【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、データベースと帰納推論プログラミングを結合してデータベースから知識発見を行う知識発見システムに関し、特に、データベースに格納したデータからの知識発掘を自動的に行う知識発見システムに関する。

【０００２】

【従来の技術】近年のコンピュータ技術の著しい進展とハードウエアの低価格化に伴い、各種データベースには、多種多様の膨大なデータが十分に解析されないまま格納されており、その肥大化傾向にはますます拍車がかかっている。

【０００３】しかし、かかるデータベースがいかに大量のデータを保持していたとしても、そのデータを有効な知識として利用できなければ意味がないため、データを有用化する技術が重要となる。

【０００４】このため、データベースに格納したデータからの知識発掘（以下「データマイニング（Data Minin
g）」と言う。 ）が、特にニューラルネットワーク技術分野で脚光を浴びている。

【０００５】具体的には、このニューラルネットワーク技術では、コンピュータ上の神経（シナプス）でつながった複数のニューロンにデータを学習させ、その学習結果を使って診断、認識及び予測等を行うため、かかるニューロンの学習機能をデータ分析に活用して、データマイニングを実現している。

【０００６】

【発明が解決しようとする課題】しかしながら、このニューラルネットワーク技術には、学習結果に対して複雑な変換を施さなければ知識ベースとして利用できないという特性があるため、例えば株価の操作のような結果のみを利用するシステムには有効であるが、学習結果を知識ベースに反映してエキスパートシステムで利用することは難しい。

【０００７】また、このニューラルネットワーク技術には、各ニューロンにデータを学習させる際に人が介在しなければならないという特性を有するため、完全自動化によるデータマイニングを行うことは難しい。

【０００８】このように、かかるニューラルネットワーク技術は、データマイニングを行う上で有用である反面、知識ベースへの応用及び自動化等の面で著しく制約を受けるという問題がある。

【０００９】そこで、本発明では、上記問題点を解決し、学習目標概念に関連する知識を帰納論理プログラミングの背景知識として利用しつつ、データベースからのデータマイニングを自動的に行うことができる知識発見システムを提供することを目的とする。

【００１０】

【課題を解決するための手段】上記目的を達成するため、第１の発明は、データベースに格納したデータから知識を発見し、発見した知識をエキスパートシステムが有する知識ベースに供給する知識発見システムにおいて、正事例、負事例、背景知識、モード宣言及びタイプ情報を少なくとも有する入力ファイルを前記データベースに保持したデータから自動生成する自動生成手段と、
前記自動生成手段が生成した入力ファイルに基づいて学習を行い、一階述語論理に基づく帰納推論を行う帰納推論手段とを具備することを特徴とする。

【００１１】また、第２の発明は、前記自動生成手段は、前記データベースに格納した個々のデータの属性間の相互関係に基づいて背景知識を生成する背景知識生成手段を具備することを特徴とする。

【００１２】また、第３の発明は、前記自動生成手段は、正事例が有する複数の要素から一要素を除外した条件を満たす事例のみを前記データベースから抽出して負事例を生成する負事例生成手段をさらに具備することを特徴とする。

【００１３】

【発明の実施の形態】以下、本発明の実施の形態について図面を参照して説明する。

【００１４】本実施の形態では、データベースに格納したデータから有効な知識を獲得する際に、ＤＢアンプ（DataBase Amplifier）を用いてデータベースからのデータマイニングを自動的に行っている。

【００１５】このため、本実施の形態で用いる知識発見システムの構成を説明する前に、標準的な知識獲得処理を考えた場合におけるこのＤＢアンプの位置づけとその概要について説明する。

【００１６】図２は、このＤＢアンプの知識獲得処理における位置づけを示す図である。

【００１７】図２に示すように、知識獲得の標準的な手順は、専門家等に対するインタビューによる事実のデータベース化（ステップ２０１）、データベースからの有効なデータの抽出（ステップ２０２）、データ表現をルール獲得用に変換（ステップ２０３）、ルールの獲得（ステップ２０４）、知識表現への変換（ステップ２０
５）、知識ベースへの格納（ステップ２０６）からなる。

【００１８】ここで、このＤＢアンプは、データベースからデータを抽出する段階（ステップ２０２）から、獲得したルールを知識表現に変換する段階（ステップ２０
５）までの処理を担うものである。

【００１９】すなわち、本実施の形態では、このＤＢアンプを用いることにより、データベースから直接知識獲得を行うためのインターフェース部分となるモジュールのフレームワークを構築している。

【００２０】具体的には、このＤＢアンプは、ルールの獲得及び知識表現への変換（ステップ２０４〜２０５）
については機械学習システムを用いて実現することとし、この機械学習システムに対してデータベースのデータを受け渡すために、有効なデータの抽出とデータ表現の変換（ステップ２０２〜２０３）を行っている。

【００２１】したがって、このＤＢアンプを用いることにより、十分な量の情報を持つデータベースさえ構築できれば、知識獲得をコンピュータに実行させることが可能となる。

【００２２】図３は、図２に示すＤＢアンプの概略構成を示す図である。

【００２３】図３に示すように、このＤＢアンプでは、
ＩＬＰシステム（Inductive LogicProgramming）をメインアンプとして採用するとともに、このＩＬＰシステムとデータベースとを直接つなぐ汎用的なフレームワークとしてプリアンプを設けた構成となる。

【００２４】ここで、このＩＬＰシステムとは、命題論理を基にするこれまでの機械学習のアプローチを発展させた一階述語論理に基づくシステムであり、正事例と負事例に加えて背景知識（background knowledge）を利用できるものである。

【００２５】このように、このＩＬＰシステムでは、背景知識を利用して個々のデータの属性間の制約や属性値の階層構造、包含関係といった制約を付加することにより閉世界を構築することができる。

【００２６】そして、このような閉世界をの構築が可能になると、知識獲得時の計算量の爆発を解決できるとともに、ノイズや誤りに対する処理を行うことも可能となる。

【００２７】なお、ここで言う正事例（positive data
example）とは、指定された引数を全て含む事例を意味するものとし、負事例（negative data example）とは、正事例以外の事例のうちＩＬＰシステムの学習に使用する事例を意味するものとする。

【００２８】また、このＩＬＰシステムとして、ＣＬＩ
ＮＴ、ＲＵＴＨ及びＰＲＯＧＯＬ等の各種システムが知られているが、本実施の形態では、ＰＲＯＧＯＬをメイアンプとして採用することとする。

【００２９】このＰＲＯＧＯＬを採用した理由は、データベースからの知識獲得を行う際に、他のＩＬＰシステムのデータベースからの知識獲得におけるいくつかの課題が既に解決されており、また、プリアンプとのデータの引き渡しを実現する仕組みがＰＲＯＧＯＬ中に既に一部実装されているためである。

【００３０】具体的には、このＰＲＯＧＯＬは、リファインメントグラフのトップダウン検索と最特殊仮説に基づくボトムアップを組み合わせたものであり、与えられた事例を必要とする最も特殊なクローズ（clause）をモード宣言（mode declaration）で用意された言語によって行うことにより、逆解（inverse solution）を求めるものである。

【００３１】このため、本実施の形態では、このモード宣言と、扱うデータの特性を記述するタイプ情報（type
information）とを用いてプリアンプとのデータの引き渡しを行うこととした。

【００３２】以上、本発明に係わるＤＢアンプの位置づけとその概要について説明した。

【００３３】次に、本実施の形態で用いる知識発見システムの構成について説明する。

【００３４】図１は、本実施の形態で用いる知識発見システムの全体構成を示すブロック図である。

【００３５】図１に示すように、この知識発見システムは、知識ベース１７に基づいて問題を解決するエキスパートシステム１６と、データベース１８と、ＤＢアンプ１０とからなる。

【００３６】すなわち、本実施の形態で用いる知識発見システムでは、データベース１８とエキスパートシステム１６との間にＤＢアンプ１０を介在させることにより、データベース１８から取得した知識をエキスパートシステム１６の知識ベース１７にフィードバックしているのである。

【００３７】すなわち、このＤＢアンプ１０は、データベース１８からルールを抽出して知識ベース１７に格納する処理部であり、実際に分類学習を行うメインアンプすなわちＰＲＯＧＯＬ１４と、このＰＲＯＧＯＬ１４の学習に必要な最適な入力ファイル１３をデータベース１
８の内容から自動的に生成するプリアンプ１２とを有する。

【００３８】そして、このプリアンプ１２では、生データ変換ルール１１ａ、モード宣言１１ｂ、タイプ情報１
１ｃ及び要素定義１１ｄからなるインデックスファイル１１を参照して、データベース１８のデータから入力ファイル１３を作成し、この入力ファイル１３をＰＲＯＧ
ＯＬ１４に引き渡す。

【００３９】ここで、この生データ変換ルール１１ａとは、後述するＲＥＲモデルの解釈に基づいてデータベース１８に記憶したデータを変換するルールであり、モード宣言１１ｂ及びタイプ情報１１ｃは、探索空間を定義するためのものであり、要素定義１１ｄは、学習させたい概念を他のいずれの述語で表現させるかを示す定義である。

【００４０】また、上記プリアンプ１２が作成する入力ファイル１３は、正事例１３ａ、負事例１３ｂ、背景知識１３ｃ、モード宣言１３ｄ及びタイプ情報１３ｅを含み、この背景知識１３ｃには、背景知識として学習のターゲットとなる概念を表現するための述語の定義を示す要素条項と、正事例を参照して生成された疑似生データという２つの要素が含まれる。

【００４１】なお、この背景知識１３ｃは、本実施の形態が新たに導入したＲＥＲモデルの概念における派生属性に基づいて同定され、かかる背景知識１３ｃを入力ファイル１３に設けることにより、ＰＲＯＧＯＬ１４による最短時間での学習に大きな効果をもたらすことが可能となる。

【００４２】次に、本実施の形態で採用するＲＥＲデータモデルについて説明する。

【００４３】図１に示すデータベース１８から帰納論理プログラミングシステムであるＰＲＯＧＯＬ１４への入力データを得るためには、目標概念及び背景知識の設計が必要となる。 そして、この目標概念を同定するためには、対象概念を構成する独立変数の集合を決定しなければならない。

【００４４】例えば、構造物の設計におけるＣＡＤデータから菱形のような特定形状を認識するプログラムを学習する場合を考えると、この菱形を構成する４点がここでの独立変数になることは自明であるが、通常の４角形を考えた場合と同様に、その特徴を記述するためには、
４点の他に各点を結ぶ各辺の長さ、隣り合う２辺のなす角度などが必要となる。

【００４５】ところが、これら４点の座標が与えられると、線分の長さや隣り合う辺の角度はこの４点の座標から計算することができる。

【００４６】したがって、本実施の形態では、独立変数のみを目標概念の引数として付与し、かかる独立変数から計算できる属性については背景知識として定義することとした。

【００４７】このため、本実施の形態では、意味の記述を行うためのデータモデルであるＥＲモデル（Entry Re
lationship Model）の概念を拡張して、属性を基本属性（primitive property）と派生属性（derived propert
y）に分けたＲＥＲモデル（Refined Entry Relationshi
p Model）の概念を新たに導入した。

【００４８】図４は、本実施の形態で採用するＲＥＲモデルをＣＡＤに適用した場合の一例を示す図である。

【００４９】図４に示すように、このＲＥＲモデルは、
２つのライン（line）が接続されている場合のモデルを示しており、具体的には、ライン４１には、該ラインの端点となるノード座標を示すノード（node）４２と、該ラインの長さを示すレングス（length）４３とを属性として持つ。

【００５０】ここで、このノード４２は、独立変数であることが明らかなため基本属性として取り扱い、レングス４３は、ノード４２が有する座標から算定することができるため派生属性として取り扱うことになる。

【００５１】すなわち、かかるノード４２は目標概念の引数として用いられ、一方レングス４３は図１に示す背景知識１３ｃとして使用される。

【００５２】次に、このＲＥＲモデルに基づく目標概念及び背景知識の設定について説明する。

【００５３】本実施の形態では、上記ＲＥＲモデルにおける全てのエンティティ（Entity）に付随する基本属性を引数とする述語として学習目標概念を定義する。

【００５４】そして、各エンティティと基本属性との間の関連を明示するために、エンティティ名をファンクタとする ＜Entity_Name＞（PP1,…,PPn） という形式の構造体を導入する。 ただし、PPi（i=1〜
n）はエンティティの基本属性を示すものとする。

【００５５】さらに、目標概念全体は、目標概念名を述語名とし、各エンティティに対する上記構造体を引数とする述語として定義される。

【００５６】一方、各エンティティの各派生属性に対応して、その派生属性名を述語名とする述語を導入する。
そして、この述語の引数としては、その派生属性が依存する基本属性若しくは他の派生属性を用いる。

【００５７】各述語の定義は、その派生属性を反映するように、論理プログラムによって定義されなければならないが、この部分については人手による定義にゆだねられている。

【００５８】次に、図１に示すプリアンプ１２が行う負事例の自動生成について説明する。

【００５９】従来、分類問題における負事例を生成する際には、他のクラスに属する負事例をそのクラスの負事例とするのが一般的であり、機械的にその生成を行うことが可能となる。

【００６０】しかしながら、かかる生成技術を用いて負事例を生成すると、データベース１８の規模が大きくなればなるほど、これに比例して負事例の数が増加する結果となる。 したがって、かかる負事例を精査することなくＰＲＯＧＯＬ１４に引き渡すと、かかる負事例を用いた学習のための計算量が爆発的に累増してしまう。

【００６１】このため、本実施の形態では、正事例でないデータの中で正事例に近いもののみを負事例として選択することによって負事例の量を必要最小限に押さえ、
ＰＲＯＧＯＬでの処理を軽減することとした。

【００６２】具体的には、正事例の中から１つのデータを取り出したならば、このデータが持つ引数を調べ、任意の１つ引数を除いた他の引数を全て含むデータが存在すればこれを負事例として選択する。 かかる処理を全ての正事例に対して行い、出力された結果のみを負事例として採用する。

【００６３】このため、ある正事例に着目すると、該正事例が持つ全ての引数のうち、１つだけ引数が足らないデータが負事例として採用されるため、正事例に近い有用なデータのみを負事例として選択でき、その負事例数を必要最小限に押さることができたことになる。

【００６４】図５は、図１に示すプリアンプ１２が行う負事例生成の一例を示す図である。

【００６５】図５に示すように、例えば正事例が、 predicate（[v11,v12],[v21,v22],[v31,v32],[v41,v4
2],…）. であるとすると、とえあえず引数[v11,v12]を除いた１
つの近似事例 predicate（…,[v21,v22],…,[v31,v32],…,[v41,v42],
…）. を作成する。

【００６６】そして、この近似事例に基づいてデータベース１８を検索すると、該近似事例の全ての引数を有する predicate（[v91,v92],[v21,v22],[v31,v32],[v41,v4
2],[v221,v222]）. predicate（[v31,v32],[v41,v42],[v21,v22]）. predicate（[v51,v52],[v41,v42],[v31,v32],[v101,v10
2],[v21,v22]）. をそれぞれ得ることができる。

【００６７】その後、得られたデータの前に”：−”を付加して負事例であることを明示した後、正事例から別の１つの引数を除外して同様に近似事例を作成し、該近似事例に基づいてデータベース１８から同様に負事例を検索する。

【００６８】このようにして、正事例の引数を１つだけ欠いたデータを負事例としてデータベース１８から抽出することになる。

【００６９】次に、本実施の形態で行う有限探索空間の設定について説明する。

【００７０】有限時間内に効果的な学習を行うためには、効果的に探索空間を設定することが必要となるため、本実施の形態では、正事例に現れるデータのみを述語の変数のドメインとする考え方を採用し、有限領域を与えるタイプ情報を正事例中のデータのみによって定義して、正事例の引数のとる値のみに探索空間を限定することとした。

【００７１】すなわち、本実施の形態で用いるＰＲＯＧ
ＯＬ１４では、モード宣言で述語の引数のタイプを指定し、タイプ情報の指定によってドメインが決定されるため、このＰＲＯＧＯＬ１４の仕組みを利用して探索空間を設定したのである。

【００７２】次に、図１に示すＤＢアンプ１０を用いた場合と用いない場合の負事例及び背景知識のデータ数の関係について説明する。

【００７３】図６（ａ）は、図１に示すＤＢアンプ１０
を用いない場合の負事例及び背景知識のデータ数の関係を示す図である。

【００７４】同図に示すように、この場合には負事例数及び背景知識のデータ数がともに多くのデータ数を持つ。 このため、メイアンプであるＰＲＯＧＯＬ１４が分類学習を行う際の計算量的負担は大きくなることが分かる。

【００７５】図６（ｂ）は、図１に示すＤＢアンプ１０
を用いた場合の負事例及び背景知識のデータ数の関係を示す図である。

【００７６】同図に示すように、この場合には負事例数及び背景知識のデータ数がともに低減されている。 このため、ＰＲＯＧＯＬ１４が分類学習を行う際の計算量的負担は軽減されることが分かる。

【００７７】以上、本実施の形態が新たに導入したＲＥ
Ｒモデルの概念と、目標概念及び背景知識と、負事例の自動生成と、有限探索空間の設定とについて説明した。

【００７８】次に、この知識発見システムを実際のエキスパートシステムである応答文自動検索メールシステムに展開した場合について説明する。

【００７９】なお、ここで用いるデータベースは、インターネット（Internet）を介して入手した電子メールとその応答結果を格納する事例データベースであり、またエキスパートシステムは、過去に入手した問い合わせの事実データから典型的な質問パターンを抽出し、そのおのおのに該当する内容のメール文書を正事例とするルールの知識獲得を行うものである。

【００８０】すなわち、このエキスパートシステムは、
新たに問い合わせメールを入手したならば、このエキスパートシステムの持つ推論エンジンが自動的に知識ベースを参照し、メールの内容がどの典型質問パターンのルールと合致するかを判定し、典型質問パターンごとに格納されている典型質問文を表示する。

【００８１】このため、ここで用いる知識発見システムは、専門家がどのような最終的な判断を下したか（エキスパートシステムが出力した結果通りに返信したか、他の回答を指示したか）を格納する事例データベースから新たなルールを学習する知識獲得をＤＢアンプに行わせることになる。

【００８２】なお、ルールのレビューのプロセスについては、唯一コンピュータシステム化しないこととするが、その理由は、抽出された結果を確認作業を行わずに直接知識ベースに格納することとすると、エキスパートシステムの出力結果に極端な異常値が発生するおそれがあるためである。

【００８３】次に、この知識発見システムが行う処理の流れについて説明する。

【００８４】図７は、知識発見システムをメールシステムに適用した場合の処理の流れを示す図である。

【００８５】図７に示すように、まず最初にエキスパートシステム７０がメールを受信したならば（ステップ７
０１）、キーワード辞書を用いてメールからキーワードを抽出し（ステップ７０２〜７０３）、知識ベースを用いて推論エンジンによる推論を実行する（ステップ７０
４〜７０５）。

【００８６】そして、この推論の結果得られた候補パターンとその詳細をリスト化し（ステップ７０６）、最適候補を選択するとともにメール応答を行う（ステップ７
０７）。

【００８７】そして、この応答結果は、ＤＢアンプ７１
の事例データベースに登録され（ステップ７０８）、入力ファイルジェネレータたるプリアンプがこの事例データベースを参照して入力ファイルを作成する（ステップ７０９〜７１０）。

【００８８】なお、このＤＢアンプ７１はＰＲＯＧＯＬ
をデータマイニングエンジンとして採用するため、ここで作成した入力ファイルは、図１に示す入力ファイル１
３と同様に、正事例、負事例、背景知識、モード宣言及びタイプ情報を有することになる。

【００８９】その後、この入力ファイルを受け取ったデータマイニングエンジンすなわちＰＲＯＧＯＬが帰納推論を行い、学習したルールを出力する（ステップ７１１
〜７１２）。

【００９０】そして、このルールはあらためてエキスパートシステムの知識ベースに格納され（ステップ７０
５）、次回以降のメール受信時の推論エンジンによる推論に利用される。

【００９１】ここで、この事例データベースの内容は、
過去の電子メールの応答記録であり、事務機器メーカＡ
社での顧客若しくは潜在顧客を対象とした問い合わせ応対業務を蓄積したものを想定している。

【００９２】また、電子メールによる問い合わせ内容のほとんどは、Ａ社が発売している事務機器に関する使用上の障害や要求に関するものであり、これらのメールを２０の典型的な質問文として分類するとともに、新たな質問文が２０のカテゴリーのいずれに属するかを判定するためのルールを学習させるものとする。

【００９３】図８は、上記事例データベースの構造を示す図である。

【００９４】図８に示すように、この事例データベースでは、問い合わせ日時を示す”ＱＤａｔｅ”、”返信アドレス”、”会社名”、”お客様名”、”住所”及び”
電話番号”と、”質問内容”と、”Ｑｋｅｙｗｏｒｄ”
と、”該当典型質問文”というフィールドを有している。

【００９５】ここで、フィールド”質問内容”には、電子メールに記載されていた問い合わせの原文が格納され、フィールド”Ｑｋｅｙｗｏｒｄ”には、概念辞書の参照によって抽出されたキーワードのリストが格納され、フィールド”該当典型質問文”には、専門家によるいずれの典型質問文に該当するかの判断結果が格納されている。 特に、フィールド”該当典型質問文”には、フォーム１〜２０までに分類された結果が数値で記載されている。

【００９６】図９は、本ＤＢアンプ７１によって獲得された知識の一例を示す図である。

【００９７】図９に示すように、この獲得ルールは、
「メールの質問文Ａが'カラーコピ'と'方法'というキーワードを持ち、かつ、'切'というキーワードを持たず、かつ、リスト長が４以下のとき、典型質問文の１
番に分類される（同様の意味の質問文と理解できる）」
という内容を意味している。

【００９８】次に、図７に示すエキスパートシステム７
０について説明する。

【００９９】このエキスパートシステム７０への入力は、インターネット上のＷＷＷ（World Wide Web）サーバ宛の電子メールであり、サーバ上のホームページを実現するＨＴＭＬ（HiperText Makeup Langage）中に、Ｃ
ＧＩを用いて電子メール送信用のツールを実装している。

【０１００】そして、このツールで作成したファイルをＡ社のインターネット接続サーバ上のホームページ中に搭載するとともに、質問者からの情報はＡ社の一部門である「お客様相談センター」の顧客対応のエキスパートシステム宛に自動的に送信される。

【０１０１】図１０は、ＷＷＷのホームページに設けた電子メール送信用ツールの一例を示す図である。

【０１０２】図１０に示すように、この電子メール送信用ツールは、質問内容の入力枠と、インターネットアドレスの入力枠と、住所、会社名、名前及び電話番号の入力枠とがそれぞれ設けられている。

【０１０３】このため、質問者は、これらの箇所に該当事項を入力した後、ツールの最下部に設けた送信枠をマウス等で指示することにより、電子メールをエキスパートシステムに自動送信することができる。

【０１０４】再びエキスパートシステムの説明に戻ると、このエキスパートシステムは、入力した電子メールの問い合わせの本文を概念辞書に照らし合わせてキーワード抽出を行い、リスト形式でデータベース中の該当するフィールドに格納する。

【０１０５】また、推論エンジンは、キーワードのリストを入力データとして知識ベースを参照する。 ただし、
本実施の形態ではデータベースの内容がＲＥＲモデルに基づいて解釈するよう構成したことから、獲得されたルールは全て原始的な述語に変換され、推論の対象となる。

【０１０６】このため、例えばＤＢアンプ７１の出力結果として得られたルールが ｈａｖｅ（Ａ，ｋｅｙｗｏｒｄＸ） ｏｒｄｅｒ（ｋｅｙｗｏｒｄＹ，ｋｅｙｗｏｒｄＺ） ｎｏｔ＿ｈａｖｅ（Ａ，ｋｅｙｗｏｒｄＷ） であるときには、エキスパートシステムの推論エンジンは、この典型質問文に該当する条件を以下のように解釈する。

【０１０７】すなわち、リストの要素を順に抽出してゆくと、 （１） ｋｅｙｗｏｒｄＸが少なくとも１つ抽出される。

【０１０８】（２） ｋｅｙｗｏｒｄＹが少なくとも１
つ抽出される。

【０１０９】（３） ｋｅｙｗｏｒｄＺが少なくとも１
つ抽出される。

【０１１０】（４） ｋｅｙｗｏｒｄＷは決して抽出されない。

【０１１１】（５） ｋｅｙｗｏｒｄＹはｋｅｙｗｏｒ
ｄＺよりも先に抽出される。

【０１１２】という条件を満足するものである。

【０１１３】最終的に得られる結果は、図１１に示すように、「どの典型質問文にどれくらいの確からしさをもって該当するか」を上記の条件を満たす割合を該当可能性として、模範的な回答文（データベース中に典型質問文とともに一意に決定されている）とともに出力する。

【０１１４】以上、本発明に係わる知識発見システムを実際のエキスパートシステムである応答文自動検索メールシステムに展開した場合について説明した。

【０１１５】上述してきたように、本実施の形態では、
プリアンプ１２がインデックスファイル１１に基づいてデータベース１８に格納したデータから入力ファイル１
３を自動生成し、この入力ファイル１３を基にメイアンプであるＰＲＯＧＯＬ１４が学習を行い、その結果得られた知識をエキスパートシステム１６の知識ベース１７
に格納するよう構成したので、下記に示す効果が得られる。

【０１１６】１）データベースからのデータマイニングを自動的に行うことが可能となる。

【０１１７】２）データマイニングによって得られた知識をエキスパートシステムの知識ベースに反映することができる。

【０１１８】また、本実施の形態では、ＲＥＲモデルという新たな概念を導入し、このＲＥＲモデルに基づいてプリアンプ１２がデータベース１８に格納した個々のデータの属性間の相互関係に基づいて背景知識１３ｃを作成するよう構成したので、学習目標概念に関連する知識を帰納論理プログラミングの背景知識として利用することができる。

【０１１９】さらに、本実施の形態では、プリアンプ１
２が入力ファイル１３を生成する際に、正事例が有する複数の要素から一要素を除外した条件を満たす事例のみをデータベース１８から抽出して負事例を生成するよう構成したので、負事例の総数を低減して、メインアンプであるＰＲＯＧＯＬ１４でのデータマイニングを効率良く行うことができる。

【０１２０】

【発明の効果】以上詳細に説明したように、第１の発明では、データベースに格納したデータから正事例、負事例、背景知識、モード宣言及びタイプ情報を少なくとも有する入力ファイルを自動生成し、生成した入力ファイルに基づく学習を通じて一階述語論理に基づく帰納推論を行って知識を発見し、発見した知識をエキスパートシステムが有する知識ベースに供給するよう構成したので、下記に示す効果が得られる。

【０１２１】１）データベースからのデータマイニングを自動的に行うことが可能となる。

【０１２２】２）データマイニングによって得られた知識をエキスパートシステムの知識ベースに反映することができる。

【０１２３】また、第２の発明では、入力ファイルを生成する際にデータベースに格納した個々のデータの属性間の相互関係に基づいて背景知識を作成するよう構成したので、学習目標概念に関連する知識を帰納論理プログラミングの背景知識として利用することが可能となる。

【０１２４】さらに、第３の発明では、入力ファイルを生成する際に正事例が有する複数の要素から一要素を除外した条件を満たす事例のみをデータベースから抽出して負事例を生成するよう構成したので、負事例の総数を低減して、データマイニングを効率良く行うことが可能となる。

【図面の簡単な説明】

【図１】本実施の形態で用いる知識発見システムの全体構成を示すブロック図。

【図２】ＤＢアンプの知識獲得処理における位置づけを示す図。

【図３】図２に示すＤＢアンプの概略構成を示す図。

【図４】本実施の形態で採用するＲＥＲモデルをＣＡＤ
に適用した場合の一例を示す図。

【図５】図１に示すプリアンプが行う負事例生成の一例を示す図。

【図６】図１に示すＤＢアンプを用いた場合と用いない場合の負事例及び背景知識のデータ数の関係を示す図。

【図７】図１に示す知識発見システムをメールシステムに適用した場合の処理の流れを示す図。

【図８】図７に示す事例データベースの基本構造を示す図。

【図９】図７に示す事例データベースから抽出した獲得ルールの一例を示す図。

【図１０】ＷＷＷのホームページ上に設けたメール送信画面の一例を示す図。

【図１１】図７に示すエキスパートシステムからの出力結果の一例を示す図。

【符号の説明】

１０…ＤＢアンプ、 １１…インデックスファイル、
１２…プリアンプ、１３…入力ファイル、 １４…メインアンプ（ＰＲＯＧＯＬ）、１５…ルール、 １６…エキスパートシステム、 １７…知識ベース、１８…データベース、１１ａ…生データ変換ルール、 １１ｂ…モード宣言、１１ｃ…タイプ情報、 １１ｄ…要素定義、
１３ａ…正事例、 １３ｂ…負事例、 １３ｃ…背景知識、１３ｄ…モード宣言、 １３ｅ…タイプ情報

フロントページの続き (72)発明者 岡野 洋 神奈川県川崎市高津区坂戸３丁目２番１号 ＫＳＰ Ｒ＆Ｄ ビジネスパークビル 富士ゼロックス株式会社内