JP7291347B2 - 図面検索装置、モデル生成装置、図面検索方法、およびモデル生成方法 - Google Patents

Description

本発明は、図面検索装置に関する。

例えば、プラントエンジニアリング分野では、大量の図面（例：過去図面）の取り扱いが必要となる。このため、大量の図面から、所望の図面を効率的に検索するための技術が要求されている。

一例として、特許文献１には、図面検索システム（図面管理システム）のユーザインターフェースに関する技術が開示されている。特許文献１の図面検索システムは、ユーザによる機器名および図面の種別名のそれぞれの選択操作を受け付け、当該選択操作に応じた図面群を検索する。

特開２００３－９９４８４号公報

特許文献１の図面検索システムによれば、ユーザに検索ワードの入力を行わせることなく、上記選択操作に応じた検索結果（図面群）を提示できる。しかしながら、後述するように、特許文献１の図面検索システムでは、ターゲット図面に対応する所望の図面（例：ターゲット図面との関連性が高いと考えられる特定の図面）を、検索結果から迅速に発見することは、ユーザにとって必ずしも容易ではない。

このように、従来の図面検索技術では、ユーザの利便性を高めるための工夫について、なお改善の余地がある。本発明の一態様は、図面検索におけるユーザの利便性を従来よりも高めることを目的とする。

上記の課題を解決するために、本発明の一態様に係る図面検索装置は、複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索する図面検索装置であって、上記複数の検索対象図面は、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータに基づき、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに予め分類されており、上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルが予め生成されており、上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連したターゲット図面内容パラメータを取得するターゲット図面内容パラメータ取得部と、上記ターゲット図面内容パラメータに基づき、上記Ｐ個のグループの内、上記ターゲット図面との関連性が最も高いグループである特定グループを選択するグループ選択部と、（ｉ）上記Ｐ個の学習モデルの内、上記特定グループに対応する学習モデルである特定学習モデルに、上記ターゲット図面内容パラメータを入力し、かつ、（ｉｉ）上記ターゲット図面内容パラメータに応じた上記特定学習モデルの出力に基づき、上記少なくとも１つの図面を検索する検索部と、を備えている。

また、上記の課題を解決するために、本発明の一態様に係るモデル生成装置は、複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索するための学習モデルを生成するモデル生成装置であって、上記複数の検索対象図面を解析することにより、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータを取得する、検索対象図面内容パラメータ取得部と、上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記複数の検索対象図面を、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに分類するグループ分類部と、上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルを生成する学習部と、を備えている。

また、上記の課題を解決するために、本発明の一態様に係る図面検索方法は、複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索する図面検索方法であって、上記複数の検索対象図面は、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータに基づき、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに予め分類されており、上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルが予め生成されており、上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連したターゲット図面内容パラメータを取得するターゲット図面内容パラメータ取得工程と、上記ターゲット図面内容パラメータに基づき、上記Ｐ個のグループの内、上記ターゲット図面との関連性が最も高いグループである特定グループを選択するグループ選択工程と、（ｉ）上記Ｐ個の学習モデルの内、上記特定グループに対応する学習モデルである特定学習モデルに、上記ターゲット図面内容パラメータを入力し、かつ、（ｉｉ）上記ターゲット図面内容パラメータに応じた上記特定学習モデルの出力に基づき、上記少なくとも１つの図面を検索する検索工程と、を含んでいる。

また、上記の課題を解決するために、本発明の一態様に係るモデル生成方法は、複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索するための学習モデルを生成するモデル生成方法であって、上記複数の検索対象図面を解析することにより、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータを取得する、検索対象図面内容パラメータ取得工程と、上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記複数の検索対象図面を、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに分類するグループ分類工程と、上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルを生成する学習工程と、を含んでいる。

本発明の一態様によれば、図面検索におけるユーザの利便性を従来よりも高めることができる。

参考形態の情報処理システムの要部の構成を示すブロック図である。 参考形態における第１参考テーブルの一例を示す図である。 過去図面に対する特定文字列抽出処理の一例を示す図である。 参考形態における第２参考テーブルの一例を示す図である。 参考形態における第３参考テーブルの一例を示す図である。 新規図面に対する特定文字列抽出処理の一例を示す図である。 参考形態における関連性スコアの導出例について説明する図である。 参考形態における図面検索結果の一例を示す図である。 実施形態１の情報処理システムの要部の構成を示すブロック図である。 実施形態１における第１テーブルの一例を示す図である。 実施形態１における、過去図面内容パラメータに基づく各過去図面の分類結果の一例を示す図である。 実施形態１における第２テーブルの一例を示す図である。 実施形態１における第３テーブルの一例を示す図である。 実施形態１における、特定グループ（最近接グループ）の選択結果の一例を示す図である。 実施形態１における関連性スコアの導出例について説明する図である。 実施形態１における図面検索結果の一例を示す図である。

〔参考形態〕
実施形態１の情報処理システム１００の説明に先立ち、参考形態としての情報処理システム１００ｓについて述べる。説明の便宜上、参考形態にて説明した部材と同じ機能を有する部材については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。また、簡潔化のため、公知技術と同様の事項についても、説明を適宜省略する。

本明細書において以下に述べる各数値は、単なる一例であることに留意されたい。本明細書では、２つの数ＡおよびＢについての「Ａ～Ｂ」という記載は、特に明示されない限り、「Ａ以上かつＢ以下」を意味するものとする。

（情報処理システム１００ｓの概要）
図１は、情報処理システム１００ｓの要部の構成を示すブロック図である。情報処理システム１００ｓは、情報処理装置１ｓ、過去物件図面ＤＢ（Database）９１ｓ、および新規物件図面ＤＢ９２を備える。

情報処理装置１ｓは、制御装置１０ｓ、入力部７１、表示部７２、および記憶部８０を備える。制御装置１０ｓは、学習装置１１ｓおよび図面検索装置１２ｓを備える。本明細書の「物件」とは、例えば、プラントエンジニアリングにおける「サイト」を意味する。

情報処理装置１ｓは、過去物件図面ＤＢ９１ｓおよび新規物件図面ＤＢ９２と通信可能に接続されていればよい。このため、図１の例とは異なり、情報処理装置１ｓの内部に、過去物件図面ＤＢ９１ｓおよび新規物件図面ＤＢ９２の少なくとも一方が設けられていてもよい。

情報処理装置１ｓ（より具体的には、制御装置１０ｓ）による検索対象となる図面（検索対象図面）には、例えば、仕様図面、設計図面、および製作図面が含まれる。また、検索対象図面には、仕様書、設計書、および、見積書が含まれていてもよい。このように、検索対象図面は、「図面」という名称が含まれている書面に限定されない。一例として、検索対象図面には、プラントエンジニアリング分野におけるプロジェクトの計画に関する任意の種類の書面が含まれる。

制御装置１０ｓは、情報処理装置１ｓの各部を統括的に制御する。記憶部８０は、制御装置１０ｓの処理に用いられる各種のデータおよびプログラムを格納する。以下に述べるように、制御装置１０ｓは、機械学習を利用して、複数の検索対象図面（例：過去図面ａ１～ＭＮ）から、ターゲット図面（例：図面ＮＤ）に対応する少なくとも１つの図面を検索する。

入力部７１は、ユーザの操作（ユーザ操作）を受け付ける。表示部７２は、各種のデータを表示する。一例として、表示部７２には、制御装置１０ｓによる検索結果を示すデータが表示されてよい。なお、入力部７１と表示部７２とは、一体として設けられてもよい。例えば、タッチパネルを用いることにより、入力部７１と表示部７２とを一体化できる。

（過去物件図面ＤＢ９１ｓ）
過去物件図面ＤＢ９１ｓには、過去の各物件（既設の各物件）に関する各図面（厳密には、図面データ）が格納されている。以下の説明では、「図面Ａ（ある図面）の図面データ」を、単に「図面Ａ」と適宜略称する。また、「図面Ａの図面番号」を、単に「図面Ａ」と適宜略称する。

参考形態では、過去物件図面ＤＢ９１ｓには、複数のＭ個の異なる物件のそれぞれについての各図面が格納されている。Ｍは、１以上の整数である。以下、ｊ番目の物件を、「物件ｊ」とも称する。ｊは、１以上かつＭ以下の整数である。

また、過去物件図面ＤＢ９１ｓには、物件１～Ｍのそれぞれについて、Ｎ個（Ｎ種類）の異なる図面が格納されている。Ｎは、１以上の整数である。以下、物件ｊにおけるｉ番目の図面を、「図面（ｉ，ｊ）」とも称する。また、各物件におけるｉ番目（ｉ種類目）の図面を、総称的に図面ｉとも称する。ｉは、１以上かつＮ以下の整数である。

以上のように、過去物件図面ＤＢ９１ｓには、合計でＴ個の図面が格納されている。参考形態の例では、Ｔ＝Ｍ×Ｎである。Ｔは、２以上の整数であるものとする。つまり、ＭおよびＮの少なくとも１つは、１以上であるものとする。

具体的には、過去物件図面ＤＢ９１ｓでは、図２に示す第１参考テーブルＴＢ１ｓの形態で、各種類の図面番号が物件番号毎にリスト化されている。以下、第１参考テーブルＴＢ１ｓを、「ＴＢ１ｓ」とも略記する。その他の要素についても、適宜同様に略記する。ＴＢ１ｓは、「物件別ソート済の過去物件・図面対応テーブル」とも称される。ＴＢ１ｓのｉ行ｊ列目のセルは、図面（ｉ，ｊ）の図面番号を示す。

図２の例では、便宜上、物件１～３をそれぞれ、物件Ａ～Ｃとも表記する。図２の例では、１種類目の図面（図面１）は外形図であり、２種類目の図面（図面２）は組立図であり、３種類目の図面（図面３）は基礎図である。また、Ｎ種類目の図面（図面Ｎ）は構成図である。

以下では、簡単のため、図２の例における図面（１，１）～（Ｎ，１）（すなわち、物件ＡにおけるＮ種類のそれぞれの図面）を、図面ａ１～ａＮとも表記する。例えば、図２の例における図面ａ１～ａＮはそれぞれ、物件Ａの外形図～構成図を指す。その他の物件における各図面についても、同様に表記する。

以上のように、過去物件図面ＤＢ９１ｓには、図面ａ１から図面ＭＮまでの、合計Ｔ個の図面が格納されている。以下、図面ａ１～ＭＮを総称的に、過去図面とも称する。過去図面は、検索対象図面の一例である。このため、図面ａ１～ＭＮは、検索対象図面群とも称される。

また、本明細書では、複数の過去図面（検索対象図面）のうちの任意の１つの図面を、候補図面とも称する。一例として、図面ａ１（物件Ａの外形図）を候補図面とした場合の、各処理について主に例示する。その他の図面に対する処理については、適宜説明を省略するが、図面ａ１の場合と同様である。

（学習装置１１ｓ）
学習装置１１ｓは、過去図面データ取得部１１１、過去図面データ前処理部１１２（候補図面内容パラメータ取得部，検索対象図面内容パラメータ取得部）、および学習モデル生成部１１３ｓを備える。学習装置１１ｓは、図面ａ１～ＭＮに基づき、図面検索装置１２ｓによる図面検索のための学習モデルを生成する。このことから、学習装置１１ｓは、モデル生成装置と称されてもよい。以下、学習装置１１ｓの処理の流れの一例について述べる。

（候補図面の取得）
過去物件図面ＤＢ９１ｓでは、ＴＢ１ｓに従って、図面ａ１～ＭＮが、図面種類別に予めソートされている。従って、例えば、過去図面データ取得部１１１は、「図面ａ１→ｂ１→…→Ｍ１」の順に、各外形図を過去物件図面ＤＢ９１ｓから取得する。続いて、過去図面データ取得部１１１は、「図面ａ２→ｂ２→…→Ｍ２」の順に、各組立図を過去物件図面ＤＢ９１ｓから取得する。そして、最終的には、過去図面データ取得部１１１は、「図面ａＮ→ｂＮ→…→ＭＮ」の順に、各構成図を過去物件図面ＤＢ９１ｓから取得する。

上記の例の場合、過去図面データ取得部１１１は、はじめにＴＢ１ｓの１行１列目のセルを参照する。そして、過去図面データ取得部１１１は、上記セルに対応する図面（１，１）、すなわち図面ａ１を、過去物件図面ＤＢ９１ｓから取得する。過去図面データ取得部１１１は、取得した図面ａ１を、過去図面データ前処理部１１２に供給する。

（候補図面に対応する前処理データの生成）
過去図面データ前処理部１１２は、図面ａ１を解析することにより、当該図面ａ１に対応する前処理データを生成する。一例として、過去図面データ前処理部１１２は、図面ａ１にＯＣＲ処理を施し、ＯＣＲ処理後データを生成する。ＯＣＲ処理後データでは、図面ａ１において画像データとして表現されていた各文字が、文字コードへと変換されている。

そして、過去図面データ前処理部１１２は、ＯＣＲ処理後データから、各図面について予め設定された特定の文字列（ストリング）を抽出（検出）する。以下、当該特定の文字列を、特定文字列と称する。実施形態１では、Ｌ個（Ｌは２以上の整数）の異なる特定文字列が、予め設定されているものとする。

以下では、ｋ番目の特定文字列を、第ｋ特定文字列と称する。ｋは、１以上かつＬ以下の整数である。以下の説明では、第１特定文字列が「電圧値」、第２特定文字列が「電流値」、第３特定文字列が「ＯＲ」、第Ｌ特定文字列が「開」として設定されている場合について、例示する。

但し、特定文字列は、上記の例に限定されない。特定文字列は、例えばエンジニアリング分野の図面中において、製品の仕様情報（技術情報）を説明するために、一般的に用いられている単語であればよい。

図３は、図面ａ１に対する特定文字列抽出処理の一例を示す図である。図３の例では、図面ａ１の領域Ｌ１に、「電圧値 ９０Ｖ」という文字列が記載されている。この場合、過去図面データ前処理部１１２は、ＯＣＲ処理後データから、Ｌ１の「電圧値 ９０Ｖ」という一連の文字列を抽出する。過去図面データ前処理部１１２は、抽出した当該一連の文字列から、第１特定文字列「電圧値」をさらに抽出する。

続いて、過去図面データ前処理部１１２は、上記一連の文字列に対し、公知の構文解析技術を適用することにより、第１特定文字列「電圧値」に後続する文字列「９０Ｖ」は、「電圧値」の属性を示していると判定する。この場合、過去図面データ前処理部１１２は、「９０Ｖ」という文字列中に含まれる数字「９０」を、「電圧値」の大きさを示す値として取得する。このように、過去図面データ前処理部１１２は、構文解析により、『Ｌ１に記載されている一連の文字列は、「電圧値が９０Ｖである」という仕様情報を示している』旨を判定する。

また、図面ａ１の領域Ｌ２には、「電流値 １．０Ａ」という一連の文字列が記載されている。過去図面データ前処理部１１２は、Ｌ１の例と同様にして、上記一連の文字列から、第２特定文字列「電流値」を抽出する。そして、過去図面データ前処理部１１２は、第２特定文字列「電流値」に後続する文字列「１．０Ａ」は、「電流値」の属性を示していると判定する。そこで、過去図面データ前処理部１１２は、「１．０Ａ」という文字列中に含まれる数字「１．０」を、「電流値」の大きさを示す値として取得する。このように、過去図面データ前処理部１１２は、『Ｌ２に記載されている一連の文字列は、「電流値が２．０Ａである」という仕様情報を示している』旨を判定する。

ところで、図面ａ１には、第３特定文字列「ＯＲ」が記載されているが、当該第３特定文字列「ＯＲ」には、何ら文字列が後続していない。この場合、過去図面データ前処理部１１２は、ＯＣＲ処理後データに含まれる第３特定文字列「ＯＲ」の登場回数を検出する。当該検出処理の結果、過去図面データ前処理部１１２は、図面ａ１に含まれている第３特定文字列「ＯＲ」の個数が、３つである旨を判定する（領域Ｌ３を参照）。

同様に、図面ａ１には、第Ｌ特定文字列「開」が記載されているが、当該第Ｌ特定文字列「開」に、何ら文字が後続していない。そこで、過去図面データ前処理部１１２は、Ｌ３の例と同様に、図面ａ１に含まれている第Ｌ特定文字列「開」の個数が、１つである旨を判定する（領域Ｌ４を参照）。

そして、過去図面データ前処理部１１２は、ＯＣＲ処理後データに対する上述の解析結果に基づき、図面ａ１に対応する前処理データを生成する。当該前処理データは、第ｋ特定文字列に対応付けられた第ｋ内容パラメータ（以下、Ａｋ）を示すデータセットである。また、第１～第Ｌ内容パラメータを総称的に、内容パラメータとも称する。

内容パラメータは、図面の記載内容（具体的には、特定文字列に係る記載内容）を数値化（定量化）したデータの１つであると言える。このため、内容パラメータは、図面の記載内容を示す指標として用いられる。なお、後述するターゲット図面内容パラメータとの区別のため、検索対象図面（過去図面）の内容パラメータを、検索対象図面内容パラメータとも称する。また、検索対象図面の第ｋ内容パラメータを、検索対象図面第ｋ内容パラメータとも称する。

以下では、図面（ｉ，ｊ）のＡｋを、Ａｋ（ｉ，ｊ）とも表記する。上述の通り、過去図面データ前処理部１１２は、図面（ｉ，ｊ）に対する解析結果（より具体的には、図面（ｉ，ｊ）における特定文字列の検出結果）に基づき、Ａｋ（ｉ，ｊ）を設定する。

一例として、過去図面データ前処理部１１２は、図面ａ１について、Ａ１＝９０と設定する（後述の図４のハッチング箇所も参照）。すなわち、過去図面データ前処理部１１２は、図面ａ１に記載されている第１特定文字列「電圧値」の大きさを示す値「９０」を、第１内容パラメータとして設定する。

同様に、過去図面データ前処理部１１２は、Ａ２＝１．０と設定する。すなわち、過去図面データ前処理部１１２は、図面ａ１に記載されている第２特定文字列「電流値」の大きさを示す値「１．０」を、第２内容パラメータとして設定する。

これに対し、過去図面データ前処理部１１２は、Ａ３＝３と設定する。すなわち、過去図面データ前処理部１１２は、図面ａ１における第３特定文字列「ＯＲ」の記載回数（登場回数）を示す値「３」を、第３内容パラメータとして設定する。

同様に、過去図面データ前処理部１１２は、ＡＬ＝１と設定する。すなわち、過去図面データ前処理部１１２は、図面ａ１における第Ｌ特定文字列「開」の記載回数を示す値「１」を、第Ｌ内容パラメータとして設定する。

以上のように、過去図面データ前処理部１１２は、図面ａ１について、Ａ１～ＡＬを設定する。以上のように、過去図面データ前処理部１１２は、候補図面を解析することにより、当該候補図面の内容パラメータを取得する。このことから、過去図面データ前処理部１１２は、候補図面内容パラメータ取得部とも呼称される。

また、過去図面データ前処理部１１２は、その他の過去図面についても、同様の処理を行う。すなわち、過去図面データ前処理部１１２は、図面ａ１～ＭＮのそれぞれに対し、Ａ１～ＡＬを設定する。

その後、過去図面データ前処理部１１２は、図面ａ１～ＭＮのそれぞれのＡ１～ＡＬ、すなわち、Ａ１（１，１）～ＡＬ（Ｍ，Ｎ）、を示す第２参考テーブルＴＢ２ｓを生成する。以下に述べるように、ＴＢ２ｓは、参考形態における教師データの一例である。すなわち、過去図面データ前処理部１１２は、教師データを生成する機能部（教師データ生成部）としても動作する。

ＴＢ２ｓには、第２参考テーブル内第ｊサブテーブルＴＢ２ｓ－ｊが含まれている。ＴＢ２ｓ－ｊは、図面ｊのそれぞれのＡ１～ＡＬを示すテーブルである。図４には、一例として、ＴＢ２ｓ－１が示されている。ＴＢ２ｓ－１には、図面ａ１～Ｍ１（物件１における各図面）のそれぞれのＡ１～ＡＬが示されている。ＴＢ２ｓは、ＴＢ２ｓ－１～ＴＢ２ｓ－Ｎという、Ｎ個のサブテーブルのセットによって構成されている。このように、参考形態では、図面種別ごとにサブテーブルが作成される。

（参考形態における学習モデルの生成）
学習モデル生成部１１３ｓは、図面ａ１～Ｍ１に対応する前処理データ（すなわち、図面ａ１～Ｍ１におけるＡ１～ＡＬ）に基づき、当該図面ａ１～Ｍ１に応じた学習モデルを生成する。学習モデルの生成には、公知の機械学習アルゴリズムが使用されてよい。一例として、参考形態１では、学習モデル生成部１１３ｓは、多項ロジスティック回帰分析によって、学習モデルを生成する。

上述の通り、ＴＢ２ｓには、複数の過去図面のそれぞれ（例：図面ａ１）の番号（識別子の一例）と、当該複数の過去図面のそれぞれのＡ１～ＡＬとの対応関係が示されている。そこで、学習モデル生成部１１３ｓは、ＴＢ２ｓを教師データとして取得する。そして、学習モデル生成部１１３ｓは、当該教師データを用いた多項ロジスティック回帰分析を行うことにより、参考形態における学習モデルを生成する。

一例として、学習モデル生成部１１３ｓは、ＴＢ２ｓ－１の各Ａ１～ＡＬに基づき、図面ａ１における第ｋ特定文字列に対応付けられた第ｋ重み係数（以下、Ｂｋ）を算出する。第１～第Ｌ重み係数を総称的に、重み係数とも称する。また、図面（ｉ，ｊ）のＢｋを、Ｂｋ（ｉ，ｊ）とも表記する。Ｂｋ（ｉ，ｊ）は、Ａｋ（ｉ，ｊ）に対応する重み係数である。重み係数は、後述する関連性スコアの算出に用いられる。

例えば、学習モデル生成部１１３ｓは、上述の多項ロジスティック回帰分析によって、図面ａ１におけるＢ１～ＢＬを算出する。参考形態では、図面ａ１について、Ｂ１＝－０．５、Ｂ２＝－１．２、Ｂ３＝０．６、…、ＢＬ＝０．７として、それぞれの重み係数が算出されている（後述の図５のハッチング箇所を参照）。

学習モデル生成部１１３ｓは、その他の過去図面についても、同様の処理を行う。すなわち、学習モデル生成部１１３ｓは、図面ａ１～ＭＮのそれぞれに対し、Ｂ１～ＢＬを設定する。このように、学習モデル生成部１１３ｓは、図面ａ１～ＭＮのそれぞれのＢ１～ＢＬ、すなわち、Ｂ１（１，１）～ＢＬ（Ｍ，Ｎ）、を含む学習モデルを生成する。

そして、学習モデル生成部１１３ｓは、Ｂ１（１，１）～ＢＬ（Ｍ，Ｎ）を示す第３参考テーブルＴＢ３ｓを生成する。ＴＢ３ｓには、第３参考テーブル内第ｊサブテーブルＴＢ３ｓ－ｊが含まれている。ＴＢ３ｓ－ｊは、図面ｊのそれぞれのＢ１～ＢＬを示すテーブルである。図５には、一例として、ＴＢ３ｓ－１が示されている。ＴＢ３ｓ－１には、図面ａ１～Ｍ１のそれぞれのＢ１～ＢＬが示されている。このように、ＴＢ３ｓ－１は、ＴＢ２ｓ－１の内容パラメータに対応する重み係数を示す。ＴＢ３ｓは、ＴＢ３ｓ－１～ＴＢ３ｓ－Ｎという、Ｎ個のサブテーブルのセットによって構成されている。

（新規物件図面ＤＢ９２）
新規物件図面ＤＢ９２には、新規物件（例：これから建設が行われる予定である、少なくとも１つの物件）に関する各図面（以下、総称的に新規図面とも称する）が、新規物件データセットとして格納されている。以下では、新規物件データセットに含まれる１つの新規物件（物件Ｔ）について述べる。

一例として、新規物件図面ＤＢ９２には、物件Ｔについて、過去物件と同種類のＮ個の異なる図面（外形図～構成図）が格納されている。以下では、物件Ｔの外形図を、新規図面の一例として例示する。また、物件Ｔの外形図を、図面ＮＤと称する（後述の図６も参照）。

（図面検索装置１２ｓ）
図面検索装置１２ｓは、新規図面データ取得部１２１、新規図面データ前処理部１２２（ターゲット図面内容パラメータ取得部）、スコア演算部１２３ｓ、および検索結果データ生成部１２４ｓを備える。スコア演算部１２３ｓおよび検索結果データ生成部１２４ｓは、総称的に検索部（より具体的には、参考形態における検索部）と称されてもよい。

図面検索装置１２ｓは、学習装置１１ｓによって生成された学習モデルを用いて、ターゲット図面を複数の検索対象図面のそれぞれと照合することにより、少なくとも１つの図面を検索する。参考形態の図面ＮＤは、ターゲット図面の一例である。以下に述べるように、図面検索装置１２ｓでは、上記学習モデル用いて、図面ＮＤに対し、図面ａ１～ＭＮのそれぞれとの照合が行われる。

（新規図面の取得）
新規図面データ取得部１２１は、過去図面データ取得部１１１と対になる機能部である。一例として、新規図面データ取得部１２１は、入力部７１が所定のユーザ操作を受け付けたことを契機として、新規物件図面ＤＢ９２の新規物件データセットに含まれている、所定の新規図面（例：図面ＮＤ）を取得する。新規図面データ取得部１２１は、取得した図面ＮＤを、新規図面データ前処理部１２２に供給する。

（新規図面に対応する前処理データの生成）
新規図面データ前処理部１２２は、過去図面データ前処理部１１２と対になる機能部である。新規図面データ前処理部１２２は、過去図面データ前処理部１１２と同様の処理により、図面ＮＤに対応する前処理データを生成する。すなわち、新規図面データ前処理部１２２は、図面ＮＤにＯＣＲ処理を施し、当該図面ＮＤから特定文字列を抽出する。そして、新規図面データ前処理部１２２は、特定文字列の抽出結果に基づき、当該図面ＮＤの内容パラメータを設定する。以下、図面ＮＤの第ｋ内容パラメータを、Ｃｋとも称する。

すなわち、新規図面データ前処理部１２２は、過去図面データ前処理部１１２と同じ解析手法によって図面ＮＤを解析することにより、当該図面ＮＤの内容パラメータを取得する。なお、上述の検索対象図面内容パラメータとの区別のため、ターゲット図面（図面ＮＤ）の内容パラメータを、ターゲット図面内容パラメータとも称する。また、ターゲット図面の第ｋ内容パラメータを、ターゲット図面第ｋ内容パラメータとも称する。

図６は、図面ＮＤに対する特定文字列抽出処理の一例を示す図である。図６は、図３と対になる図である。図６の例では、図面ＮＤの領域Ｒ１に、「電圧値 ５０Ｖ」という文字列が記載されている。従って、新規図面データ前処理部１２２は、第１特定文字列の抽出結果に基づき、Ｃ１＝５０と設定する（後述の図７も参照）。

ところで、図面ＮＤの領域Ｒ１の位置は、図面ａ１の領域Ｌ１の位置とは異なっている（図３・図６を参照）。但し、図面ＮＤでは、図面ａ１とは記載位置が異なるものの、当該図面ａ１と同じ種類の仕様情報（電圧値）が記載されている。新規図面データ前処理部１２２による第１内容パラメータの設定手法によれば、図面ＮＤと図面ａ１との見かけ上の違い（例：第１特定文字列の記載位置の違い）によらず、図面ＮＤと図面ａ１と間の記載内容（第１特定文字列に係る仕様情報）自体の一致性を、定量的に評価できる。この点に関しては、以下に述べるＣ２～ＣＬ（換言すれば、領域Ｒ２～Ｒ４）についても同様である。

また、図６の例では、図面ＮＤの領域Ｒ２に、「電流値 ２．５Ａ」という文字列が記載されている。従って、新規図面データ前処理部１２２は、第２特定文字列の抽出結果に基づき、Ｃ２＝２．５と設定する（図６を参照）。

さらに、新規図面データ前処理部１２２は、図面ＮＤに含まれている第３特定文字列「ＯＲ」の個数が、３つである旨を判定する（図６の領域Ｒ３を参照）。従って、新規図面データ前処理部１２２は、Ｃ３＝３と設定する。

同様に、新規図面データ前処理部１２２は、図面ＮＤに含まれている第Ｌ特定文字列「開」の個数が、２つである旨を判定する（図６の領域Ｒ４を参照）。従って、新規図面データ前処理部１２２は、ＣＬ＝２と設定する。

以上のように、新規図面データ前処理部１２２は、図面ＮＤに対し過去図面データ前処理部１１２と同様の処理を行うことにより、Ｃ１～ＣＬを設定する。その後、新規図面データ前処理部１２２は、Ｃ１～ＣＬを示す新規図面内容パラメータテーブルＴＢ－ＮＤを生成する（図７を参照）。

（参考形態における関連性スコアの算出）
スコア演算部１２３ｓは、学習モデル生成部１１３によって生成された学習モデル（より具体的には、Ｂ１（１，１）～ＢＬ（Ｍ，Ｎ））に基づき、関連性スコアを算出する。関連性スコアとは、図面ＮＤに対する各過去図面（図面ａ１～ＭＮ）の関連性の高さを示すスコア（指標）である。以下、図面（ｉ，ｊ）の関連性スコアを、ＳＣＯＲＥ（ｉ，ｊ）とも表記する。また、ＳＣＯＲＥ（ｉ，ｊ）を、ＳＣＯＲＥとも略記する。

以下では、図７（特に、図７のハッチング箇所）を参照し、関連性スコアを算出する場合を例示する。以下の例では、説明の便宜上、図面ＮＤと同種類の過去図面（すなわち、外形図である図面ａ１～Ｍ１）のそれぞれについて、関連性スコアを算出する場合を説明する。但し、図面ＮＤと異なる種類の過去図面についても、図７の例と同様に関連性スコアが導出されることに留意されたい。

図７は、関連性スコアの導出例について説明する図である。図７では、図面ａ１のＳＣＯＲＥを算出する例について主に述べる。スコア演算部１２３ｓは、（ｉ）新規図面データ前処理部１２２によって導出されたＣ１～ＣＬと、（ｉｉ）学習モデル生成部１１３ｓによって導出された、図面ａ１のＢ１～ＢＬと、を用いて、当該図面ａ１の第１素点～第Ｌ素点を算出する。

以下、第ｋ素点を、ＳＳｋとも表記する。なお、図面（ｉ，ｊ）の第ｋ素点を、ＳＳｋ（ｉ，ｊ）とも表記する。また、第１素点～第Ｌ素点を総称的に、素点とも称する。ＳＳｋは、Ｂｋ（第ｋ重み係数）に対応している。

具体的には、スコア演算部１２３は、図面ＮＤの第ｋ内容パラメータ（Ｃｋ）と図面ａ１の第ｋ重み係数（Ｂｋ）との積を、ＳＳｋとして算出する。つまり、スコア演算部１２３ｓは、
ＳＳｋ＝Ｃｋ×Ｂｋ …（１）
を算出する。

図７の例では、Ｃ１＝５０、Ｂ１＝－０．５である。このため、スコア演算部１２３ｓは、ＳＳ１＝５０×－０．５＝－２５として、ＳＳ１を導出する。同様にして、スコア演算部１２３ｓは、以降の各素点を算出する。例えば、スコア演算部１２３ｓは、ＳＳ２＝－３、ＳＳ３＝１．８、…、ＳＳＬ＝１．４として、各素点を算出する。

続いて、スコア演算部１２３は、図面ａ１の第１素点～第Ｌ素点に基づき、当該図面ａ１の関連性スコア（ＳＣＯＲＥ）を算出する。具体的には、スコア演算部１２３ｓは、第１素点から第Ｌ素点までの各素点の和を、ＳＣＯＲＥとして算出する。すなわち、スコア演算部１２３ｓは、
ＳＣＯＲＥ＝ΣＳＳｋ …（２）
を算出する。式（２）の右辺におけるｋの範囲は、１からＬまでである。この点は、後述する式（２Ａ）等についても同様である。

以上のように、スコア演算部１２３ｓは、各Ｃｋと各Ｂｋとを用いて、ＳＣＯＲＥを算出する。以下、図面ａ１の関連性スコアを、ＳＣＯＲＥ（ａ１）とも表記する。その他の過去図面の関連性スコアについても、同様に表記する。図７の例では、スコア演算部１２３ｓによる計算の結果、ＳＣＯＲＥ（ａ１）＝－３０．４が得られた。

続いて、スコア演算部１２３は、同様の手法によって、残りの各過去図面（図７の例では、図面ｂ１～Ｍ１）のＳＣＯＲＥを算出する。図７の例では、スコア演算部１２３ｓによる計算の結果、ＳＣＯＲＥ（ｂ１）＝４１．１、ＳＣＯＲＥ（ｃ１）＝３６．５、…、ＳＣＯＲＥ（Ｍ１）＝４．２が得られた。

また、図７の例では、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）というＭ個のＳＣＯＲＥのうち、最大の関連性スコアはＳＣＯＲＥ（ｂ１）であることが確認された。また、上記Ｍ個のＳＣＯＲＥのうち、ＳＣＯＲＥ（ｃ１）が２番目に大きいことが確認された。さらに、上記Ｍ個のＳＣＯＲＥのうち、最小の関連性スコアはＳＣＯＲＥ（ａ１）であることが確認された。

スコア演算部１２３ｓは、自身の計算結果を示す第４参考テーブルＴＢ４ｓを生成する。ＴＢ４ｓには、第４参考テーブル内第ｊサブテーブルＴＢ４ｓ－ｊが含まれている。ＴＢ４ｓ－ｊは、図面ｊのそれぞれのＳＳ１～ＳＳＬおよびＳＣＯＲＥを示すテーブルである。図７には、一例として、ＴＢ４ｓ－１が示されている。ＴＢ４ｓ－１には、図面ａ１～Ｍ１のそれぞれのＳＳ１～ＳＳＬおよびＳＣＯＲＥが示されている。このように、ＴＢ４ｓ－１は、ＴＢ－ＮＤおよびＴＢ３ｓ－１に基づいて生成される。ＴＢ４ｓは、ＴＢ４ｓ－１～ＴＢ４ｓ－Ｍという、Ｍ個のサブテーブルのセットによって構成されている。

なお、上述の式（１）は、
ＳＳｋ（ｉ，ｊ）＝Ｃｋ×Ｂｋ（ｉ，ｊ） …（１Ａ）
とも表記できる。このように、ＴＢ３ｓ－１は、Ｂｋ（ｉ，ｊ）に基づきＳＳｋ（ｉ，ｊ）を算出する。

また、上述の式（２）は、
ＳＣＯＲＥ（ｉ，ｊ）＝ΣＳＳｋ（ｉ，ｊ）
＝Σ｛Ｃｋ×Ｂｋ（ｉ，ｊ）｝…（２Ａ）
とも表記できる。このように、スコア演算部１２３ｓは、各ＳＳｋ（ｉ，ｊ）（すなわち、各Ｃｋおよび各Ｂｋ（ｉ，ｊ））に基づき、ＳＣＯＲＥ（ｉ，ｊ）を算出する。

また、上述の式（２Ａ）は、
ＳＣＯＲＥ（ｉ，ｊ）＝Σ｛Ａｋ（ｉ，ｊ）×Ｂｋ（ｉ，ｊ）｝…（３）
において、Ａｋ（ｉ，ｊ）にＣｋを代入した式と理解することもできる。このように、スコア演算部１２３ｓは、学習モデル内の独立変数（説明変数）として、Ｃ１～ＣＬを適用することにより、従属変数（目的変数）であるＳＣＯＲＥを算出できる。
なお、式（３）の右辺は、多項ロジスティック回帰分析における線形モデル（多項ロジスティック回帰分析モデル）の一例である。

なお、ＳＳｋは、Ｃｋに応じた学習モデルの出力と表現することもできる。このことから、スコア演算部１２３ｓは、学習モデルの出力（ＳＳ１～ＳＳｋ）に基づき、ＳＣＯＲＥを算出すると表現することもできる。

あるいは、学習モデルは、ＳＣＯＲＥを出力するように構成されてもよい。この場合、スコア演算部１２３ｓは、学習モデルの出力としてのＳＣＯＲＥを取得し、当該ＳＣＯＲＥを検索結果データ生成部１２４ｓに供給する。

（参考形態における候補順位の決定）
検索結果データ生成部１２４ｓは、スコア演算部１２３ｓによって算出されたＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）に基づき、図面ＮＤに対応する候補順位（候補ランキング）を決定する。具体的には、検索結果データ生成部１２４ｓは、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）に基づき、図面ａ１～Ｍ１（外形図）のそれぞれの候補順位（第１候補～第Ｍ候補）を決定する。

検索結果データ生成部１２４ｓは、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）を、各ＳＣＯＲＥの値に応じてソートする。一例として、検索結果データ生成部１２４ｓは、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）を、値が大きい順にソートする。そして、検索結果データ生成部１２４ｓは、ｇ番目に大きいＳＣＯＲＥに対応する過去図面を、第ｇ候補（以下、候補ｇとも称する）として決定する。参考形態において、ｇは、１以上かつＭ以下の整数である。

このようにＳＣＯＲＥに応じて候補番号を設定すれば、候補番号が小さくなるほど（より上位の候補であるほど）、過去図面と図面ＮＤとの関連性が高いことが期待される。例えば、候補１は、図面ａ１～Ｍ１のうち、図面ＮＤとの関連性が最も高いことがＳＣＯＲＥによって示されている過去図面を指す。

上述の通り、ＳＣＯＲＥ（ｂ１）は、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）のうち、最大の関連性スコア（１番目に大きい関連性スコア）である。そこで、検索結果データ生成部１２４ｓは、図面ｂ１を候補１として決定する（図８のハッチング箇所を参照）。このように、検索結果データ生成部１２４ｓは、図面ＮＤとの関連性が最も高い過去図面として、図面ｂ１を選択する。

また、ＳＣＯＲＥ（ｃ２）は、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）のうち、２番目に大きい関連性スコアである。そこで、検索結果データ生成部１２４ｓは、図面ｃ２を候補２として決定する。このように、検索結果データ生成部１２４ｓは、図面ＮＤとの関連性が２番目に高い過去図面として、図面ｃ２を選択する。

さらに、ＳＣＯＲＥ（ａ１）は、ＳＣＯＲＥ（ａ１）～ＳＣＯＲＥ（Ｍ１）のうち、最小の関連性スコア（Ｍ番目に大きい関連性スコア）である。そこで、検索結果データ生成部１２４ｓは、図面ａ１を候補Ｍとして決定する。このように、検索結果データ生成部１２４ｓは、図面ＮＤとの関連性が最も低い（Ｍ番目に高い）過去図面として、図面ａ１を選択する。

検索結果データ生成部１２４ｓは、図面ＮＤに対する図面ａ１～Ｍ１の候補番号を示すデータを生成する。当該データでは、図面ａ１～Ｍ１の図面番号（識別子）が、ＳＣＯＲＥに応じてソートされている。より具体的には、当該データでは図面ａ１～Ｍ１の図面番号が、ＳＣＯＲＥが高い順にソートされている。

なお、検索結果データ生成部１２４ｓは、新規図面の種類が外形図とは異なる場合にも、当該新規図面と同種類の過去図面について、同様の処理を行う。例えば、新規図面の種類が組立図である場合を考える。この場合、検索結果データ生成部１２４ｓは、ＳＣＯＲＥ（ａ２）～ＳＣＯＲＥ（Ｍ２）に基づき、新規図面に対する図面ａ２～Ｍ２（組立図）のそれぞれの候補番号を決定する。その他の種類の図面についても同様である。

以上のように、検索結果データ生成部１２４ｓは、種類ｉに属する図面ＮＤに対し、ＳＣＯＲＥ（ｉ，１）～ＳＣＯＲＥ（ｉ，Ｎ）に基づき、図面（ｉ，１）～図面（ｉ，Ｍ）の候補番号を設定する。具体的には、検索結果データ生成部１２４は、ＳＣＯＲＥ（ｉ，１）～ＳＣＯＲＥ（ｉ，Ｍ）のうち、ｇ番目に大きいＳＣＯＲＥであるＳＣＯＲＥ（ｉ，ｇ）を特定する。そして、検索結果データ生成部１２４ｓは、ＳＣＯＲＥ（ｉ，ｇ）に対応する過去図面、すなわち図面（ｉ，ｇ）を、候補ｇとして決定する。

一例として、検索結果データ生成部１２４ｓは、検索結果データとして第５参考テーブルＴＢ５ｓを生成する。ＴＢ５ｓでは、図面ＮＤの種類ごとに、候補番号が高い順に（ＳＣＯＲＥが大きい順に）、過去図面がソートされている。図８には、ＴＢ５ｓの一例が示されている。検索結果データ生成部１２４ｓは、ＴＢ５ｓを表示部７２に供給し、当該ＴＢ５ｓを表示部７２に表示させる。

表示部７２にＴＢ５ｓを表示させることにより、ユーザに、図面検索装置１２ｓ（より具体的には、検索結果データ生成部１２４ｓ）の検索結果を、一覧性が高い態様で提示することができる。

但し、検索結果データ生成部１２４ｓは、ＴＢ５ｓの全体を、必ずしも検索結果データとしてユーザに提示しなくともよい。過去図面数があまりに多い場合、ＴＢ５ｓの全体をユーザに提示すると、かえってユーザの利便性が低下しうることも考えられるためである。

従って、検索結果データは、ＴＢ５ｓの少なくとも一部であればよい。検索結果データは、ターゲット図面（図面ＮＤ）に対応する少なくとも１つの図面（少なくとも１つの過去図面）を示すデータであればよい。

ところで、上述の通り、候補１の図面は、複数の過去図面のうち、ＳＣＯＲＥが最も高い図面である。そこで、検索結果データのデータ量低減の観点からは、検索結果データを、候補１の図面のみを示すデータとして生成することも考えられる。

しかしながら、プラントエンジニアリング分野における機器の設計を行う場合、設計者は各種の技術情報を総合的に判断する必要がある。このため、過去図面を参考として図面ＮＤに記載された機器を新たに設計する場合、ＳＣＯＲＥが最も高い過去図面（候補１の図面）が、設計の参考に最も適しているとは限らない。例えば、候補２の図面（ＳＣＯＲＥがより低い図面）が、候補１の図面に比べて、実際には設計の参考により適している場合もありうる。

そこで、検索結果データは、上位の複数の候補（例：γ番目までの候補）を示すデータであることが好ましい。すなわち、検索結果データは、候補１～候補γの図面を示すデータであってよい。参考形態におけるγは、１以上かつｇ以下の整数である。

（参考形態の効果）
プラントエンジニアリングでは、物件Ｔに関するプロジェクトの進捗に伴い、図面ＮＤ（ターゲット図面）との関連性が高い過去図面を検索することが必要とされる場合がある（特許文献１も参照）。上記プロジェクトでは、過去物件における特定の種類の機器の設計・製作実績を参考に、物件Ｔにおける同種類の機器についての各種の計画（例：製作期間の予想、製作コストの試算）がなされる場合が多いためである。

ここで、図面ＮＤと同様の仕様情報が記載されている過去図面であれば、図面ＮＤとの関連性が高いことが期待される。しかしながら、プラントエンジニアリングでは、過去物件の図面数が膨大であることが一般的である。このため、特許文献１の図面検索システムを用いたとしても、所望の図面（図面ＮＤとの関連性が高い過去図面）を検索結果から迅速に見つけ出すことは、ユーザにとって必ずしも容易ではない。特許文献１の図面検索システムにおいて、キーワードレス検索を行った場合には、検索結果としてかなり多数の過去図面がヒットすることが考えられるためである。

そこで、キーワード検索機能を有する公知の図面検索システムを用いて、図面ＮＤとの関連性が高い所望の図面を検索することも一案である。例えば、図面ＮＤ中に記載されている特定文字列をキーワード（検索ワード）として、過去図面を検索することが考えられる。しかしながら、このようなキーワード検索を行った場合にも、所望の図面を検索結果から迅速に見つけ出すことは、ユーザにとって必ずしも容易ではない。キーワード検索を行った場合にも、検索結果としてかなり多数の過去図面がヒットすることが考えられるためである。また、適切な検索ワードをユーザが決定できない場合には、そもそもキーワード検索を利用することが困難である。

以上の通り、従来の図面検索システムを用いて所望の図面を迅速に検索することは、プラントエンジニアリングについて十分な知識を有していないユーザ（例：新人設計者）にとって、困難を伴う。プラントエンジニアリングに精通したユーザ（例：ベテラン設計者）でなければ、従来の図面検索システムを用いて所望の図面を効率的に検索することは必ずしも容易ではないと考えられる。

本願の発明者ら（以下、発明者ら）は、従来技術のこのような問題点に鑑み、情報処理システム１００ｓ（より具体的には、情報処理装置１ｓ）を新たに創作した。情報処理装置１ｓによれば、各過去図面に対する機械学習によって得られた学習モデルを用いて、図面ＮＤに対応する所望の図面を検索できる。

まず、情報処理装置１ｓの学習装置１１ｓでは、各過去図面について、特定文字列に関連した内容パラメータ（検索対象図面内容パラメータ）が設定される。そして、当該検索対象図面内容パラメータに基づき、各過去図面の重み係数が設定される。

その後、情報処理装置１ｓの図面検索装置１２ｓでは、図面ＮＤの内容パラメータ（ターゲット図面内容パラメータ）と各過去図面の重み係数とを用いて、当該図面ＮＤと当該各過去図面との関連性の高さを示す指標である関連性スコアが、過去図面ごとに算出される。そして、各過去図面が、関連性スコアの高い順にソートされる。つまり、関連性スコアに基づき、所望の図面の候補としての少なくとも１つの過去図面が、ユーザに提示される。

このように、図面検索装置１２ｓによれば、キーワード検索機能を有する公知の図面検索システムとは異なり、キーワードレス検索によって、ユーザに所望の図面を効率的に検索させることができる。特に、図面検索装置１２ｓによれば、適切な検索ワードをユーザが決定できない場合であっても、ユーザに効率的な図面検索を行わせることができる。このため、図面検索装置１２ｓは、例えば上述の新人設計者の業務効率向上に特に好適と言える。

なお、特許文献１の図面検索システムは、キーワードレス検索を前提としている点において、情報処理装置１ｓ（より具体的には、図面検索装置１２ｓ）と共通している。但し、特許文献１の図面検索システムでは、情報処理装置１ｓとは異なり、検索結果に対する順序付けがなされていない。このため、特許文献１の図面検索システムでは、検索結果の上位に挙げられる過去図面が、必ずしも図面ＮＤに対し高い関連性を有しているとは限らない。

これに対し、情報処理装置１ｓでは、各過去図面が関連性スコアの高い順にソートされたデータが、検索結果としてユーザに提示される。このため、ユーザに、関連性スコアの高い順に、検索結果として提示された各過去図面を確認させることができる。つまり、ユーザに、より上位の候補に挙げられた過去図面を、優先的に確認させることができる。

このように、情報処理装置１ｓでは、特許文献１の図面検索システムとは異なり、検索結果として提示された各過去図面を、ユーザにしらみつぶしに（総当たり方式で）確認させることが不要となる。それゆえ、情報処理装置１ｓによれば、特許文献１の図面検索システムに比べても、図面ＮＤに対応する所望の図面を、従来よりも簡便にユーザに発見させることが可能となる。すなわち、情報処理装置１ｓによれば、特許文献１の図面検索システムに比べて、ユーザの利便性をさらに向上させることができる。

ところで、近年では、機械学習を利用した画像照合技術（例：顔認証技術）が広く用いられている。当該画像照合技術を用いて、所望の図面を検索することも考えられる。しかしながら、上記画像照合技術では、あくまで画像としての「見た目」（例：レイアウト）に基づいて、図面ＮＤと各過去図面との関連性が判定される。それゆえ、画像照合技術をベースとした図面検索手法（以下、画像照合ベース図面検索）は、情報処理装置１ｓに比べ、図面検索には適していない場合がある。以下、この点について述べる。

例えば、図面の記載フォーマットが標準化（統一）されていない場合には、各図面の作成者ごとに、図面の記載方式が異なることも考えられる。それゆえ、２つの図面において同様の内容（例：仕様情報）が記載されている場合であっても、各図面において当該内容が異なる位置に表記される場合がある。例えば、「図３の領域Ｌ１」（以下、領域Ａとも称する）と「図６の領域Ｒ１」（以下、領域Ｂとも称する）とを参照されたい。

このような場合、画像照合ベース図面検索では、領域Ａと領域Ｂとの位置が異なるため、図面ＮＤに対する図面ａ１の関連性が低いと評価されうる。しかしながら、上述の通
り、領域Ａおよび領域Ｂには、同一の種類の仕様情報（電圧値に関する仕様情報）が記載されている。このため、実際には、図面ａ１は、図面ＮＤに対してある程度の関連性を有しているとも考えられる。

以上の通り、画像照合ベース図面検索では、各図面に記載されている仕様情報の内容自体を考慮して、図面ＮＤと図面ａ１との関連性を評価することはできない。それゆえ、図面ＮＤとは見た目が異なっているものの、類似した内容自体が記載されている過去図面（図８の例では、図面ｂ１）を、適切に検索することはできない。

これに対し、情報処理装置１ｓでは、画像照合ベース図面検索とは異なり、各図面に記載されている特定文字列に着目し、内容パラメータ（検索対象図面内容パラメータおよびターゲット図面内容パラメータ）が設定される。すなわち、情報処理装置１ｓでは、各図面に記載されている仕様情報の内容自体を考慮できる。そして、当該内容パラメータに基づき、図面ＮＤと各過去図面との関連性が評価（例：スコアリング）される。

それゆえ、情報処理装置１ｓによれば、画像照合ベース図面検索とは異なり、図面ＮＤとは見た目が異なっているものの、類似した内容自体が記載されている過去図面（例：図面ｂ１）を、適切に検索できる。このように情報処理装置１ｓは、画像照合ベース図面検
索に比べ、図面検索に適している。

また、過去図面の数が多くなるほど、従来の図面検索システム（または、画像照合ベース図面検索）によって、所定の新規図面と関連性が高い過去図面を適切に検索することがより困難となる。それゆえ、情報処理装置１ｓは、過去図面の数が多くなるほど、ユーザの利便性向上により有益である。

〔変形例〕
（１）本発明の一態様に係る情報処理装置は、プラントエンジニアリング以外の分野における図面の検索についても適用可能である。本発明の一態様に係る図面は、上記図面検索装置によって内容パラメータを取得することが可能な図面であればよい。

（２）参考形態では、学習モデル生成部１１３ｓにおいて、多項ロジスティック回帰分析を用いて学習モデルを生成する場合を例示した。但し、学習モデルの生成手法は、これに限定されない。

学習モデル生成部１１３ｓは、上述の教師データを用いた機械学習により、学習モデルを生成できればよい（各重み係数を算出できればよい）。例えば、学習モデル生成部１１３ｓは、公知のニューラルネットワーク技術（例：公知のディープラーニング技術）を用いて、学習モデルを生成することもできる。

（３）検索結果データ生成部１２４ｓは、候補ｇとして選択した図面に対応する所定のデータを、さらに取得してもよい。図８の例の場合、検索結果データ生成部１２４ｓは、図面ｂ１（候補１）に対応する、所定の機器の仕様データを取得してもよい。プラントエンジニアリングの各種の計画では、過去図面とともに、当該過去図面に記載された所定の機器の仕様がともに参照される場合が多いためである。

この場合、検索結果データ生成部１２４ｓは、検索結果データとともに、仕様データをユーザに提示できる。それゆえ、ユーザの利便性をさらに向上させることができる。一例として、情報処理装置１ｓでは、図面ａ１～ＭＮと仕様データとの対応関係を示すテーブルが予め準備されていてよい。検索結果データ生成部１２４ｓは、当該テーブルを参照し、候補ｇに対応する仕様データを取得すればよい。

〔実施形態１〕
参考形態の情報処理システム１００ｓ（情報処理装置１ｓ）では、過去図面（図面ａ１～ＭＮ）が図面種類別に予め分類されていることを前提として、各処理が実行されていた。但し、実際には、過去図面に対する分類が予め行われていない場合も考えられる。また、マンパワーによって図面種類別に過去図面を分類することが、必ずしも容易でない場合も考えられる。発明者らは、このような状況においても過去図面の検索を適切に行うことを可能にすべく、実施形態１の情報処理システム１００を創作した。

図９は、情報処理システム１００の要部の構成を示すブロック図である。情報処理システム１００の情報処理装置を、情報処理装置１と称する。情報処理システム１００の過去物件図面ＤＢを、過去物件図面ＤＢ９１と称する。同様に、情報処理装置１の制御装置を、制御装置１０と称する。制御装置１０の学習装置および図面検索装置をそれぞれ、学習装置１１（モデル生成装置）および図面検索装置１２と称する。

（学習装置１１）
学習装置１１は、学習装置１１ｓとは異なり、グループ分類部１１４を備える。また、学習装置１１の学習モデル生成部を、学習モデル生成部１１３（学習部）と称する。過去物件図面ＤＢ９１では、過去物件図面ＤＢ９１ｓとは異なり、図面ａ１～ＭＮが、図面種類別に予め分類されていない。

実施形態１において、過去図面データ取得部１１１は、所定の順序で（例：各過去図面のタイムスタンプ順に）、各過去図面を過去物件図面ＤＢ９１から取得する。説明の便宜上、実施形態１では、過去図面データ取得部１１１は、「図面ａ１→ａ２→ａ３→…→ＭＮ」の順に、過去図面を取得する。

過去図面データ前処理部１１２は、過去図面データ取得部１１１が取得した各過去図面について、内容パラメータ（検索対象図面内容パラメータ）を導出する。そして、過去図面データ前処理部１１２は、各過去図面の内容パラメータを示すテーブルを、第１テーブルＴＢ１として生成する。図１０には、ＴＢ１の一例が示されている。ＴＢ１の第ｌ列は、過去図面データ取得部１１１がｌ番目に取得した過去図面の番号を示す。ｌは、１以上かつＴ以下の整数である。ＴＢ１の第ｋ行は、ある過去図面の第ｋ内容パラメータを示す。

グループ分類部１１４は、ＴＢ１に基づき（より具体的には、ＴＢ１に示された各内容パラメータに基づき）、各過去図面を第１グループから第ＰグループまでのＰ個のグループに分類する。Ｐは、２以上かつＴ未満の整数である。以下の説明では、第ｑグループを、グループｑとも称する。ｑは、１以上かつＰ以下の整数である。

グループ分類部１１４は、公知のクラスタリング手法を用いて、各過去図面をＰ個のグループに分類する。一例として、グループ分類部１１４は、ｋ－ｍｅａｎｓ法（ｋ平均法）を用いて、各過去図面を分類する。図１１には、ｋ－ｍｅａｎｓ法による各過去図面の分類結果の一例が示されている。

ｋ－ｍｅａｎｓ法による分類では、各過去図面と１対１に対応付けられた点（便宜上、「各過去図面の点」とも称する）の座標は、内容パラメータの分布を示すＬ次元のデータ空間（Ｌ次元空間）内にプロットされる。ある過去図面の座標は、当該過去図面の内容パラメータ（第１内容パラメータ～第Ｌ内容パラメータ）によって規定される。なお、図１１の例では、図示の便宜上、各過去図面の点が３次元空間内にプロットされている場合（すなわち、Ｌ＝３の場合）が例示されている。図１１におけるｘ、ｙ、およびｚはそれぞれ、第１内容パラメータ、第２内容パラメータ、および第３内容パラメータを表す。

説明の便宜上、実施形態１における図面ａ１の第ｋ内容パラメータを、ａ１（ｋ）と表記する。グループ分類部１１４は、過去図面データ前処理部１１２から、ａ１（１）～ａ１（Ｌ）を取得する。そして、グループ分類部１１４は、上述のＬ次元空間に、図面ａ１の点Ｐ（ａ１）の座標を、
Ｐ（ａ１）＝［ａ１（１），ａ１（２），…，ａ１（ｋ），…ａ１（Ｌ）］
としてプロットする。このように、グループ分類部１１４は、過去図面データ前処理部１１２から、点Ｐ（ａ１）の上記座標を取得する。

グループ分類部１１４は、その他の図面についても、同様のプロットを行う。以下では、図１１の例と同様に、図面ａ１がグループ１に属している場合を例示する。また、グループｑに属する過去図面を、総称的にグループｑ内過去図面群とも称する。

そして、グループ分類部１１４は、実施形態１における各過去図面の内容パラメータ（Ａ１～ＡＬ）を示す第２テーブルＴＢ２を生成する。ＴＢ２には、第２テーブル内第ｑサブテーブルＴＢ２－ｑが含まれている。ＴＢ２－ｑには、グループｑに属する各過去図面の内容パラメータが示されている。図１２には、一例として、ＴＢ２－１が示されている。ＴＢ２は、ＴＢ２－１～ＴＢ２－Ｐという、Ｐ個のサブテーブルのセットによって構成されている。このように、実施形態１では、参考形態とは異なり、グループ分類部１１４によって分類されたグループ毎にサブテーブルが作成される。

なお、図１２の例では、異なる種類の複数の過去図面が、グループ１に分類されている。上述のように、内容パラメータに基づくクラスタリングを行うことにより、マンパワーによって過去図面を分類する場合に比べ、より柔軟性の高い過去図面の分類が可能となる。

（実施形態１における学習モデルの生成）
上述の通り、参考形態の学習モデル生成部１１３ｓでは、図面ａ１～ＭＮに基づき、１つの（共通の）学習モデルが生成されていた。実施形態１の学習モデル生成部１１３は、学習モデル生成部１１３ｓとは異なり、複数の学習モデルを生成する。

学習モデル生成部１１３は、グループｑ内各図面群に基づき（より具体的には、グループｑに属する各過去図面の内容パラメータに基づき）、グループｑに対応する学習モデル（以下、第ｑ学習モデル）を生成する。具体的には、学習モデル生成部１１３は、ＴＢ２－ｑを教師データとして、第ｑ学習モデルを生成する。各学習モデルの生成手法は、学習モデル生成部１１３ｓと同様である。

以上のように、学習モデル生成部１１３は、第１学習モデルから第Ｐ学習モデルまでのＰ個の異なる学習モデルを生成する。第ｑ学習モデルは、グループｑに属する各過去図面の重み係数を含む。

そして、学習モデル生成部１１３は、実施形態１における各過去図面の内容パラメータを示す第３テーブルＴＢ３を生成する。ＴＢ３には、第２テーブル内第ｑサブテーブルＴＢ３－ｑが含まれている。ＴＢ３－ｑには、グループｑに属する各過去図面の重み係数が示されている。図１３には、一例として、ＴＢ３－１が示されている。ＴＢ３は、ＴＢ３－１～ＴＢ３－Ｐという、Ｐ個のサブテーブルのセットによって構成されている。

（図面検索装置１２）
図面検索装置１２は、図面検索装置１２ｓとは異なり、グループ選択部１２５を備える。また、図面検索装置１２のスコア演算部および検索結果データ生成部をそれぞれ、スコア演算部１２３および検索結果データ生成部１２４と称する。スコア演算部１２３および検索結果データ生成部１２４は、総称的に検索部と称されてもよい。

まず、参考形態と同様に、新規図面データ取得部１２１は、図面ＮＤを取得する。続いて、新規図面データ前処理部１２２は、図面ＮＤの内容パラメータ（ターゲット図面内容パラメータ）を取得する。以下では、説明の便宜上、図面ＮＤの第ｋ内容パラメータを、ＮＤ（ｋ）とも表記する。

（特定グループの選択）
グループ選択部１２５は、新規図面データ前処理部１２２から、ＮＤ１（１）～ＮＤ１（Ｌ）を取得する。そして、グループ選択部１２５は、上述のＬ次元空間に、図面ＮＤの点Ｐ（ＮＤ）の座標を、
Ｐ（ＮＤ）＝［ＮＤ（１），ＮＤ（２），…，ＮＤ（ｋ），…ＮＤ（Ｌ）］
としてプロットする。このように、グループ選択部１２５は、新規図面データ前処理部１２２から点Ｐ（ＮＤ）の上記座標を取得する。以下に述べる図１４では、点ＮＤは、星印によって示されている。

続いて、グループ選択部１２５は、グループ分類部１１４から、当該グループ分類部１１４の分類結果を示す情報を取得する。そして、グループ選択部１２５は、点Ｐ（ＮＤ）に基づき（換言すれば、ターゲット図面内容パラメータに基づき）、第１～第Ｐグループの内、図面ＮＤとの関連性が最も高いグループ（以下、特定グループ）を選択する。点Ｐ（ＮＤ）は、ターゲット図面に対応するＬ次元空間上の点であることから、ターゲット点と称されてもよい。

実施形態１では、グループ選択部１２５は、Ｌ次元空間において、第１～第Ｐグループの内、点Ｐ（ＮＤ）との距離が最も近いグループを、特定グループとして選択する。このことから、特定グループは、最近接グループと称されてもよい。図１４では、グループ選択部１２５による最近接グループの選択結果の一例が示されている。図１４の例では、グループ１が最近接グループとして選択されている。この場合、グループ選択部１２５は、学習モデル生成部１１３から、特定グループに対応する学習モデル（以下、特定学習モデル）として、第１学習モデルを取得する。

なお、「点Ｐ（ＮＤ）とグループｑとの距離」（以下、距離Ｄ）とは、より具体的には、「点Ｐ（ＮＤ）とグループｑの代表点との距離（より厳密には、ノルム）」を意味する。一例として、グループｑの代表点は、グループｑの重心であってよい。但し、グループｑの代表点は、グループｑの重心に限定されない。Ｌ次元空間において、グループｑの内部または境界上に位置する任意の点が、グループｑの代表点として選択されればよい。

なお、グループｑの代表点の座標は、グループ分類部１１４によって予め算出されていてもよい。この場合、グループ選択部１２５は、グループ分類部１１４から、グループｑの代表点の座標を取得すればよい。あるいは、グループ選択部１２５によって、グループｑの代表点の座標が算出されてもよい。

実施形態１では、グループ選択部１２５は、座標Ｐ（ＮＤ）とグループｑの代表点とのユークリッド距離を、距離Ｄとして算出する。但し、距離Ｄは、ユークリッド距離に限定されない。距離Ｄは、Ｌ次元空間において定義可能な公知の種類の距離（ノルム）であってよい。例えば、距離Ｄは、マハラノビス距離、マンハッタン距離、またはチェビシェフ距離として算出されてもよい。

（実施形態１における関連性スコアの算出）
スコア演算部１２３は、グループ選択部１２５から特定学習モデルを取得する。スコア演算部１２３は、特定学習モデルを用いて、図面ＮＤのＳＣＯＲＥを算出する。実施形態１の例では、スコア演算部１２３は、第１学習モデルを特定学習モデルとして用いて、図面ＮＤのＳＣＯＲＥを算出する。実施形態１では、特定学習モデルを用いてＳＣＯＲＥを算出することにより、参考形態に比べ、ＳＣＯＲＥを算出するための演算コストを低減できる。

図１４は、実施形態１におけるＳＣＯＲＥの導出例について説明する図である。なお、図１４の例におけるターゲット図面内容パラメータは、図７の例とは異なる。図１４の例では、スコア演算部１２３は、（ｉ）新規図面データ前処理部１２２によって導出されたＣ１～ＣＬと、（ｉｉ）特定学習モデルに含まれる図面ａ１のＢ１～ＢＬと、を用いて、当該図面ａ１の第１素点～第Ｌ素点を算出する。すなわち、スコア演算部１２３は、各素点を、特定学習モデルの出力として取得する。そして、スコア演算部１２３は、参考形態と同様に、図面ａ１の第１素点～第Ｌ素点の和を、当該図面ａ１のＳＣＯＲＥとして算出する。

同様に、スコア演算部１２３は、特定学習モデルを用いて、特定グループ（グループ１）に属するその他の過去図面のＳＯＣＲＥを算出する。そして、スコア演算部１２３は、自身の計算結果を示す第４サブテーブルＴＢ４－１を生成する。ＴＢ４－１には、グループ１のそれぞれのＳＳ１～ＳＳＬおよびＳＣＯＲＥが示されている。

（実施形態１における候補順位の決定）
検索結果データ生成部１２４は、特定グループ（グループ１）に属する各過去図面のＳＣＯＲＥに基づき、図面ＮＤに対応する候補順位を決定する。以下の説明では、グループ１に属する過去図面の数を、ＧＮ１と表記する。検索結果データ生成部１２４は、グループ１に属する各過去図面のＳＣＯＲＥに基づき、当該各過去図面のそれぞれの候補順位（第１候補～第ＧＮ１候補）を決定する。

一例として、検索結果データ生成部１２４は、検索結果データとして第５サブテーブルＴＢ５－１を生成する。ＴＢ５－１では、候補番号が高い順に（ＳＣＯＲＥが大きい順に）、グループ１に属する各過去図面がソートされている。図１６には、ＴＢ５－１の一例が示されている。

図１５の例では、スコア演算部１２３によって算出されたＧＮ１個のＳＣＯＲＥの内、ＳＣＯＲＥ（ｄ２）が最大の関連性スコアであり、ＳＣＯＲＥ（ａ１）が最小の関連性スコアであった。そこで、検索結果データ生成部１２４は、図面ｄ２を候補１として決定するとともに、図面ａ１を候補ＧＮ１として決定する。

実施形態１では、特定グループに属する各過去図面についてのみ、候補順位の決定が行われる。このため、参考形態に比べ、検索結果データを生成するための演算コストを低減できる。なお、実施形態１における検索結果データも、候補１～候補γの図面を示すデータであってよい。実施形態１におけるγは、１以上かつＧＮ１以下の整数である。

（補足）
上記の例では、各過去図面を内容パラメータに基づき分類するためのクラスタリング手法として、ｋ－ｍｅａｎｓ法を用いる場合を例示した。但し、その他のクラスタリング手法を用いることもできる。例えば、上記クラスタリング手法としてｆｕｚｚｙ ｃ－ｍｅａｎｓ法が用いられてもよい。ｆｕｚｚｙ ｃ－ｍｅａｎｓ法を用いた場合、ｋ－ｍｅａｎｓ法を用いた場合に比べ、各過去図面をより柔軟に分類することが期待できる。

（実験例）
発明者らは、情報処理システム１００の有効性を検証するため、さらなる実験を行った。具体的には、発明者らは、約１６００個の過去図面が過去物件図面ＤＢ９１に格納されている場合に、実施形態１と同様の各処理を行った。つまり、発明者らは、Ｔ≒１６００の場合について、実施形態１と同様に、（ｉ）第１～第Ｐ学習モデルの生成、および、（ｉｉ）特定学習モデルを用いた過去図面の検索、を行った。

本実験例では、クラスタリング手法としてｆｕｚｚｙ ｃ－ｍｅａｎｓ法を用いた。また、Ｐ＝９６として設定した。本実験例においても、実施形態１の例と同様に、新規図面に対応する過去図面を、適切に検索できることが確認された。すなわち、特定グループに属する各過去図面を、関連性スコアが高い順に提示できることが確認された。

（実施形態１の効果）
情報処理システム１００（情報処理装置１）によっても、参考形態と同様に、図面検索におけるユーザの利便性を従来よりも高めることが可能となる。加えて、情報処理装置１によれば、参考形態とは異なり、過去図面の分類が予め行われていない場合（あるいは、マンパワーによる過去図面の分類が困難である場合）にも、過去図面を適切に検索することができる。それゆえ、ユーザの利便性をより一層高めることが可能となる。

特に、情報処理装置１の学習装置１１では、過去図面の内容パラメータ（過去図面内容パラメータ）に基づき、当該過去図面の分類を行うことができる。それゆえ、内容の類似性が高い複数の過去図面を、同じグループに分類できる。続いて、学習装置１１では、分類後のグループ毎に、個別の学習モデルを生成できる。より具体的には、学習装置１１では、グループｑに属する各過去図面の内容パラメータに基づき、第ｑ学習モデルを生成できる。

このように、実施形態１では、「クラスタリング」および「学習モデルの生成」という異なる処理に、「内容パラメータ」という共通のパラメータが用いられている。類似する「内容パラメータ」を有するグループに対して学習モデルが生成される。そのため、類似する図面を精度よく区別する学習モデルを生成することができる。図面検索装置１２は、「内容パラメータ」という共通のパラメータを用いて、「クラスタリング」と「学習モデルによる検索」とで観点を変えて図面を検索する。そのため、図面検索装置１２は、ターゲット図面により類似した検索対象図面を抽出することができる。上述の処理の流れによれば、図面検索の精度向上により好適な複数の学習モデル（第１～第Ｐ学習モデル）を生成できる。

さらに、情報処理装置１の図面検索装置１２では、図面ＮＤの内容パラメータ（ターゲット図面内容パラメータ）に基づき、特定グループを選択できる。続いて、図面検索装置１２では、特定学習モデルに基づき、特定グループに属する過去図面のみを対象として、検索処理を行うことができる。

上述の処理の流れによれば、図面検索のための演算コストを低減できるので、より高速な図面検索が可能となる。また、特定グループは図面ＮＤとの関連性が最も高いグループであることから、特定学習モデルは、図面ＮＤの検索に最も適した学習モデルであることが期待される。特定学習モデルを用いた図面検索を行うことにより、図面検索の精度をより一層向上させることができる。

〔変形例〕
（１）Ｐ（過去図面のグループ数）は、情報処理装置１のユーザによって設定されてもよいし、公知のアルゴリズムを用いて設定されてもよい。クラスタリングの結果を評価する指標の１つとして、Ｐｓｅｕｄｏ Ｆが知られている。従って、例えば、Ｐｓｅｕｄｏ Ｆに基づき、Ｐが設定されてもよい。

（２）実施形態１では、Ｌ次元空間でのクラスタリングが行われる場合を例示した。但し、計算コスト削減のために、公知の次元削減手法が用いられてもよい。次元削減手法の一例としては、主成分分析を挙げることができる。

また、次元削減手法の別の例としては、
・ＰＣＡ（Principal Component Analysis）
・Ｋｅｒｎｅｌ ＰＣＡ
・Ｍａｎｉｆｏｌｄ Ｌｅａｒｉｎｇ
・ＬＤＡ（Linear Discriminant Analysis）
・ＮＭＦ（Non-negative Matrix Factorization）
・ＳＶＤ（Singular Value Decomposition）
を挙げることができる。

一例として、次元削減は、クラスタリングの前に行われてよい。この場合、次元削減後の内容パラメータに基づき、クラスタリングおよび学習モデルの生成が行われる。

別の例として、次元削減は、クラスタリングの後に行われてもよい。この場合、次元削減前の内容パラメータに基づき、クラスタリングが行われる。これに対し、次元削減後の内容パラメータに基づき、学習モデルの生成が行われる。このように、クラスタリングおよび学習モデルの生成において、次元数は異なっていてもよい。

（３）本開示の一態様に係る情報処理装置において、内容パラメータは補正（例：正規化）されてもよい。正規化後の内容パラメータに基づき、上述の各処理（例：クラスタリングおよび学習モデルの生成）が実行されてもよい。

（４）本開示の一態様において、図面検索装置とモデル生成装置とは、互いに通信可能に接続されていればよい。従って、図面検索装置とモデル生成装置とを、互いに別体の情報処理装置に設けることもできる。

〔ソフトウェアによる実現例〕
情報処理システム１００の制御ブロック（特に制御装置１０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、情報処理システム１００は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔付記事項〕
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 情報処理装置
１０制御装置
１１ 学習装置（モデル生成装置）
１２ 図面検索装置
１００ 情報処理システム
１１１ 過去図面データ取得部
１１２ 過去図面データ前処理部（検索対象図面内容パラメータ取得部）
１１３ 学習モデル生成部（学習部）
１１４ グループ分類部
１２１ 新規図面データ取得部
１２２ 新規図面データ前処理部（ターゲット図面内容パラメータ取得部）
１２３ スコア演算部（検索部）
１２４ 検索結果データ生成部（検索部）
１２５ グループ選択部
ａ１～ＭＮ 図面（過去図面，検索対象図面）
ＮＤ 図面（新規図面，ターゲット図面）

Claims (9)

1. 複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索する図面検索装置であって、
   上記複数の検索対象図面は、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータに基づき、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに予め分類されており、
   上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルが予め生成されており、
   上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連したターゲット図面内容パラメータを取得するターゲット図面内容パラメータ取得部と、
   上記ターゲット図面内容パラメータに基づき、上記Ｐ個のグループの内、上記ターゲット図面との関連性が最も高いグループである特定グループを選択するグループ選択部と、
   （ｉ）上記Ｐ個の学習モデルの内、上記特定グループに対応する学習モデルである特定学習モデルに、上記ターゲット図面内容パラメータを入力し、かつ、（ｉｉ）上記ターゲット図面内容パラメータに応じた上記特定学習モデルの出力に基づき、上記少なくとも１つの図面を検索する検索部と、を備えている、図面検索装置。
2. 上記検索部は、上記特定学習モデルの上記出力に基づき、上記特定グループに属する上記複数の検索対象図面のそれぞれについて、上記ターゲット図面に対する関連性の高さを示す関連性スコアを算出する、請求項１に記載の図面検索装置。
3. 上記検索部は、上記特定グループに属する上記少なくとも１つの図面の識別子を示す検索結果データを生成し、
   上記検索結果データでは、上記特定グループに属する上記少なくとも１つの図面の識別子が、上記関連性スコアに応じてソートされている、請求項２に記載の図面検索装置。
4. 上記図面検索装置では、図面に関する特定文字列が予め設定されており、
   上記ターゲット図面内容パラメータ取得部は、
   上記ターゲット図面に含まれている上記特定文字列を検出し、
   上記ターゲット図面における上記特定文字列の検出結果に基づき、上記ターゲット図面内容パラメータを設定する、請求項１から３のいずれか１項に記載の図面検索装置。
5. 上記図面検索装置では、上記特定文字列として、第１特定文字列から第Ｌ特定文字列までのＬ個（Ｌは２以上の整数）の異なる文字列が予め設定されており、
   上記ターゲット図面内容パラメータには、第１ターゲット図面内容パラメータから第Ｌターゲット図面内容パラメータまでのＬ個のパラメータが含まれており、
   上記検索対象図面内容パラメータには、第１検索対象図面内容パラメータから第Ｌ検索対象図面内容パラメータまでのＬ個のパラメータが含まれており、
   上記グループ選択部は、
   上記ターゲット図面内容パラメータおよび上記検索対象図面内容パラメータの分布を示すＬ次元データ空間において、（ｉ）上記ターゲット図面に対応するターゲット点の座標と、（ｉｉ）上記第１グループから上記第Ｐグループまでの各グループの代表点の座標と、を取得し、
   上記各グループの内、上記Ｌ次元データ空間における上記ターゲット点と上記代表点との距離が最も短いグループを、上記特定グループとして選択する、請求項４に記載の図面検索装置。
6. 複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索するための学習モデルを生成するモデル生成装置であって、
   上記複数の検索対象図面を解析することにより、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータを取得する、検索対象図面内容パラメータ取得部と、
   上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記複数の検索対象図面を、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに分類するグループ分類部と、
   上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルを生成する学習部と、を備えている、モデル生成装置。
7. 上記モデル生成装置では、図面に関する特定文字列が予め設定されており、
   上記検索対象図面内容パラメータ取得部は、
   上記複数の検索対象図面のそれぞれに含まれている上記特定文字列を検出し、
   上記複数の検索対象図面のそれぞれにおける上記特定文字列の検出結果に基づき、当該複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータを設定する、請求項６に記載のモデル生成装置。
8. 複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索する図面検索方法であって、
   上記複数の検索対象図面は、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータに基づき、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに予め分類されており、
   上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルが予め生成されており、
   上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連したターゲット図面内容パラメータを取得するターゲット図面内容パラメータ取得工程と、
   上記ターゲット図面内容パラメータに基づき、上記Ｐ個のグループの内、上記ターゲット図面との関連性が最も高いグループである特定グループを選択するグループ選択工程と、
   （ｉ）上記Ｐ個の学習モデルの内、上記特定グループに対応する学習モデルである特定学習モデルに、上記ターゲット図面内容パラメータを入力し、かつ、（ｉｉ）上記ターゲット図面内容パラメータに応じた上記特定学習モデルの出力に基づき、上記少なくとも１つの図面を検索する検索工程と、を含んでいる、図面検索方法。
9. 複数の検索対象図面からターゲット図面に対応する少なくとも１つの図面を検索するための学習モデルを生成するモデル生成方法であって、
   上記複数の検索対象図面を解析することにより、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータを取得する、検索対象図面内容パラメータ取得工程と、
   上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記複数の検索対象図面を、第１グループから第ＰグループまでのＰ個（Ｐは２以上の整数）のグループに分類するグループ分類工程と、
   上記Ｐ個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記Ｐ個のグループのそれぞれに対応するＰ個の学習モデルを生成する学習工程と、を含んでいる、モデル生成方法。

Images