして選定する。

出力部２４は、選定した子キーワードを親キーワードに対応付けてキーワード記憶部３２に記憶する。推定部２５は、キーワード記憶部３２に記憶中の親キーワード及び、親キーワードに対応する子キーワードを使用してツイート群から事例の内容を推定する。

図４は、親キーワードを含むツイート群から子キーワードを出力する際の処理の一例を示す説明図である。情報処理装置３は、親キーワード「停電」を含むツイート群のバーストを検知した場合、親キーワード「停電」を含む今回のバースト期間中のツイート群と、親キーワード「停電」を含む過去のＸ回分のバースト期間中のツイート群とを比較する。情報処理装置３は、比較結果に基づき、第１の候補単語である「ブレーカ」及び第２の候補単語である「ブレーカ」が所定数Ｍ以上の候補単語と判断し、「ブレーカ」を子キーワードとして出力する。

図５は、候補単語記憶部３２の一例を示す説明図である。図５に示す候補単語記憶部３２は、親キーワードを含むツイート群のバースト期間毎に管理し、候補単語と、候補単語の出現回数とを出現回数の昇順順位に対応付けて管理している。尚、候補単語は、第１の候補単語と、第２の候補単語とを有し、第１の候補単語は、今回のバースト期間中の候補単語であって、第２の候補単語は、過去Ｘ回のバースト期間中の候補単語である。制御部３Ａは、候補単語記憶部３２を参照し、親キーワードを含むバースト期間中の候補単語及び候補単語の出現回数及び、親キーワードを含む過去のバースト期間中の候補単語及び候補単語の出現回数を認識できる。比較部２３は、図５に示す候補単語記憶部３２を参照し、例えば、「大丈夫」、「震度」及び「停電」を子キーワードとして選定する。

図６は、出力処理に関わる情報処理装置３内の制御部３Ａの処理動作の一例を示すフロー図である。図６において制御部３Ａ内の特定部２１は、ＳＮＳ内に投稿されたツイート群から親キーワードを含むツイートを一定時間毎に収集する（ステップＳ１１）。

特定部２１は、単位時間内に取得した親キーワードを含むツイート数をカウントする（ステップＳ１２）。特定部２１は、親キーワードを含むツイート数が所定回数を超えたか否かを判定する（ステップＳ１３）。尚、所定回数は、例えば、平常時のツイート数のｔ倍とする。特定部２１は、親キーワードを含むツイート数が所定回数を超えた場合（ステップＳ１３肯定）、親キーワードを含むツイート群のバースト発生と判断する（ステップＳ１４）。制御部３Ａは、バースト発生と判断した後、後述する図７に示す子キーワード選定処理を実行する（ステップＳ１５）。尚、子キーワードは、親キーワードの事象を適切に推定するためのキーワードである。制御部３Ａ内の出力部２４は、子キーワード選定処理で選定された子キーワードを出力し（ステップＳ１６）、図６に示す処理動作を終了する。制御部３Ａは、出力された子キーワードをキーワード記憶部３１に記憶する。特定部２１は、ツイート数が所定回数を超えたのでない場合（ステップＳ１３否定）、親キーワードを含むツイートを取得すべく、ステップＳ１１に移行する。

その結果、制御部３Ａ内の推定部２５は、キーワード記憶部３１に記憶中の親キーワードと、親キーワードに対応した子キーワードとを用いてツイート群から高精度に事例の内容を推定できる。

図７は、子キーワード選定処理に関わる情報処理装置３内の制御部３Ａの処理動作の一例を示すフロー図である。図７において制御部３Ａ内の抽出部２２は、バースト期間の親キーワードのツイート群を含む文書を形態素解析し（ステップＳ２１）、形態素解析後の文書を単語分割する（ステップＳ２２）。

抽出部２２は、単語毎の出現回数をカウントし（ステップＳ２３）、出現回数が上位Ｎ位までの単語を今回の候補単語として候補単語記憶部３２内に記憶する（ステップＳ２４）。尚、候補単語記憶部３２には、今回のバースト期間の候補単語の他に、過去に記憶済みの、出現回数が上位Ｎ位までの候補単語を記憶している。抽出部２２は、今回のバースト期間の候補単語を第１の候補単語として候補単語記憶部３２から抽出する（ステップＳ２５）。更に、抽出部２２は、過去のＸ回分の候補単語を第２の候補単語として候補単語記憶部３２から抽出する（ステップＳ２６）。

制御部３Ａ内の比較部２３は、第１の候補単語と第２の候補単語とを比較する（ステップＳ２７）。比較部２３は、第１の候補単語及び第２の候補単語の内、同一単語の候補単語が所定数以上あるか否かを判定する（ステップＳ２８）。比較部２３は、同一単語の候補単語が所定数以上ある場合（ステップＳ２８肯定）、所定数以上の候補単語を子キーワードとして選定し（ステップＳ２９）、図７に示す処理動作を終了する。制御部３Ａは、同一単語の候補単語が所定数以上ない場合（ステップＳ２８否定）、図７に示す処理動作を終了する。

制御部３Ａは、今回のバースト期間内の上位Ｎ位までの候補単語と、過去Ｘ回分のバースト期間内の上位Ｎ位までの候補単語とを比較するため、例えば、言葉の変化に対応可能なキーワード抽出を実現できる。尚、Ｎ、Ｘ及びＭは、事象や運用に応じて調整可能である。

実施例１の情報処理装置３は、事象を推定する上での適切な子キーワードを選定できる。更に、情報処理装置３は、出現回数が上位の候補単語は、その事象を表す単語である可能性が高いため、過去Ｘ回の事例比較で、より適切な子キーワードを選定できる。更に、情報処理装置３は、過去Ｘ回の事例比較で時代によっての変化、Twitter独特の言葉遣いへの対応が可能となる。しかも、適切なキーワードを使用して事象を推定するため、事象の推定精度の向上を図る。

実施例１の情報処理装置３では、親キーワードを含むツイート群のバースト発生と検知された場合、親キーワードを含むツイート群から候補単語を抽出する。情報処理装置３は、候補単語それぞれの出現回数が、過去Ｘ回分のバースト期間における候補単語の出現回数と比較して所定数Ｍ以上か否かに応じて、候補単語を子キーワードとして出力する。その結果、過去Ｘ回の事例比較で出現回数が上位の候補単語を、事象を推定する上での適切な子キーワードとして選定し、事象の推定性の向上を図る。

尚、上記実施例１の比較部２３は、過去Ｘ回分のバースト期間の候補単語の出現回数を比較事例としたが、過去Ｘ回分のバースト期間に限定されるものではなく、出現回数が所定数未満の過去Ｘ回分のバースト未検知の期間でも良く、適宜変更可能である。

上記実施例１の比較部２３は、第１の候補単語の出現回数及び第２の候補単語の出現回数に応じて出現回数上位の同一候補単語を子キーワードとして選定した。しかしながら、比較部２３は、過去Ｘ回分のツイート群の候補単語の出現回数に対する、今回バースト期間の候補単語の出現回数の第１の率が、過去Ｘ回分のツイート群の親キーワードの出現回数に対する今回バースト期間の親キーワードの出現回数の第２の率と一致又は類似するか否かを判定する。比較部２３は、第１の率が第２の率と一致又は類似する場合、当該候補単語を子キーワードとして出力しても良く、適宜変更可能である。

上記実施例１の比較部２３は、第１の候補単語の出現回数及び第２の候補単語の出現回数に応じて出現回数上位の同一候補単語を子キーワードとして選定した。しかしながら、第１の候補単語及び第２の候補単語の出現回数に応じて子キーワードを選定しても良い。

比較部２３は、候補単語の出現回数に応じて候補単語を出力、若しくは、候補単語の出現回数の増加傾向に応じて候補単語を出力しても良く、適宜変更可能である。

尚、上記実施例１の特定部２１は、親キーワードを含むツイート数が平常時のツイート数のｔ倍の所定回数を超えた場合に親キーワードを含むツイート群のバースト発生と判断した。しかしながら、親キーワードを含むツイート数に限定されるものではなく、親キーワードの出現回数としても良く、適宜変更可能である。

上記実施例１の事象推定システムでは、親キーワード及び子キーワードを用いてツイート群から特定の事象を推定した。しかしながら、親キーワード及び子キーワードを含むツイート群から重要単語及び共起単語を抽出、重要単語及び共起単語を用いて特定の事象を推定しても良く、その実施の形態につき、実施例２として以下に説明する。尚、実施例１の事象推定システム１と同一の構成には同一符号を付すことで、その重複する構成及び動作の説明については省略する。

図８は、実施例２の情報処理装置３の機能構成の一例を示す説明図である。図８に示す情報処理装置３は、制御部３Ｃと、記憶部３Ｄとを有する。制御部３Ｃは、例えば、ＣＰＵ１５に対応する。制御部３Ｃは、例えば、ＲＯＭ１３に格納された情報処理プログラムをＲＡＭ上１４に展開し、ＲＡＭ１４上に展開された情報処理プログラムを情報処理プロセスとして実行することで、例えば、特定部４１、抽出部４２、重要単語特定部４３、共起単語特定部４４、出力部４５及び推定部４６を機能として実行する。記憶部３Ｄは、例えば、ＨＤＤ１２、ＲＯＭ１３及びＲＡＭ１４等に対応する。

記憶部３Ｄは、キーワード記憶部５１と、重要単語記憶部５２と、共起単語記憶部５３とを有する。キーワード記憶部５１は、例えば、親キーワード及び子キーワード等のキーワードを記憶する領域である。重要単語記憶部５２は、例えば、重要単語を記憶する領域である。共起単語記憶部５３は、例えば、共起単語を記憶する領域である。

特定部４１は、キーワード等の一定の条件で一定時間毎にツイートを収集する。特定部４１は、一定条件のツイート群のバースト発生を検知する。尚、一定条件のツイート群のバースト発生とは、例えば、所定のワードが含まれるメッセージ発信の一時的な増加である。抽出部４２は、バースト期間中の現在ツイート群を含む第１の文書を取得する。更に、抽出部４２は、過去の平常時のツイート群の内、対象条件に適合した比較対象ツイート群を含む第２の文書を取得する。尚、対象条件は、例えば、日単位、時間単位、曜日単位、時間帯単位やツイート数単位でツイート群から比較対象ツイート群を抽出するための条件である。また、対象条件は、バースト期間の内外の期間の比較対象ツイート群を抽出するための条件である。日単位の抽出条件は、バーストを検知した日のツイート群と比較する場合、過去Ｄ日分のツイート群を比較対象とし、例えば、コンサートイベント等の事象を日単位で区別する場合に適している。時間単位の抽出条件は、バーストを検知した時間Ｈの過去のツイート群と比較する場合、過去Ｄ×Ｈ時間分のツイート群を比較対象とし、例えば、渋滞等の事象が時間単位で区別する場合に適している。曜日単位の抽出条件は、バーストを検知した曜日の過去のツイート群を比較対象とし、例えば、列車遅延等の曜日特性の影響が大きい事象を区別する場合に適している。時間帯単位の抽出条件は、バーストを検知した時間帯の過去のツイート群を比較対象とし、例えば、台風時の通勤状況等の時間帯の影響が大きい事象を区別する場合に適している。ツイート数単位の抽出条件は、バーストを検知した間のツイート数と同数の過去のツイート群を比較対象とし、例えば、水道管破裂等の一般的な事象ではなく、平常時は頻繁に投稿されず、十分なツイート数が得られない事象を区別する場合に適している。

重要単語特定部４３は、現在のツイート群を含む第１の文書及び比較対象ツイート群を含む第２の文書を形態素解析して単語分割する。重要単語特定部４３は、（数１）、（数２）及び（数３）を使用して、単語毎にＴＦ－ＩＤＦ値を算出する。重要単語特定部４３は、上位ＴＦ－ＩＤＦ値の単語を重要単語として重要単語記憶部５２に記憶する。

尚、（数３）に使用する単語種別の補正値は、重要単語であるにも関わらず、ＩＤＦ値が低い場合、例えば、普段から数が少ないものの、出現自体はしており、バースト時に多く出現する単語に適用する際の補正値である。補正値は、場所、固有名詞、動詞、形容詞（状態）等の知りたい情報に応じて調整しても良い。例えば、場所、固有名詞及び状態を知りたい場合は、補正値として「場所」を１、「固有名詞」を１、「動詞」を０、「形容詞」を０．５に設定する。つまり、補正値が大きくなるに連れてＴＦ－ＩＤＦ値が上位となる。

共起単語特定部４４は、現在のツイート群を含む第１の文書では、ＴＦ－ＩＤＦ値が高くなる単語ほど、その事象を表す重要な単語となる。共起単語特定部４４は、第１の文書に対して１ツイート単位でＴＦ－ＩＤＦ値上位の単語、すなわち重要単語と共起する共起単語を特定し、重要単語の共起単語の共起回数をカウントする。共起単語特定部４４は、重要単語の共起回数が上位の共起単語を共起単語記憶部５３に記憶する。

出力部４５は、重要単語記憶部５２に記憶中の重要単語と、共起単語記憶部５３に記憶中の重要単語に対応した共起単語との組合せを推定部４６に出力する。推定部４６は、重要単語及び共起単語の組合せに応じて事例を推定する。

図９は、鹿児島で地震が発生した際のキーワード「地震」を含むツイート群から事象に関わる単語組合せの一例を示す説明図である。重要単語特定部４３は、「地震」を含むツイート群からＴＦ－ＩＤＦ上位の重要単語「鹿児島」を特定する。更に、共起単語特定部４４は、「地震」を含む今回のツイート群及び、「地震」を含む過去のツイート群から重要単語「鹿児島」に共起する単語の内、出現回数上位の共起単語「震度５強」、「大きい」及び「震源地」を特定する。そして、推定部４６は、重要単語「鹿児島」、共起単語「震度５強」、「大きい」及び「震源地」の組合せで「鹿児島で震度５強の地震が発生した」との事象を推定する。

図１０は、対象条件の一例を示す説明図である。制御部３Ｃ内の抽出部４２は、過去のツイート群から時間帯単位の対象条件に適合した比較対象ツイート群を抽出する。図１０に示す対象条件は、時間帯単位の抽出条件である。抽出部４２は、今回のバースト期間のツイート群が８月３日の１０時～１８時の時間帯で対象条件が時間帯単位とした場合、例えば、過去の８月２日、８月１日、７月３１日…の１０時～１８時の時間帯のツイート群を比較対象ツイート群として過去のツイート群から抽出する。

図１１は、現在ツイート群（鹿児島で地震が発生した際のツイート群）及び比較対象ツイート群（過去の平常時の地震に関するツイート群）に関わる重要単語の一例を示す説明図である。現在ツイート群は、今回のバースト期間のツイート群であって、鹿児島で地震が発生した際のツイート群である。比較対象ツイート群は、抽出部４２で抽出した過去の平常時の地震に関するツイート群である。制御部３Ｃ内の重要単語特定部４３は、今回のツイート群の第１の文書及び比較対象ツイート群の第２の文書を形態素解析して単語分割する。更に、重要単語特定部４３は、分割単語毎にＴＦ－ＩＤＦ値を算出し、上位ＴＦ－ＩＤＦ値の単語を重要単語として抽出する。

重要単語特定部４３は、現在ツイート群及び比較対象ツイート群の上位ＴＦ－ＩＤＦの重要単語として、図１１に示すように、第１位が「鹿児島」、第２位が「停電」、第３位が「土砂崩れ」とランキング化して重要単語記憶部５２に記憶している。図１１に示す重要単語は、地震発生時に共通して現れる単語よりも、場所やその地震発生時特有の単語がＴＦ－ＩＤＦ上位に出現しやすくなる傾向にある。

図１２は、鹿児島で地震が発生した際のツイート群の重要単語に関わる共起単語毎の出現回数の一例を示す説明図である。制御部３Ｃ内の共起単語特定部４４は、今回の現在ツイート群から重要単語の共起単語を特定する。そして、共起単語特定部４４は、重要単語毎の共起単語の出現回数である共起回数をカウントする。共起単語特定部４４は、図１２に示すように、例えば、重要単語「鹿児島」の共起単語として、「震源地」の共起回数が２回、「土砂崩れ」の共起回数が２回、「停電」の共起回数が１回として共起単語記憶部５３に記憶する。

図１３は、渋滞時のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「渋滞」で、重要単語「基山」、「亀山」及び「一宮」と特定したとする。また、共起単語特定部４４は、重要単語「基山」の共起単語が「付近」、「上り」、「下り」及び「事故」、重要単語「亀山」の共起単語が「付近」、「ＩＣ」、「上り」及び「下り」、重要単語「一宮」の共起単語が「付近」、「ＩＣ」及び「上り」と特定したとする。推定部４６は、これら重要単語及び共起単語の組合せから「基山、亀山で上り下り渋滞、一宮で上り渋滞、また、事故が発生」との事例を推定できる。

図１４は、渋滞時のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「渋滞」で、重要単語が「アクアライン」、「木更津」及び「帰宅」と特定したとする。更に、共起単語特定部４４は、重要単語「アクアライン」の共起単語が「時間」、「上り」及び「帰り」、重要単語「木更津」の共起単語が「上り」、「ＩＣ」及び「付近」、重要単語「帰宅」の共起単語が「時間」と特定したとする。推定部４６は、これら重要単語及び共起単語の組合せから「アクアライン上り、木更津付近で、帰宅時間に渋滞が発生」との事例を推定できる。

図１５は、鹿児島で地震が発生した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「地震」、重要単語が「鹿児島」、「停電」、「土砂崩れ」及び「雨」と特定したとする。更に、共起単語特定部４４は、重要単語「鹿児島」の共起単語が「震度」、「九州」、「大丈夫」、「心配」、「停電」及び「震源」、重要単語「停電」の共起単語が「鹿児島」、「九州」及び「南」と特定したとする。更に、共起単語特定部４４は、重要単語「土砂崩れ」の共起単語が「九州」、「鹿児島」及び「心配」、重要単語「雨」の共起単語が「九州」、「大丈夫」、「鹿児島」及び「 心配」と特定したとする。推定部４６は、これら重要単語及び共起単語の組合せから「鹿児島を震源とした地震が発生、停電も発生、雨も重なり土砂崩れの心配」との事例を推定できる。

図１６は、地震義援金を募集した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「地震」、重要単語が「スマ」、「支援」、「義援金」及び「応援」と特定したとする。更に、共起単語特定部４４は、重要単語「スマ」の共起単語が「復興」、「地震」、「東日本」、「熊本」及び「大震災」、重要単語の「支援」が「復興」、「東日本」、「大震災」、「熊本」及び「地震」と仮定する。更に、重要単語「義援金」の共起単語が「復興」、「熊本」、「地震」、「東日本」及び「お願い」、重要単語「応援」の共起単語が「復興」、「 大震災」、「東日本」、「熊本」及び「地震」と特定したとする。推定部４６は、これら重要単語及び共起単語の組合せから「地震が発生したわけではなく、熊本・東日本における震災に対する支援」との事例を推定できる。

図１７は、北海道北見市で停電を発生した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「停電」、重要単語が「雷」、「北見」、「一瞬」及び「信号」と特定したとする。更に、共起単語特定部４４は、重要単語「雷」の共起単語が「笑」及び、「北見」、重要単語「北見」の共起単語が「市」、「情報」及び「笑」、重要単語「一瞬」の共起単語が「雷」、「 笑」及び「電気」、重要単語「信号」の共起単語が「電気」、「中」、「家」及び「復活」と特定したとする。推定部４６は、これら重要単語及び共起単語の組合せから「北海道北見市で雷が原因の停電が発生し、瞬間的な停電で、信号等も影響を受けた」との事例を推定できる。

図１８は、神奈川県横浜市で停電を発生した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「停電」、重要単語が「中」、「横浜」及び「うち」と特定したとする。更に、共起単語特定部４４は、重要単語「中」の共起単語が「市」、「区」及び「横浜」、重要単語「横浜」の共起単語が「中」、「市」及び「区」、重要単語「うち」の共起単語が「近所」及び「一帯」と特定したとする。推定部４６は、重要単語及び共起単語の組合せから「横浜市中区で停電が発生」との事例を推定できる。

図１９は、第１の推定処理に関わる情報処理装置３内の制御部３Ｃの処理動作の一例を示すフロー図である。図１９において制御部３Ｃ内の特定部４１は、ＳＮＳに投稿されたツイートから一定条件のツイートを収集する（ステップＳ３１）。特定部４１は、単位時間内の一定条件のツイート数をカウントする（ステップＳ３２）。特定部４１は、一定条件のツイート数が所定回数を超えたか否かを判定する（ステップＳ３３）。尚、所定回数は、例えば、平常時のツイート数のｔ倍とする。特定部４１は、一定条件のツイート数が所定回数を超えた場合（ステップＳ３３肯定）、メッセージ発信の一時的な増加、すなわち一定条件のツイート群のバートス発生と判断する（ステップＳ３４）。制御部３Ｃは、図２０に示す第１の出力処理を実行する（ステップＳ３５）。

制御部３Ｃ内の推定部４６は、第１の出力処理を実行した後、重要単語と共起単語との組み合わせに応じて事象を推定し（ステップＳ３６）、図１９に示す処理動作を終了する。推定部４６は、一定条件のツイート数が所定回数を超えなかった場合（ステップＳ３３否定）、一定条件のツイートを取得すべく、ステップＳ３１に移行する。

図２０は、第１の出力処理に関わる情報処理装置３内の制御部３Ｃの処理動作の一例を示すフロー図である。図２０において制御部３Ｃ内の抽出部４２は、バースト期間中の現在ツイート群を含む第１の文書を取得する（ステップＳ４１）。抽出部４２は、過去の平常時のツイート群の内、対象条件に適合した比較対象ツイート群を含む第２の文書を取得する（ステップＳ４２）。

制御部３Ｃ内の重要単語特定部４３は、第１の文書及び第２の文書の形態素解析で単語分割し（ステップＳ４３）、単語毎にＴＦ－ＩＤＦ値を算出する（ステップＳ４４）。重要単語特定部４３は、単語毎のＴＦ－ＩＤＦ値が上位Ｎ位までの単語を重要単語として特定する（ステップＳ４５）。尚、重要単語特定部４３は、特定した重要単語を重要単語記憶部５２に記憶する。

制御部３Ｃ内の共起単語特定部４４は、重要単語毎に共起する単語を共起単語として特定し、共起単語毎の共起回数をカウントする（ステップＳ４６）。尚、共起単語は、例えば、重要単語に共起した名詞単語である。共起単語特定部４４は、特定した共起単語を共起単語記憶部５３に記憶する。

制御部３Ｃ内の出力部４５は、重要単語の共起単語の内、共起回数が昇順で上位Ｎ位までの共起単語を重要単語と組み合わせて出力し（ステップＳ４７）、図２０に示す処理動作を終了する。

実施例２の情報処理装置３は、事象特有の重要単語を特定すると共に、他の同条件で取得した比較対象ツイート群と比較して、その事象発生時に特に顕著に現れた共起単語を特定する。情報処理装置３は、重要単語と同時に呟かれた回数が多い共起単語との組合せに応じて事象を推定する。その結果、事象特有の現象及び原因の要点を把握できる。

情報処理装置３は、重要単語が含まれるメッセージ発信の一時的な増加を検知すると、該一時的な増加に対応する期間に発信されたメッセージについて重要単語と共起する共起単語を抽出する。情報処理装置３は、重要単語及び共起単語の組合せを出力し、これら重要単語及び共起単語に応じて事象を推定する。その結果、事象特有の現象及び原因の要点を把握できる。

尚、上記実施例２の情報処理装置３では、重要単語毎に共起する共起単語を名詞で例示したが、これに限定されるものではなく、例えば、共起単語が形容詞であっても良く、その実施の形態につき、実施例３として以下に説明する。

図２１は、実施例３の情報処理装置３の機能構成の一例を示す説明図である。尚、実施例２の情報処理装置３と同一の構成には同一符号を付すことで、その重複する構成及び動作の説明については省略する。

図２１に示す情報処理装置３は、制御部３Ｅと、記憶部３Ｆとを有する。制御部３Ｅは、例えば、ＣＰＵ１５に対応する。制御部３Ｅは、例えば、ＲＯＭ１３に格納された情報処理プログラムをＲＡＭ上１４に展開し、ＲＡＭ１４上に展開された情報処理プログラムを情報処理プロセスとして実行することで、例えば、特定部４１、抽出部４２、重要単語特定部４３、共起単語特定部４４Ａ、出力部４５及び推定部４６を機能として実行する。記憶部３Ｆは、例えば、ＨＤＤ１２、ＲＯＭ１３及びＲＡＭ１４等に対応する。

記憶部３Ｆは、キーワード記憶部５１と、重要単語記憶部５２と、共起単語記憶部５３とを有する。キーワード記憶部５１は、例えば、親キーワード及び子キーワード等のキーワードを記憶する領域である。重要単語記憶部５２は、例えば、重要単語を記憶する領域である。共起単語記憶部５３は、例えば、形容詞の共起単語を記憶する領域である。

共起単語特定部４４Ａは、重要単語に共起する単語の内、形容詞の共起単語を特定する。共起単語特定部４４は、形容詞の共起単語の内、共起回数が上位の共起単語を共起単語記憶部５３に記憶する。

図２２は、鹿児島で地震が発生した際のツイート群の重要単語に関わる共起単語毎の出現回数の一例を示す説明図である。共起単語特定部４４Ａは、今回の現在ツイート群から重要単語の形容詞の共起単語を特定する。そして、共起単語特定部４４Ａは、重要単語毎の共起単語の共起回数をカウントする。共起単語特定部４４Ａは、図２２に示すように、例えば、重要単語「鹿児島」の共起単語として、「大きい」の共起回数が２回、「怖い」の共起回数が２回、「多い」の共起回数が１回として共起単語記憶部５３に記憶する。

図２３は、鹿児島で地震が発生した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「地震」、重要単語が「鹿児島」、「最近」及び「停電」と特定したとする。更に、共起単語特定部４４Ａは、重要単語「鹿児島」の共起単語が「大きい」、「多い」、「強い」及び「怖い」、重要単語「最近」の共起単語が「多い」、「怖い」及び「大きい」、重要単語「停電」の共起単語が「暑い」と特定したとする。推定部４６は、これらの重要単語及び共起単語の組合せから「鹿児島で大きい地震が最近多発して停電で暑くなっている」との事例を推定できる。

図２４は、地震義援金を募集した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「地震」、重要単語が「復興」、「熊本」、「東日本」及び「支援」と特定したとする。更に、共起単語特定部４４Ａは、重要単語「復興」の共起単語が「宜しく」、「温かい」及び「深」、重要単語「熊本」の共起単語が「宜しく」、「温かい」及び「暖かい」、重要単語「東日本」の共起単語が「宜しく」、「温かい」及び「詳しく」、重要単語「支援」の共起単語が「宜しく」、「温かい」及び「暖かい」と特定したとする。推定部４６は、重要単語及び共起単語の組合せから「地震が発生したわけではなく、熊本と東日本の地震に関しての温かい支援をお願いしている」との事例を推定できる。

図２５は、北海道北見市で停電を発生した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「停電」、重要単語が「雷」、「雨」及び「北見」と特定したとする。更に、共起単語特定部４４Ａは、重要単語「雷」の共起単語が「すごい」、「やばい」及び「怖い」、重要単語「雨」の共起単語が「すごい」、「やばい」及び「怖い」、重要単語「北見」の共起単語が「広い」、「危ない」及び「幅広い」と特定したとする。推定部４６は、重要単語及び共起単語の組合せから「雷が原因で停電が発生し、雨も降っており、北見市の広い範囲で停電している」との事例を推定できる。

図２６は、神奈川県横浜市で停電を発生した際のツイート群から事象推定の一例を示す説明図である。重要単語特定部４３は、キーワードが「停電」、重要単語が「横浜」及び「情報」と特定したとする。更に、共起単語特定部４４Ａは、重要単語「横浜」の共起単語が「珍しい」及び「恐ろし」、重要単語「情報」の共起単語が「なし」と特定したとする。推定部４６は、重要単語及び共起単語の組合せから「横浜市で珍しく停電が発生し、情報が無い」との事例を推定する。

図２７は、第２の推定処理に関わる情報処理装置３内の制御部３Ｅの処理動作の一例を示すフロー図である。図２７において制御部３Ｅは、ステップＳ３４にて一定条件のツイート群のバートス発生と判断した後、図２８に示す第２の出力処理を実行する（ステップＳ３５Ａ）。推定部４６は、第２の出力処理を実行した後、重要単語と共起単語（形容詞）との組み合わせに応じて事象を推定し（ステップＳ３６Ａ）、図２７に示す処理動作を終了する。尚、共起単語は、例えば、形容詞である。

図２８は、第２の出力処理に関わる情報処理装置３内の制御部３Ｅの処理動作の一例を示すフロー図である。図２８において制御部３Ｅ内の重要単語特定部４３は、ステップＳ４５にて単語毎のＴＦ－ＩＤＦから上位ＴＦ－ＩＤＦ値の単語を重要単語として抽出する。制御部３Ｅ内の共起単語特定部４４Ａは、重要単語毎に共起する形容詞の共起単語の共起回数をカウントする（ステップＳ４６Ａ）。尚、共起単語は、例えば、形容詞である。

出力部４５は、重要単語の共起単語の内、共起回数が昇順で上位Ｎ位までの形容詞の共起単語を重要単語と組み合わせて出力し（ステップＳ４７Ａ）、図２８に示す処理動作を終了する。

情報処理装置３は、事象特有の重要単語を特定すると共に、他の同条件で取得した比較対象ツイート群と比較して、その事象発生時に特に顕著に現れた形容詞の共起単語を特定する。情報処理装置３は、重要単語と同時に呟かれた回数が多い形容詞の共起単語との組合せに応じて事象を推定する。その結果、事象特有の現象及び原因の要点を把握できる。

情報処理装置３は、重要単語が含まれるツイート発信の一時的な増加を検知すると、該一時的な増加に対応する期間に発信されたツイートについて重要単語と共起する形容詞の共起単語を特定する。情報処理装置３は、特定された形容詞の共起単語を含む期間の内外におけるツイートの発信状況に基づいて期間を評価する。その結果、重要単語及び形容詞の共起単語に応じて今回のツイート群の期間を評価できる。事象毎に頻出する形容詞に応じて言葉の変化を登録できる。

また、図示した各部の各構成要素は、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、各部の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。

更に、各装置で行われる各種処理機能は、ＣＰＵ（Central Processing Unit）（又はＭＰＵ（Micro Processing Unit）、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部又は任意の一部を実行するようにしても良い。また、各種処理機能は、ＣＰＵ（又はＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行するプログラム上、又はワイヤードロジックによるハードウェア上で、その全部又は任意の一部を実行するようにしても良いことは言うまでもない。

ところで、本実施例で説明した各種の処理は、予め用意されたプログラムを情報処理装置で実行することで実現できる。そこで、以下では、上記実施例と同様の機能を有するプログラムを実行する情報処理装置の一例を説明する。図２９は、情報処理プログラムを実行する情報処理装置の一例を示す説明図である。

図２９に示す情報処理プログラムを実行する情報処理装置１００では、通信装置１１０と、表示装置１２０と、操作装置１３０と、ＨＤＤ１４０と、ＲＯＭ１５０と、ＲＡＭ１６０と、ＣＰＵ１７０と、バス１８０とを有する。通信装置１１０は、図示せぬ通信網と接続し、通信網内のＳＮＳの投稿を収集する。

そして、ＲＯＭ１５０には、上記実施例と同様の機能を発揮する情報処理プログラムが予め記憶されている。尚、情報処理プログラムは、必ずしも最初からＲＯＭ１５０に記憶させておかなくても良く、図示せぬドライブで読取可能な記録媒体に情報処理プログラムが記録されていても良い。また、記録媒体としては、例えば、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＤＶＤディスク、ＵＳＢメモリ、ＳＤカードやＩＣカード等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ等でも良い。情報処理装置１００が記録媒体に記憶中の情報処理プログラムを読み出して実行するようにしても良い。また、情報処理プログラムとしては、図２９に示すように、特定プログラム１５０Ａ、抽出プログラム１５０Ｂ、比較プログラム１５０Ｃ及び出力プログラム１５０Ｄが含まれる。尚、プログラム１５０Ａ～１５０Ｄについては、適宜統合又は分散しても良い。

そして、ＣＰＵ１７０は、これらのプログラム１５０Ａ～１５０ＤをＲＯＭ１５０から読み出し、これら読み出された各プログラムをＲＡＭ１６０のワークエリア上に展開する。そして、ＲＡＭ１６０は、展開した各プログラム１５０Ａ～１５０Ｄを、特定プロセス１６０Ａ、抽出プロセス１６０Ｂ、比較プロセス１６０Ｃ及び出力プロセス１６０Ｄとして機能する。

ＣＰＵ１７０は、所定期間における複数の投稿に含まれる所定のワードの出現回数を特定する。ＣＰＵ１７０は、特定した所定のワードの出現回数が所定の回数以上である場合に、所定のワードを含む投稿から、所定のワードとは異なる１または複数のワードを抽出する。ＣＰＵ１７０は、抽出した１または複数のワードそれぞれの出現回数が、所定期間と異なる期間における出現回数と比較して特定の閾値以上多いか否かに応じて、１または複数のワードを出力する。その結果、特定の事象に関する情報を取得するのに適切なキーワードを選定できる。

１ 事象推定システム
３ 情報処理装置
２１ 特定部
２２ 抽出部
２３ 比較部
２４ 出力部
４１ 特定部
４２ 抽出部
４３ 重要単語特定部
４４ 共起単語特定部
４４Ａ 共起単語特定部
４５ 出力部

Claims (10)

1. 所定期間における複数の投稿に含まれる、特定の事象に関する所定のワードの出現回数を特定し、
   特定した前記所定のワードの出現回数が所定の回数以上である場合に、前記所定のワードを含む投稿から、前記所定のワードとは異なり、かつ、前記所定のワードを共起する、１または複数の共起ワードを抽出し、
   抽出した前記１または複数の共起ワードそれぞれの出現回数が、前記所定期間と異なる期間における出現回数と比較して特定の閾値以上多いか否かに応じて、前記１または複数の共起ワードを出力し、
   前記所定のワード及び、前記出力された前記１または複数の共起ワードを用いて前記特定の事象を推定する
   処理をコンピュータに実行させることを特徴とする情報処理プログラム。
2. 前記所定期間と異なる期間は、前記特定した前記所定のワードの出現回数が所定の回数未満である期間であることを特徴とする請求項１に記載の情報処理プログラム。
3. 前記１または複数の共起ワードを出現回数に応じて出力する
   処理をコンピュータに実行させることを特徴とする請求項１又は２に記載の情報処理プログラム。
4. 前記１または複数の共起ワードを出現回数の増加傾向に応じて出力する
   処理をコンピュータに実行させることを特徴とする請求項１又は２に記載の情報処理プログラム。
5. 前記１または複数の共起ワードそれぞれを含む投稿に含まれる前記１又は複数の共起ワードと異なるワードの出現回数に応じて、該異なるワードを出力する
   処理をコンピュータに実行させることを特徴とする請求項１乃至４のいずれか一項に記載の情報処理プログラム。
6. 所定期間における複数の投稿に含まれる、特定の事象に関する所定のワードの出現回数を特定し、
   特定した前記所定のワードの出現回数が所定の回数以上である場合に、前記所定のワードを含む投稿から、前記所定のワードとは異なる１または複数のワードを抽出し、
   前記所定期間と異なる期間における前記１または複数のワードの出現回数に対する、前記所定期間における前記１または複数のワードそれぞれの出現回数の率が、前記所定期間と異なる期間における前記所定のワードの出現回数に対する前記所定期間における前記所定のワードの出現回数の率と一致又は類似する場合に、前記１または複数のワードを出力し、
   前記所定のワード及び、前記出力された前記１または複数のワードを用いて前記特定の事象を推定する
   処理をコンピュータに実行させることを特徴とする情報処理プログラム。
7. 特定の事象に関する所定のワードが含まれるメッセージ発信の一時的な増加を検知すると、該一時的な増加に対応する期間に発信されたメッセージについて前記所定のワードと、前記所定のワードを共起する共起ワードを抽出し、
   前記所定のワードと、抽出した該共起ワードとを出力し、
   前記所定のワード及び、前記出力された前記共起ワードを用いて前記特定の事象を推定する
   処理をコンピュータに実行させることを特徴とするメッセージ解析プログラム。
8. 特定の事象に関する所定のワードが含まれるメッセージ発信の一時的な増加を検知すると、該一時的な増加に対応する期間に発信されたメッセージについて前記所定のワードと、前記所定のワードを共起する共起ワードであって、形容詞である共起ワードを抽出し、
   抽出した前記形容詞である共起ワードが含まれる前記期間の内外におけるメッセージの発信状況に基づいて前記期間を評価し、
   前記所定のワード及び、前記共起ワードを用いて前記特定の事象を推定する
   処理をコンピュータに実行させることを特徴とするメッセージ解析プログラム。
9. 所定期間における複数の投稿に含まれる、特定の事象に関する所定のワードの出現回数を特定する特定部と、
   特定した前記所定のワードの出現回数が所定の回数以上である場合に、前記所定のワードを含む投稿から、前記所定のワードとは異なり、かつ、前記所定のワードを共起する、１または複数の共起ワードを抽出する抽出部と、
   抽出した前記１または複数の共起ワードそれぞれの出現回数が、前記所定期間と異なる期間における出現回数と比較して特定の閾値以上多いか否かに応じて、前記１または複数の共起ワードを出力する出力部と、
   前記所定のワード及び、前記出力された前記１または複数の共起ワードを用いて前記特定の事象を推定する推定部と、
   を有することを特徴とする情報処理装置。
10. コンピュータが、
    所定期間における複数の投稿に含まれる、特定の事象に関する所定のワードの出現回数を特定し、
    特定した前記所定のワードの出現回数が所定の回数以上である場合に、前記所定のワードを含む投稿から、前記所定のワードとは異なり、かつ、前記所定のワードを共起する１または複数の共起ワードを抽出し、
    抽出した前記１または複数の共起ワードそれぞれの出現回数が、前記所定期間と異なる期間における出現回数と比較して特定の閾値以上多いか否かに応じて、前記１または複数の共起ワードを出力し、
    前記所定のワード及び、前記出力された前記１または複数の共起ワードを用いて前記特定の事象を推定する
    処理を実行することを特徴とする情報処理方法。

Images