特徴パターン抽出装置、特徴パターン抽出方法、分類支援装置および分類支援方法
【課題】意思決定支援に利用可能な情報を効率的に生成する。
【解決手段】分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部１１１と、アイテム集合に含まれるアイテムのパターンに特徴的な特徴パターンの候補であって、アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部１１３と、クラスごとに、クラスに対応づけられたアイテム集合での候補パターンの出現頻度を算出し、算出した出現頻度が予め定められた条件を満たす候補パターンである特徴パターンを抽出する特徴抽出部１１４と、抽出された特徴パターンを出力する表示部１３０と、を備える。
【解決手段】分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部１１１と、アイテム集合に含まれるアイテムのパターンに特徴的な特徴パターンの候補であって、アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部１１３と、クラスごとに、クラスに対応づけられたアイテム集合での候補パターンの出現頻度を算出し、算出した出現頻度が予め定められた条件を満たす候補パターンである特徴パターンを抽出する特徴抽出部１１４と、抽出された特徴パターンを出力する表示部１３０と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、特徴パターン抽出装置、特徴パターン抽出方法、分類支援装置および分類支援方法に関する。
【背景技術】
【０００２】
非特許文献１では、購入されたアイテムのリストを示すレシートを多数収集することにより、特定のアイテムやアイテム集合に関連して購入される他のアイテムやアイテム集合を明らかにする相関ルールを効率的に発見する技術が提案されている。
【０００３】
非特許文献１の発見法は、小売業等で用いられるレシートを想定して開発された手法であるが、同種のデータを持つ多様な分野に活用されている。また、このような方法で発見された相関ルールは意思決定支援に活用されている。
【０００４】
特許文献１では、データ群ごとに相関ルールを発見するとともに、データ群を被説明変数、相関ルールの条件部、および結論部に対応するアイテムを説明変数として統計処理を実施する技術が提案されている。また、特許文献１では、各アイテムに対する条件部スコアおよび結論部スコアを付与することにより、相関ルールを座標上に展開して、データ群の傾向の相違を視覚化する技術が提案されている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２００２−２５９１２７号公報
【非特許文献】
【０００６】
【非特許文献１】“Mining Sequential Patterns”, R. Agrawal and R. Srikant, Proc. 11th Int. Conf. on Data Engineering, pp. 3-14 （1995）
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、非特許文献１の方法は、アイテム集合の中に内在する特徴的なパターンを発見する方法であり、当該パターン間に内在する関係を発見することはできなかった。特許文献１の方法を利用すれば、異なるデータ群から得られた相関ルールを視覚的に比較することができる。しかし、特許文献１の方法では、異なるデータ群の違いが、いずれの部分のアイテムやアイテム集合に起因するかは、利用者が判断する必要があった。すなわち、データ群の違いを説明する要因を自動的に抽出し、その違いをモデル化することはできなかった。
【０００８】
本発明は、上記に鑑みてなされたものであって、意思決定支援に利用可能な情報を効率的に生成することができる特徴パターン抽出装置、特徴パターン抽出方法、分類支援装置および分類支援方法を提供することを目的とする。
【課題を解決するための手段】
【０００９】
上述した課題を解決し、目的を達成するために、本発明は、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、抽出された前記特徴パターンを出力する出力部と、を備えることを特徴とする。
【００１０】
また、本発明は、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、前記アイテム集合それぞれについて、抽出された前記特徴パターンが前記アイテム集合に含まれているか否かを表す属性ベクトルを生成する属性生成部と、生成された前記属性ベクトルと、前記アイテム集合に対応づけられている前記クラスとに基づいて、前記アイテムを含む集合を前記クラスのいずれかに分類するための分類モデルを生成するモデル生成部と、生成された前記分類モデルを出力する出力部と、を備えることを特徴とする。
【００１１】
また、本発明は、上記装置で実行することができる方法である。
【発明の効果】
【００１２】
本発明によれば、意思決定支援に利用可能な情報を効率的に生成することができるという効果を奏する。
【図面の簡単な説明】
【００１３】
【図１】図１は、第１の実施の形態にかかる特徴パターン抽出装置の構成の一例を示すブロック図である。
【図２】図２は、入力データ記憶部に記憶されるデータのデータ構造の一例を示す図である。
【図３】図３は、候補記憶部に記憶されるデータのデータ構造の一例を示す図である。
【図４】図４は、特徴記憶部に記憶されるデータのデータ構造の一例を示す図である。
【図５】図５は、第１の実施の形態における特徴パターン表示処理の全体の流れを示すフローチャートである。
【図６】図６は、第１の実施の形態における特徴パターン抽出処理の全体の流れを示すフローチャートである。
【図７】図７は、第１の実施の形態における特徴パターン抽出処理の全体の流れを示すフローチャートである。
【図８】図８は、候補パターンおよびクラスの組に対して算出された出現頻度の一例を示す図である。
【図９】図９は、算出される出現頻度の算出結果の一例を示す図である。
【図１０】図１０は、算出される出現頻度の算出結果の一例を示す図である。
【図１１】図１１は、算出される出現頻度の算出結果の一例を示す図である。
【図１２】図１２は、第２の実施の形態にかかる分類支援装置の構成の一例を示すブロック図である。
【図１３】図１３は、第２の実施の形態における分類支援処理の全体の流れを示すフローチャートである。
【図１４】図１４は、生成される属性ベクトルの一例を示す図である。
【図１５】図１５は、生成される分類モデルの一例を示す図である。
【図１６】図１６は、第１または第２の実施の形態にかかる装置のハードウェア構成を示す説明図である。
【発明を実施するための形態】
【００１４】
以下に添付図面を参照して、この発明にかかる特徴パターン抽出装置、特徴パターン抽出方法、分類支援装置および分類支援方法の最良な実施の形態を詳細に説明する。
【００１５】
（第１の実施の形態）
非特許文献１および特許文献１のような従来の相関ルールの発見方法では、特段の区別がない多数のアイテム集合を入力として与えることを前提としている。このため、与えられたアイテム集合が何らかの基準によって分類されているとしても、その分類を考慮してアイテム集合を分析することはできなかった。
【００１６】
しかし、購買された商品のアイテム集合と購買されなかったアイテム集合のように、アイテム集合が何らかの基準によって分類されているデータは多数存在している。このため、特定の分類基準で決定されているクラスを考慮して、特定のアイテム部分集合間の関係を分析することが求められていた。
【００１７】
例えば、ＲＦＩＤタグおよびＲＦＩＤリーダーの普及に伴って、レジでの商品購入というイベント（商品購入イベント）を認識するだけでなく、棚から取り出された商品が再び棚に返却されるといったイベントも認識可能となっている。このような返却に伴うイベントは、商品が購入されなかったことを示すイベント（商品未購入イベント）と解釈することができる。そして、この例では、例えば商品購入イベントと商品未購入イベントとの間にある特徴を分析することが求められていた。
【００１８】
そこで、第１の実施の形態にかかる特徴パターン抽出装置は、予め定められた分類基準により決定されるクラスが付与されたアイテム集合を元に、当該クラスを考慮して特徴パターンを抽出して出力する。
【００１９】
なお、アイテムとは、分析対象となる情報を表すものであり、所定の属性の値を表す属性値によって特徴づけられる。例えば、購買される商品がアイテムに相当する。この場合は、各商品名が属性値に対応する。以下では商品をアイテムとする例について説明するが、アイテムは商品に限られるものではない。例えば、商品の色やサイズなどのように、商品を特徴付ける個々の特徴をアイテムとみなすこともできる。
【００２０】
クラスとは、アイテムの集合（アイテム集合）を分類するための分類情報を表す。例えば、商品をアイテムとする場合は、アイテム集合に含まれる各商品が購入されたか、購入されなかったかによって、当該アイテム集合を分類することができる。この場合、アイテム集合は、例えば「購入」または「未購入」のいずれかのクラスに分類される。なお、クラスはこれに限られるものではなく、所定の分類基準でアイテム集合を分類できる情報であればあらゆる情報を適用できる。また、２つに分類されるクラスだけでなく、３つ以上に分類されるクラスを用いてもよい。
【００２１】
特徴パターンとは、アイテム集合に含まれるアイテムを組み合わせたパターンのうち特徴的なパターンを表す。
【００２２】
図１は、第１の実施の形態にかかる特徴パターン抽出装置１００の構成の一例を示すブロック図である。図１に示すように、特徴パターン抽出装置１００は、入力データ記憶部１２１と、候補記憶部１２２と、特徴記憶部１２３と、特徴生成部１１０と、表示部１３０と、を備えている。
【００２３】
入力データ記憶部１２１は、クラスが付与されたアイテム集合を記憶する。図２は、入力データ記憶部１２１に記憶されるデータのデータ構造の一例を示す図である。図２に示すように、入力データ記憶部１２１は、アイテム集合と、クラスとを対応づけたデータを記憶している。なお、同図では、説明の便宜上、アイテム集合を識別する識別情報（ｔ０〜ｔ９）を記載しているが、入力データ記憶部１２１にこのような識別情報を記憶する必要はない。
【００２４】
図１に戻り、候補記憶部１２２は、特徴パターンの候補となるパターンとして、後述する候補生成部１１３によって生成される候補パターンのうち、次に生成される候補パターンの要素となる候補パターン（以下、候補要素という）を記憶する。具体的には、候補記憶部１２２は、後述する特徴抽出部１１４によって特徴パターンであるか否かを判定できなかった候補パターン（以下、未定パターンという）を候補要素として記憶する。
【００２５】
図３は、候補記憶部１２２に記憶されるデータのデータ構造の一例を示す図である。同図に示すように、候補記憶部１２２は、未定パターンと判定された候補パターンである候補要素を記憶する。なお、同図では、アイテム数が１個の候補要素のみが記載されているが、処理経過に伴いアイテム数が順次増加された候補要素が、候補記憶部１２２に記憶されうる。
【００２６】
図１に戻り、特徴記憶部１２３は、後述する特徴抽出部１１４によって抽出される特徴パターンを記憶する。図４は、特徴記憶部１２３に記憶されるデータのデータ構造の一例を示す図である。図４に示すように、特徴記憶部１２３は、抽出された特徴パターンと、当該特徴パターンが頻出したクラスを表す頻出クラスとを対応づけたデータを記憶している。
【００２７】
なお、入力データ記憶部１２１、候補記憶部１２２、および特徴記憶部１２３は、ＨＤＤ（Hard Disk Drive）、光ディスク、メモリカード、ＲＡＭ（Random Access Memory）などの一般的に利用されているあらゆる記憶媒体により構成することができる。
【００２８】
図１に戻り、特徴生成部１１０は、入力データ記憶部１２１に記憶されているデータから特徴パターンを抽出して特徴記憶部１２３に保存する。特徴生成部１１０は、受付部１１１と、分割部１１２と、候補生成部１１３と、特徴抽出部１１４とを備えている。
【００２９】
受付部１１１は、特徴パターンを抽出する対象となる入力データを受付ける。本実施の形態では、入力データ記憶部１２１に記憶されている、クラスが付与されたアイテム集合を特徴パターンの抽出対象データとして受付ける。なお、データの入力方法はこれに限られるものではない。例えば、外部装置（図示せず）に記憶されたデータを受付けるように構成してもよい。
【００３０】
分割部１１２は、受付部１１１によって入力データ記憶部１２１から読み込まれたクラス付きアイテム集合を、クラスごとの部分集合に分割する。
【００３１】
候補生成部１１３は、クラスごとのアイテムの部分集合からアイテムを抽出し、抽出したアイテムを含む候補パターンを生成する。また、候補生成部１１３は、候補記憶部１２２に記憶されている候補要素から、アイテムの一部が相互に異なる複数の候補要素を取得し、複数の候補要素間で共通するアイテムと、複数の候補要素間で異なるアイテムとを含む候補パターンを新たな候補パターンとして生成する。
【００３２】
特徴抽出部１１４は、クラスごとに、当該クラスに対応づけられたアイテム集合内での各候補パターンの出現頻度を算出し、出現頻度が予め定められた条件を満たす候補パターンを特徴パターンとして抽出する。例えば、特徴抽出部１１４は、予め定められた頻度閾値より大きいか否かを、予め定められた条件として用いることができる。この場合、特徴抽出部１１４は、いずれかのクラスでの出現頻度が頻度閾値より大きく、それ以外のクラスでの出現頻度が頻度閾値以下である候補パターンを特徴パターンとして抽出する。特徴パターン抽出処理の詳細については後述する。
【００３３】
表示部１３０は、抽出された特徴パターンを出力する出力部として機能する、ディスプレイ装置などの表示装置である。
【００３４】
次に、このように構成された第１の実施の形態にかかる特徴パターン抽出装置１００による特徴パターン表示処理について図５を用いて説明する。図５は、第１の実施の形態における特徴パターン表示処理の全体の流れを示すフローチャートである。
【００３５】
まず、受付部１１１が、入力データ記憶部１２１に格納されているクラス付きアイテム集合の中から、１つのクラス付きアイテム集合を読み込む（ステップＳ５０１）。次に、分割部１１２が、読み込まれたクラス付きアイテム集合のクラスを参照することにより、当該クラス付きアイテム集合をクラスごとの部分集合に分割する（ステップＳ５０２）。
【００３６】
例えば、図２に示すような入力データ記憶部１２１から、クラス付きアイテム集合ｔ０〜ｔ４が入力された場合、分割部１１２は、これらのアイテム集合をクラス「購入」に対応する部分集合に割り当てる。これに対して、クラス付きアイテム集合ｔ５〜ｔ９が入力された場合、分割部１１２は、これらのアイテム集合をクラス「未購入」に対応する部分集合に割り当てる。
【００３７】
次に、受付部１１１は、入力データ記憶部１２１に未処理のデータ（クラス付きアイテム集合）が存在するか否かを判断する（ステップＳ５０３）。未処理のクラス付きアイテム集合が存在する場合は（ステップＳ５０３：ＹＥＳ）、次のアイテム集合を読み込んで処理を繰り返す（ステップＳ５０１）。
【００３８】
未処理のアイテム集合が存在しない場合（ステップＳ５０３：ＮＯ）、特徴生成部１１０が、クラス付きアイテム集合から、クラス付きアイテム集合を特徴付ける特徴パターンを発見する特徴パターン抽出処理を実行する（ステップＳ５０４）。
【００３９】
例えば、入力データ記憶部１２１に、図２に示すクラス付きアイテム集合ｔ０〜ｔ９が格納されているとする。また、各アイテム集合が上から順に読み込まれるとする。このとき、ｔ０〜ｔ８のクラス付きアイテム集合が読み込まれた後の場合には、次の未処理のデータが読み込まれる（ステップＳ５０１）。これに対して、ｔ９のクラス付きアイテム集合が読み込まれた後の場合には、未処理のデータが存在しないため、特徴パターン抽出処理が実行される（ステップＳ５０４）。
【００４０】
特徴パターン抽出処理では、抽出過程で生成される候補要素が候補記憶部１２２に格納される一方、発見された特徴パターンが特徴記憶部１２３に格納される。例えば、特徴パターン抽出処理により、図２のようなクラス付きアイテム集合から、図４に示す特徴パターン（ｐ０〜ｐ１１）が発見される。特徴パターン抽出処理の詳細については後述する。
【００４１】
特徴パターン抽出処理の後、表示部１３０が、抽出された特徴パターンを表示し（ステップＳ５０５）、特徴パターン表示処理を終了する。
【００４２】
例えば、表示部１３０は、図４に示すように、頻出クラスを対応づけて表形式で表した特徴パターンを表示する。これにより、ユーザは、アイテムの組み合わせのパターンが、いずれのクラスに分類されるかを判断することができる。
【００４３】
例えば、小売業の販売員であるユーザは、このような特徴パターンを参照することにより、同時に購入される商品（アイテム）を認識し、顧客に薦めることが可能となる。また、このような特徴パターンを参照することにより、ユーザは、例えば同時に購入される頻度が高い商品をより近い場所に配置するといったことが可能となる。このように、本実施の形態によれば、ユーザの意思決定支援に利用可能な情報を効率的に生成して表示することができる。
【００４４】
なお、特徴パターンの出力方法は、表示部１３０に表示する方法に限られるものではない。例えば、プリンタ等により紙媒体に出力するように構成してもよい。
【００４５】
次に、ステップＳ５０４の特徴パターン抽出処理の詳細について図６および図７を用いて説明する。図６および図７は、第１の実施の形態における特徴パターン抽出処理の全体の流れを示すフローチャートである。
【００４６】
まず、候補生成部１１３が、分割部１１２により分割された部分集合を構成するクラスを抽出し、抽出したクラスを含むクラス集合を生成する（ステップＳ６０１）。例えば、図２のようなクラス付きアイテム集合に対しては、「購入」および「未購入」を含むクラス集合が生成される。
【００４７】
次に、候補生成部１１３が、受付部１１１によって読み込まれたクラス付きアイテム集合を構成するアイテム集合の中から、未処理のアイテムを候補パターンとして１つ抽出する（ステップＳ６０２）。
【００４８】
例えば、図２に示すようなクラス付きアイテム集合では、各アイテム集合は、「ジャケット」、「ジーンズ」、「ポロシャツ」、「Ｙシャツ」、「ジャンパー」、「スラックス」、「ベルト」、および「ネクタイ」といったアイテムから構成されている。このため、当該アイテムのいずれかのアイテムが未処理の場合は、そのアイテムが候補パターンとして取得される。
【００４９】
次に、特徴抽出部１１４が、ステップＳ６０１で生成されたクラス集合に含まれるクラスの中から、ステップＳ６０２で抽出された候補パターンに関して、クラスごとの出現頻度を算出していない１つのクラスを選択する（ステップＳ６０３）。例えば、「購入」および「未購入」のクラスが抽出されており、候補パターンであるアイテム「ジャケット」に関しては、いずれかのクラスでまだ出現頻度を算出していない場合には、そのクラスが取得される。
【００５０】
次に、特徴抽出部１１４が、選択されたクラスと一致するクラスが付与されたアイテム集合に対して、ステップＳ６０２で抽出された候補パターンを含むアイテム集合の個数を算出し、当該候補パターンおよび当該クラスでの出現頻度とする（ステップＳ６０４）。
【００５１】
例えば、図２のクラス付きアイテム集合で、アイテム「ジャケット」が候補パターンとして抽出され、クラス「購入」が選択されている場合、アイテム集合ｔ０〜ｔ４に「ジャケット」が含まれているため、出現頻度は５となる。
【００５２】
また、アイテム「ジャケット」が候補パターンとして抽出され、クラス「未購入」が選択されている場合には、アイテム集合ｔ５、ｔ６、およびｔ９に「ジャケット」が含まれているため、出現頻度は３となる。
【００５３】
図８は、このような手順により各候補パターンおよびクラスの組に対して算出された出現頻度の一例を示す図である。同図では、各候補パターンに対して算出された各クラスの出現頻度である購入頻度および未購入頻度が示されている。なお、判定結果とは、各候補パターンに対して、特徴抽出部１１４により判定されたパターン種別の判定結果を表す（詳細は後述）。また、同図のｃｊ，ｋは、アイテム数がｊ個であるｋ＋１番目の候補パターンであることを表す。
【００５４】
次に、候補生成部１１３は、すべてのクラスを処理したか否かを判断する（ステップＳ６０５）。すべてのクラスを処理していない場合（ステップＳ６０５：ＮＯ）、次の未処理のクラスをクラス集合から取得して処理を繰り返す（ステップＳ６０３）。
【００５５】
すべてのクラスを処理した場合（ステップＳ６０５：ＹＥＳ）はステップＳ６０６へ進む。例えば、候補パターンであるアイテム「ジャケット」に関しては、「購入」および「未購入」の両方で出現頻度を算出済みの場合には、ステップＳ６０６に進む。
【００５６】
ステップＳ６０６では、特徴抽出部１１４が、候補パターンとして抽出されているアイテムに対して、クラスごとの出現頻度を参照することにより、当該候補パターンのパターン種別を決定する（ステップＳ６０６）。パターン種別とは、候補パターンが特徴パターンであるか否かを表す情報である。本実施の形態では、パターン種別には、特徴パターン、未定パターン、および非特徴パターンが含まれる。特徴抽出部１１４は、各候補パターンを、この３つのパターン種別のいずれかに決定する。
【００５７】
例えば、特徴抽出部１１４は、２種類のクラスを対象としている場合であれば、一方のクラスで頻出し、他方のクラスでは頻出しない候補パターンを特徴パターンに決定する。また、特徴抽出部１１４は、両方のクラスで頻出する候補パターンを未定パターンに決定する。さらに、特徴抽出部１１４は、両方のクラスで頻出しない候補パターンを非特徴パターンに決定する。なお、パターン種別の判定方法はこれに限られるものではない。
【００５８】
特徴抽出部１１４は、出現頻度が頻度閾値以上になる場合を、頻出すると判断する。例えば、図２のようなクラス付きアイテム集合が入力され、頻度閾値として２が設定されているとする。この場合、候補パターン「ジャケット」は両方のクラスで頻出しているため、未定パターンと判定される。また、候補パターン「ベルト」は、クラス「購入」で頻出していない一方、クラス「未購入」で頻出しているため、特徴パターンと判定される。
【００５９】
同様に、図８の各候補パターンに対しては、同図の判定結果の列に示すように、「ジーンズ」、「ポロシャツ」、「Ｙシャツ」、「ジャンパー」、および「スラックス」が未定パターンと判定され、「ネクタイ」が特徴パターンと判定される。
【００６０】
次に、特徴抽出部１１４は、決定されたパターン種別が特徴パターンであるか否かを判断する（ステップＳ６０７）。パターン種別が特徴パターンである場合（ステップＳ６０７：ＹＥＳ）、特徴抽出部１１４は、候補パターンを特徴パターンとして特徴記憶部１２３に保存する（ステップＳ６０８）。
【００６１】
パターン種別が特徴パターンでない場合（ステップＳ６０７：ＮＯ）、特徴抽出部１１４は、さらに、パターン種別が未定パターンであるか否かを判断する（ステップＳ６０９）。パターン種別が未定パターンの場合（ステップＳ６０９：ＹＥＳ）、特徴抽出部１１４は、候補パターンを候補要素として候補記憶部１２２に保存する（ステップＳ６１０）。
【００６２】
パターン種別が未定パターンでないと判断された場合（ステップＳ６０９：ＮＯ）、および、ステップＳ６０８またはステップＳ６１０で候補パターンを保存した後、候補生成部１１３は、すべてのアイテムを処理したか否かを判断する（ステップＳ６１１）。
【００６３】
すべてのアイテムを処理していない場合（ステップＳ６１１：ＮＯ）、候補生成部１１３は、次の未処理のアイテムを候補パターンとして取得して処理を繰り返す（ステップＳ６０２）。
【００６４】
すべてのアイテムを処理した場合（ステップＳ６１１：ＹＥＳ）、候補生成部１１３は、候補長を延伸できるか否かを判断する（ステップＳ６１２）。なお、候補長とは、現在処理対象としている候補パターンに含まれるアイテムの個数をいう。この時点では、１つのアイテムを候補パターンとして抽出していたため、候補長は１である。
【００６５】
候補生成部１１３は、候補長を延伸できるか否かを、２つ以上の候補要素が候補記憶部１２２に格納されているか否かにより判定する。候補要素が２つ以上格納されている場合は、候補長の延伸が可能と判定し（ステップＳ６１２：ＹＥＳ）、候補生成部１１３は、２つの候補要素を元に候補長を延伸した候補パターンを生成するために、以下の処理を実行する（ステップＳ６１３〜ステップＳ６１４）。例えば、図３の例では、６個の候補要素が記憶されているため、候補長の延伸が可能と判定される。
【００６６】
候補要素が２つ以上存在しない場合（ステップＳ６１２：ＮＯ）、候補長の延伸ができず、これ以上候補パターンを生成して特徴パターンを抽出することができないため、特徴パターン抽出処理を終了する。
【００６７】
候補長の延伸が可能な場合（ステップＳ６１２：ＹＥＳ）、候補生成部１１３は、候補記憶部１２２に格納されている候補要素のうち、現在の候補長（以下、候補長ｋという）に一致した長さを有し、最後のアイテム以外のアイテム部分集合が一致している２つの候補要素からなる候補要素対を取り出す（ステップＳ６１３）。なお、候補長ｋが１の場合、すなわち、候補要素に１つのアイテムのみが含まれる場合は、アイテムが一致する候補要素対は存在しない。したがって、２つの候補要素の組み合わせのすべてを、候補要素対として取り出す。
【００６８】
ただし、各候補要素に含まれるアイテムは予め定められた基準に基づく順序で整列されていることを前提とする。候補生成部１１３は、取り出された候補要素対に含まれるアイテムのうち、共通するｋ−１個のアイテムと、各候補要素で相互に異なるアイテムとを含む、候補長がｋ＋１となる候補パターンを生成する。以下では、候補長がｋ＋１となる候補パターンを（ｋ＋１）次候補パターンと呼称する。なお、当該（ｋ＋１）次候補パターンでも、各アイテムは上記基準に基づく順序で整列されているものとする。
【００６９】
候補要素対を取り出した後（ステップＳ６１３）、候補生成部１１３は、候補要素対に含まれる２つの候補要素から、新たな候補パターンを生成する（ステップＳ６１４）。
【００７０】
例えば、現在の候補長ｋが１であり、候補記憶部１２２に格納されている候補要素の中から、「ジャケット」および「ジーンズ」が条件を満たす候補要素対として抽出されるとする。なお、以下では、各アイテムには、「ジャケット」、「ジーンズ」、「ポロシャツ」、「Ｙシャツ」、「ジャンパー」、「スラックス」、「ベルト」、および「ネクタイ」の順で整列するという整列基準が設定されているものとする。
【００７１】
この場合、候補生成部１１３は、２つの候補要素間で異なるアイテムである「ジャケット」および「ジーンズ」を含む候補パターン「（ジャケット，ジーンズ）」を、新たな２次候補パターンとして生成する。
【００７２】
また、例えば、現在の候補長ｋが２であり、「（ジャケット，ジーンズ）」および「（ジャケット，Ｙシャツ）」が条件を満たす候補要素対として抽出されるとする。このとき、候補生成部１１３は、当該候補要素対から「（ジャケット，ジーンズ，Ｙシャツ）」といった３次候補パターンを生成することができる。
【００７３】
さらに、現在の候補長ｋが３であり、「（ジャケット，ジーンズ，Ｙシャツ）」および「（ジャケット，ジーンズ, ジャンパー）」が条件を満たす候補要素対として抽出されるとする。このとき、候補生成部１１３は、当該候補要素対から「（ジャケット，ジーンズ，Ｙシャツ，ジャンパー）」といった４次候補パターンを生成することができる。
【００７４】
ステップＳ６１５からステップＳ６２２までは、ステップＳ６０３からステップＳ６１０までと同様の処理なので、詳細な説明を省略する。すなわち、ステップＳ６０３からステップＳ６１０では、１つのアイテムからなる候補パターンから特徴パターンを抽出していたのに対し、ステップＳ６１５からステップＳ６２２では、候補長を２以上に延伸した候補パターンから特徴パターンを抽出する。
【００７５】
例えばステップＳ６１６の出現頻度算出処理では、候補パターン「（ジャケット，ジーンズ）」、クラス「購入」の場合であれば、出現頻度が３と計算される（図２参照）。また、候補パターン「（ジャケット，ジーンズ）」、クラス「未購入」の場合は、出現頻度は２と計算される。
【００７６】
図９〜図１１は、このような手順により算出される出現頻度の算出結果の一例を示す図である。図９は、２次候補パターンｃ２，０〜ｃ２，１４に対する各クラスでの出現頻度を表している。図１０は、３次候補パターンｃ３，０〜ｃ３，３に対する各クラスでの出現頻度を表している。図１１は、４次候補パターンｃ４，０に対する各クラスでの出現頻度を表している。
【００７７】
また、例えばステップＳ６１９〜ステップＳ６２２のパターン種別判定処理では、頻度閾値として２が設定されている場合、図９〜図１１に示す各候補パターンに対して、各図の判定結果の列に示す判定結果が得られる。
【００７８】
パターン種別判定処理の後、候補生成部１１３は、すべての候補要素を処理したか否かを判断する（ステップＳ６２３）。すべての候補要素を処理していない場合（ステップＳ６２３：ＮＯ）、候補生成部１１３は、条件を満たす別の候補要素対を取得して処理を繰り返す（ステップＳ６１３）。すべての候補要素を処理した場合（ステップＳ６２３：ＹＥＳ）、候補生成部１１３は、さらに候補長を延伸できるか否かを判断する（ステップＳ６１２）。
【００７９】
すなわち、候補生成部１１３は、現在の候補長と一致する候補長を持つ２つ以上の候補要素が候補記憶部１２２に格納されているか否かを判定する。例えば、現在の候補長が２で、図９のような候補パターンが生成されている場合は、候補長が２となる未定パターンが６個存在しているため、候補長の延伸が可能と判定される。また、現在の候補長が３で、図１０のような候補パターンが生成されている場合は、候補長が３となる未定パターンが２個存在しているため、候補長の延伸が可能と判定される。一方、現在の候補長が４で、図１１のような候補パターンが生成されている場合は、候補長が４となる未定パターンが１個しか存在しないため、候補長の延伸が不能と判定される。
【００８０】
以上に説明した処理を実施することにより、各クラスで傾向の異なるパターンを特徴パターンとして抽出することができる。当該特徴パターンは、各クラスでの傾向が異なるため、クラス間の違いを識別するための特徴量としては妥当なものと考えられる。
【００８１】
なお、これまではクラスの種類が２種類の場合を例に説明したが、３種類以上のクラスを対象とすることが可能である。この場合は、例えば、２つのクラスの個数に関する閾値である下限個数Ｔｈ１と、上限個数Ｔｈ２とを設定する。そして、Ｔｈ１以上かつＴｈ２以下の個数内のクラスで頻出する一方、残りのクラスで頻出しない場合を特徴パターン、Ｔｈ２を超える個数のクラスで頻出する一方、残りのクラスで頻出しない場合を未定パターン、Ｔｈ１より小さい個数のクラスで頻出する一方、残りのクラスで頻出しない場合を非特徴パターンと判定するといった判定基準を用いることができる。
【００８２】
このように、第１の実施の形態にかかる特徴パターン抽出装置では、多数のクラス付きアイテム集合を入力とすることにより、アイテム集合を特徴付けるアイテム部分集合とクラスとの間の関係を明らかにするための特徴パターンを抽出することができる。これにより、意思決定支援に利用可能な情報である特徴パターンを効率的に生成することができる。
【００８３】
（第２の実施の形態）
第２の実施の形態にかかる分類支援装置は、第１の実施の形態と同様の手法により抽出された特徴パターンからの有無に基づいて、アイテム集合をいずれかのクラスに分類するための分類モデルを生成する。すなわち、第２の実施の形態では、異なる条件の下で収集された複数のアイテム集合を、各条件に応じたクラスが付与されたクラス付きアイテム集合とし、当該クラス付きアイテム集合間でのクラスの差異の原因と考えられる分類モデルを学習する。そしてこの分類モデルにより、当該アイテムを扱う分野での人間の意思決定を支援可能とする。
【００８４】
図１２は、第２の実施の形態にかかる分類支援装置２００の構成の一例を示すブロック図である。図１２に示すように、分類支援装置２００は、入力データ記憶部１２１と、候補記憶部１２２と、特徴記憶部１２３と、特徴生成部１１０と、表示部２３０と、属性生成部２４１と、事例生成部２４２と、モデル生成部２４３と、モデル記憶部２２４と、を備えている。
【００８５】
第２の実施の形態では、表示部２３０の機能と、属性生成部２４１、事例生成部２４２、モデル生成部２４３、およびモデル記憶部２２４を追加したことが第１の実施の形態と異なっている。その他の構成および機能は、第１の実施の形態にかかる特徴パターン抽出装置１００の構成を表すブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。
【００８６】
属性生成部２４１は、クラス付きアイテム集合、および、抽出された特徴パターンを参照し、アイテム集合が特徴パターンを含むか否かを表すベクトルである属性ベクトルを生成する。この属性ベクトルでは、特徴パターンが属性に相当し、特徴パターンを含むか否かを表す情報（例えば、１（含む）、０（含まない））が属性値に相当する。
【００８７】
事例生成部２４２は、属性生成部２４１によって生成された属性ベクトルと、属性ベクトルに対応するアイテム集合に付与されたクラスとを対応づけた情報である事例の集合（事例集合）を生成する。
【００８８】
モデル生成部２４３は、事例生成部２４２によって生成された事例集合から分類モデルを生成する。具体的には、モデル生成部２４３は、生成された事例集合を学習事例の集合とみなし、この事例集合に帰納学習法を適応することにより、属性（特徴パターン）によってクラスを識別する分類モデルを学習する。
【００８９】
例えば、モデル生成部２４３は、学習事例の集合から木構造の分類モデルを学習するＩＤ３（“Induction of Decision Trees”, J. R. Quinlan, Machine Learning, vol. 1, no. 1,pp. 81-106 （1986））を用いて、事例集合から分類モデルを生成することができる。なお、適用可能な帰納学習法はＩＤ３に限られず、ＳＶＭ（Support Vector Machine）、およびニューラルネットワークなどの他の帰納学習法を適用するように構成してもよい。
【００９０】
モデル記憶部２２４は、モデル生成部２４３によって生成された分類モデルを記憶する。表示部２３０は、さらに生成された分類モデルを表示する点が、第１の実施の形態の表示部１３０と異なっている。
【００９１】
次に、このように構成された第２の実施の形態にかかる分類支援装置２００による分類支援処理について図１３を用いて説明する。分類支援処理とは、抽出された特徴パターンから分類モデルを生成し、生成した分類モデルを表示することにより、ユーザがアイテム集合をクラスに分類することを支援可能とする処理をいう。図１３は、第２の実施の形態における分類支援処理の全体の流れを示すフローチャートである。
【００９２】
ステップＳ１２０１からステップＳ１２０４までは、第１の実施の形態にかかる特徴パターン抽出装置１００におけるステップＳ５０１からステップＳ５０４までと同様の処理なので、その説明を省略する。
【００９３】
第１の実施の形態と同様の手順により特徴パターンを抽出した後、受付部１１１が、入力データ記憶部１２１に格納されているクラス付きアイテム集合の中から、１つのクラス付きアイテム集合を再度読み込む（ステップＳ１２０５）。
【００９４】
次に、属性生成部２４１が、読み込まれたクラス付きアイテム集合、および、特徴記憶部１２３に格納されている特徴パターンを参照することにより、アイテム集合が特徴パターンを含むか否かを判定して、特徴パターンを含むか否かを表現する属性ベクトルを生成する（ステップＳ１２０６）。
【００９５】
例えば、図２のようなクラス付きアイテム集合の中からｔ０が読み込まれ、図４に示す特徴パターンが抽出されているとする。このとき、属性生成部２４１は、ｔ０を構成するアイテム集合が特徴パターンｐ２およびｐ４を含んでいると判定する。ｐ２を構成するアイテムである「ジャケット」および「ポロシャツ」が、ｔ０を構成するアイテム集合の一部であり、ｐ４を構成するアイテムである「ジーンズ」および「ポロシャツ」が、ｔ０を構成するアイテム集合の一部であるためである。
【００９６】
一方、図４のその他の特徴パターンに関しては、各特徴パターンを構成するアイテムのうち、少なくとも１つがｔ０を構成するアイテム集合に含まれていない。このため、属性生成部２４１は、ｔ０を構成するアイテム集合が、当該特徴パターンを含んでいないと判定する。例えば、ｐ１０の場合は、ｐ１０を構成するアイテムである「ジャンパー」が、ｔ０を構成するアイテムではないため、属性生成部２４１は、ｔ０は特徴パターンｐ１０を含んでいないと判定する。
【００９７】
そして、属性生成部２４１は、例えば、特徴パターンを含んでいる場合を１、含んでいない場合を０によって表現した属性ベクトルを生成する。図１４は、生成される属性ベクトルの一例を示す図である。図１４は、図２のようなクラス付きアイテム集合が入力され、図４に示す特徴パターンが抽出されている場合に生成される属性ベクトルの例を示している。例えば、図１４のｔ０の属性部分に示すベクトル（０、０、１、０、１、０、０、０、０、０、０、０）が、ｔ０に対する属性ベクトルを表す。
【００９８】
図１３に戻り、事例生成部２４２は、生成された属性ベクトルと、属性ベクトルを生成したアイテム集合に付与されたクラスとを組にすることにより事例を生成する（ステップＳ１２０７）。
【００９９】
例えば、クラス付きアイテム集合としてｔ０を処理対象としている場合には、事例生成部２４２は、図１４のｔ０の属性ベクトルと、クラス欄に記載されたクラス「購入」とを対応づけた事例を生成する。
【０１００】
次に、受付部１１１が、未処理のデータが存在するか否かを判断し（ステップＳ１２０８）、存在する場合は（ステップＳ１２０８：ＹＥＳ）、次の未処理のアイテム集合を入力して処理を繰り返す（ステップＳ１２０５）。例えば、図２のクラス付きアイテム集合と図４の特徴パターンに対して処理が繰り返し実施されることにより、最終的に図１４に示す事例集合が生成される。
【０１０１】
未処理のデータが存在しない場合（ステップＳ１２０８：ＮＯ）、モデル生成部２４３が、生成された事例集合を学習事例の集合とみなして、帰納学習法に適応することにより、属性（特徴パターン）によってクラスを識別する分類モデルを学習する（ステップＳ１２０９）。また、モデル生成部２４３は、学習した分類モデルをモデル記憶部２２４に格納する。
【０１０２】
図１５は、生成される分類モデルの一例を示す図である。図１５は、図１４の事例集合から生成される分類モデルの例を示している。同図では、白抜きの楕円によって表現されている分岐ノードに、属性（特徴パターン）のうちの１つが割り当てられており、灰色の楕円によって表現されている末端ノードに、クラスのうちの１つが割り当てられている。また、ノード間を結ぶ線が枝を表しており、当該枝には上位に位置付けられている属性の属性値のうちの１つが割り当てられている。
【０１０３】
同図は、特徴パターンｐ１を含むならばクラスは未購入、特徴パターンｐ１を含まず特徴パターンｐ４を含むならばクラスは購入、特徴パターンｐ１およびｐ４を含まず、特徴パターンｐ３を含むならばクラスは購入、特徴パターンｐ１、ｐ４、およびｐ３のいずれも含まないならばクラスは未購入、という意味を有する分類モデルの例を示している。
【０１０４】
図１３に戻り、表示部２３０は、生成された分類モデルを表示し（ステップＳ１２１０）、分類支援処理を終了する。
【０１０５】
例えば図１５のような分類モデルを表示することにより、ユーザは、アイテムの組み合わせのパターンが、いずれのクラスに分類されるかを判断することができる。例えば、小売業の販売員であるユーザは、このような分類モデルを参照することにより、同時に購入される商品（アイテム）を認識し、顧客に薦めることが可能となる。
【０１０６】
また、例えば、顧客が購入しようとしている商品をリアルタイムで入力するとともに、分類モデルを参照して、入力された商品と同時に購入される可能性が高い他の商品を求め、販売員であるユーザに提示するように構成してもよい。これにより、ユーザは、顧客の行動に応じて顧客に薦めるべき商品をリアルタイムで把握できる。
【０１０７】
このように、第２の実施の形態にかかる分類支援装置では、多数のクラス付きアイテム集合を入力し、アイテム集合を特徴付けるアイテム部分集合とクラスとの間の関係を明らかにする分類モデルを学習することができる。このため、従来の相関ルールの発見法では考慮できなかった、アイテム集合のクラスを考慮した分析を行うことができる。
【０１０８】
次に、第１または第２の実施の形態にかかる各装置（特徴パターン抽出装置、分類支援装置）のハードウェア構成について図１６を用いて説明する。図１６は、第１または第２の実施の形態にかかる装置のハードウェア構成を示す説明図である。
【０１０９】
第１または第２の実施の形態にかかる装置は、ＣＰＵ（Central Processing Unit）５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、ＨＤＤ（Hard Disk Drive）、ＣＤ（Compact Disc）ドライブ装置などの外部記憶装置と、ディスプレイ装置などの表示装置と、キーボードやマウスなどの入力装置と、各部を接続するバス６１を備えており、通常のコンピュータを利用したハードウェア構成となっている。
【０１１０】
第１または第２の実施の形態にかかる装置で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、ＦＤ（Floppy（登録商標）Disk）、ＣＤ−Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録されてコンピュータプログラムプロダクトとして提供される。
【０１１１】
また、第１または第２の実施の形態にかかる装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、第１または第２の実施の形態にかかる装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。
【０１１２】
また、第１または第２の実施の形態にかかる装置で実行されるプログラムを、ＲＯＭ等に予め組み込んで提供するように構成してもよい。
【０１１３】
第１または第２の実施の形態にかかる装置で実行されるプログラムは、上述した各部（受付部、分割部、候補生成部、特徴抽出部）を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ５１（プロセッサ）が上記記憶媒体からプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、上述した各部が主記憶装置上に生成されるようになっている。
【０１１４】
なお、本発明は、上記実施の形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化することができる。また、上記実施の形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成することができる。例えば、実施の形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施の形態にわたる構成要素を適宜組み合わせても良い。
【符号の説明】
【０１１５】
５１ ＣＰＵ
５２ ＲＯＭ
５３ ＲＡＭ
５４ 通信Ｉ／Ｆ
６１ バス
１００ 特徴パターン抽出装置
１１０ 特徴生成部
１１１ 受付部
１１２ 分割部
１１３ 候補生成部
１１４ 特徴抽出部
１２１ 入力データ記憶部
１２２ 候補記憶部
１２３ 特徴記憶部
１３０、２３０ 表示部
２００ 分類支援装置
２２４ モデル記憶部
２４１ 属性生成部
２４２ 事例生成部
２４３ モデル生成部
【技術分野】
【０００１】
本発明は、特徴パターン抽出装置、特徴パターン抽出方法、分類支援装置および分類支援方法に関する。
【背景技術】
【０００２】
非特許文献１では、購入されたアイテムのリストを示すレシートを多数収集することにより、特定のアイテムやアイテム集合に関連して購入される他のアイテムやアイテム集合を明らかにする相関ルールを効率的に発見する技術が提案されている。
【０００３】
非特許文献１の発見法は、小売業等で用いられるレシートを想定して開発された手法であるが、同種のデータを持つ多様な分野に活用されている。また、このような方法で発見された相関ルールは意思決定支援に活用されている。
【０００４】
特許文献１では、データ群ごとに相関ルールを発見するとともに、データ群を被説明変数、相関ルールの条件部、および結論部に対応するアイテムを説明変数として統計処理を実施する技術が提案されている。また、特許文献１では、各アイテムに対する条件部スコアおよび結論部スコアを付与することにより、相関ルールを座標上に展開して、データ群の傾向の相違を視覚化する技術が提案されている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２００２−２５９１２７号公報
【非特許文献】
【０００６】
【非特許文献１】“Mining Sequential Patterns”, R. Agrawal and R. Srikant, Proc. 11th Int. Conf. on Data Engineering, pp. 3-14 （1995）
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、非特許文献１の方法は、アイテム集合の中に内在する特徴的なパターンを発見する方法であり、当該パターン間に内在する関係を発見することはできなかった。特許文献１の方法を利用すれば、異なるデータ群から得られた相関ルールを視覚的に比較することができる。しかし、特許文献１の方法では、異なるデータ群の違いが、いずれの部分のアイテムやアイテム集合に起因するかは、利用者が判断する必要があった。すなわち、データ群の違いを説明する要因を自動的に抽出し、その違いをモデル化することはできなかった。
【０００８】
本発明は、上記に鑑みてなされたものであって、意思決定支援に利用可能な情報を効率的に生成することができる特徴パターン抽出装置、特徴パターン抽出方法、分類支援装置および分類支援方法を提供することを目的とする。
【課題を解決するための手段】
【０００９】
上述した課題を解決し、目的を達成するために、本発明は、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、抽出された前記特徴パターンを出力する出力部と、を備えることを特徴とする。
【００１０】
また、本発明は、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、前記アイテム集合それぞれについて、抽出された前記特徴パターンが前記アイテム集合に含まれているか否かを表す属性ベクトルを生成する属性生成部と、生成された前記属性ベクトルと、前記アイテム集合に対応づけられている前記クラスとに基づいて、前記アイテムを含む集合を前記クラスのいずれかに分類するための分類モデルを生成するモデル生成部と、生成された前記分類モデルを出力する出力部と、を備えることを特徴とする。
【００１１】
また、本発明は、上記装置で実行することができる方法である。
【発明の効果】
【００１２】
本発明によれば、意思決定支援に利用可能な情報を効率的に生成することができるという効果を奏する。
【図面の簡単な説明】
【００１３】
【図１】図１は、第１の実施の形態にかかる特徴パターン抽出装置の構成の一例を示すブロック図である。
【図２】図２は、入力データ記憶部に記憶されるデータのデータ構造の一例を示す図である。
【図３】図３は、候補記憶部に記憶されるデータのデータ構造の一例を示す図である。
【図４】図４は、特徴記憶部に記憶されるデータのデータ構造の一例を示す図である。
【図５】図５は、第１の実施の形態における特徴パターン表示処理の全体の流れを示すフローチャートである。
【図６】図６は、第１の実施の形態における特徴パターン抽出処理の全体の流れを示すフローチャートである。
【図７】図７は、第１の実施の形態における特徴パターン抽出処理の全体の流れを示すフローチャートである。
【図８】図８は、候補パターンおよびクラスの組に対して算出された出現頻度の一例を示す図である。
【図９】図９は、算出される出現頻度の算出結果の一例を示す図である。
【図１０】図１０は、算出される出現頻度の算出結果の一例を示す図である。
【図１１】図１１は、算出される出現頻度の算出結果の一例を示す図である。
【図１２】図１２は、第２の実施の形態にかかる分類支援装置の構成の一例を示すブロック図である。
【図１３】図１３は、第２の実施の形態における分類支援処理の全体の流れを示すフローチャートである。
【図１４】図１４は、生成される属性ベクトルの一例を示す図である。
【図１５】図１５は、生成される分類モデルの一例を示す図である。
【図１６】図１６は、第１または第２の実施の形態にかかる装置のハードウェア構成を示す説明図である。
【発明を実施するための形態】
【００１４】
以下に添付図面を参照して、この発明にかかる特徴パターン抽出装置、特徴パターン抽出方法、分類支援装置および分類支援方法の最良な実施の形態を詳細に説明する。
【００１５】
（第１の実施の形態）
非特許文献１および特許文献１のような従来の相関ルールの発見方法では、特段の区別がない多数のアイテム集合を入力として与えることを前提としている。このため、与えられたアイテム集合が何らかの基準によって分類されているとしても、その分類を考慮してアイテム集合を分析することはできなかった。
【００１６】
しかし、購買された商品のアイテム集合と購買されなかったアイテム集合のように、アイテム集合が何らかの基準によって分類されているデータは多数存在している。このため、特定の分類基準で決定されているクラスを考慮して、特定のアイテム部分集合間の関係を分析することが求められていた。
【００１７】
例えば、ＲＦＩＤタグおよびＲＦＩＤリーダーの普及に伴って、レジでの商品購入というイベント（商品購入イベント）を認識するだけでなく、棚から取り出された商品が再び棚に返却されるといったイベントも認識可能となっている。このような返却に伴うイベントは、商品が購入されなかったことを示すイベント（商品未購入イベント）と解釈することができる。そして、この例では、例えば商品購入イベントと商品未購入イベントとの間にある特徴を分析することが求められていた。
【００１８】
そこで、第１の実施の形態にかかる特徴パターン抽出装置は、予め定められた分類基準により決定されるクラスが付与されたアイテム集合を元に、当該クラスを考慮して特徴パターンを抽出して出力する。
【００１９】
なお、アイテムとは、分析対象となる情報を表すものであり、所定の属性の値を表す属性値によって特徴づけられる。例えば、購買される商品がアイテムに相当する。この場合は、各商品名が属性値に対応する。以下では商品をアイテムとする例について説明するが、アイテムは商品に限られるものではない。例えば、商品の色やサイズなどのように、商品を特徴付ける個々の特徴をアイテムとみなすこともできる。
【００２０】
クラスとは、アイテムの集合（アイテム集合）を分類するための分類情報を表す。例えば、商品をアイテムとする場合は、アイテム集合に含まれる各商品が購入されたか、購入されなかったかによって、当該アイテム集合を分類することができる。この場合、アイテム集合は、例えば「購入」または「未購入」のいずれかのクラスに分類される。なお、クラスはこれに限られるものではなく、所定の分類基準でアイテム集合を分類できる情報であればあらゆる情報を適用できる。また、２つに分類されるクラスだけでなく、３つ以上に分類されるクラスを用いてもよい。
【００２１】
特徴パターンとは、アイテム集合に含まれるアイテムを組み合わせたパターンのうち特徴的なパターンを表す。
【００２２】
図１は、第１の実施の形態にかかる特徴パターン抽出装置１００の構成の一例を示すブロック図である。図１に示すように、特徴パターン抽出装置１００は、入力データ記憶部１２１と、候補記憶部１２２と、特徴記憶部１２３と、特徴生成部１１０と、表示部１３０と、を備えている。
【００２３】
入力データ記憶部１２１は、クラスが付与されたアイテム集合を記憶する。図２は、入力データ記憶部１２１に記憶されるデータのデータ構造の一例を示す図である。図２に示すように、入力データ記憶部１２１は、アイテム集合と、クラスとを対応づけたデータを記憶している。なお、同図では、説明の便宜上、アイテム集合を識別する識別情報（ｔ０〜ｔ９）を記載しているが、入力データ記憶部１２１にこのような識別情報を記憶する必要はない。
【００２４】
図１に戻り、候補記憶部１２２は、特徴パターンの候補となるパターンとして、後述する候補生成部１１３によって生成される候補パターンのうち、次に生成される候補パターンの要素となる候補パターン（以下、候補要素という）を記憶する。具体的には、候補記憶部１２２は、後述する特徴抽出部１１４によって特徴パターンであるか否かを判定できなかった候補パターン（以下、未定パターンという）を候補要素として記憶する。
【００２５】
図３は、候補記憶部１２２に記憶されるデータのデータ構造の一例を示す図である。同図に示すように、候補記憶部１２２は、未定パターンと判定された候補パターンである候補要素を記憶する。なお、同図では、アイテム数が１個の候補要素のみが記載されているが、処理経過に伴いアイテム数が順次増加された候補要素が、候補記憶部１２２に記憶されうる。
【００２６】
図１に戻り、特徴記憶部１２３は、後述する特徴抽出部１１４によって抽出される特徴パターンを記憶する。図４は、特徴記憶部１２３に記憶されるデータのデータ構造の一例を示す図である。図４に示すように、特徴記憶部１２３は、抽出された特徴パターンと、当該特徴パターンが頻出したクラスを表す頻出クラスとを対応づけたデータを記憶している。
【００２７】
なお、入力データ記憶部１２１、候補記憶部１２２、および特徴記憶部１２３は、ＨＤＤ（Hard Disk Drive）、光ディスク、メモリカード、ＲＡＭ（Random Access Memory）などの一般的に利用されているあらゆる記憶媒体により構成することができる。
【００２８】
図１に戻り、特徴生成部１１０は、入力データ記憶部１２１に記憶されているデータから特徴パターンを抽出して特徴記憶部１２３に保存する。特徴生成部１１０は、受付部１１１と、分割部１１２と、候補生成部１１３と、特徴抽出部１１４とを備えている。
【００２９】
受付部１１１は、特徴パターンを抽出する対象となる入力データを受付ける。本実施の形態では、入力データ記憶部１２１に記憶されている、クラスが付与されたアイテム集合を特徴パターンの抽出対象データとして受付ける。なお、データの入力方法はこれに限られるものではない。例えば、外部装置（図示せず）に記憶されたデータを受付けるように構成してもよい。
【００３０】
分割部１１２は、受付部１１１によって入力データ記憶部１２１から読み込まれたクラス付きアイテム集合を、クラスごとの部分集合に分割する。
【００３１】
候補生成部１１３は、クラスごとのアイテムの部分集合からアイテムを抽出し、抽出したアイテムを含む候補パターンを生成する。また、候補生成部１１３は、候補記憶部１２２に記憶されている候補要素から、アイテムの一部が相互に異なる複数の候補要素を取得し、複数の候補要素間で共通するアイテムと、複数の候補要素間で異なるアイテムとを含む候補パターンを新たな候補パターンとして生成する。
【００３２】
特徴抽出部１１４は、クラスごとに、当該クラスに対応づけられたアイテム集合内での各候補パターンの出現頻度を算出し、出現頻度が予め定められた条件を満たす候補パターンを特徴パターンとして抽出する。例えば、特徴抽出部１１４は、予め定められた頻度閾値より大きいか否かを、予め定められた条件として用いることができる。この場合、特徴抽出部１１４は、いずれかのクラスでの出現頻度が頻度閾値より大きく、それ以外のクラスでの出現頻度が頻度閾値以下である候補パターンを特徴パターンとして抽出する。特徴パターン抽出処理の詳細については後述する。
【００３３】
表示部１３０は、抽出された特徴パターンを出力する出力部として機能する、ディスプレイ装置などの表示装置である。
【００３４】
次に、このように構成された第１の実施の形態にかかる特徴パターン抽出装置１００による特徴パターン表示処理について図５を用いて説明する。図５は、第１の実施の形態における特徴パターン表示処理の全体の流れを示すフローチャートである。
【００３５】
まず、受付部１１１が、入力データ記憶部１２１に格納されているクラス付きアイテム集合の中から、１つのクラス付きアイテム集合を読み込む（ステップＳ５０１）。次に、分割部１１２が、読み込まれたクラス付きアイテム集合のクラスを参照することにより、当該クラス付きアイテム集合をクラスごとの部分集合に分割する（ステップＳ５０２）。
【００３６】
例えば、図２に示すような入力データ記憶部１２１から、クラス付きアイテム集合ｔ０〜ｔ４が入力された場合、分割部１１２は、これらのアイテム集合をクラス「購入」に対応する部分集合に割り当てる。これに対して、クラス付きアイテム集合ｔ５〜ｔ９が入力された場合、分割部１１２は、これらのアイテム集合をクラス「未購入」に対応する部分集合に割り当てる。
【００３７】
次に、受付部１１１は、入力データ記憶部１２１に未処理のデータ（クラス付きアイテム集合）が存在するか否かを判断する（ステップＳ５０３）。未処理のクラス付きアイテム集合が存在する場合は（ステップＳ５０３：ＹＥＳ）、次のアイテム集合を読み込んで処理を繰り返す（ステップＳ５０１）。
【００３８】
未処理のアイテム集合が存在しない場合（ステップＳ５０３：ＮＯ）、特徴生成部１１０が、クラス付きアイテム集合から、クラス付きアイテム集合を特徴付ける特徴パターンを発見する特徴パターン抽出処理を実行する（ステップＳ５０４）。
【００３９】
例えば、入力データ記憶部１２１に、図２に示すクラス付きアイテム集合ｔ０〜ｔ９が格納されているとする。また、各アイテム集合が上から順に読み込まれるとする。このとき、ｔ０〜ｔ８のクラス付きアイテム集合が読み込まれた後の場合には、次の未処理のデータが読み込まれる（ステップＳ５０１）。これに対して、ｔ９のクラス付きアイテム集合が読み込まれた後の場合には、未処理のデータが存在しないため、特徴パターン抽出処理が実行される（ステップＳ５０４）。
【００４０】
特徴パターン抽出処理では、抽出過程で生成される候補要素が候補記憶部１２２に格納される一方、発見された特徴パターンが特徴記憶部１２３に格納される。例えば、特徴パターン抽出処理により、図２のようなクラス付きアイテム集合から、図４に示す特徴パターン（ｐ０〜ｐ１１）が発見される。特徴パターン抽出処理の詳細については後述する。
【００４１】
特徴パターン抽出処理の後、表示部１３０が、抽出された特徴パターンを表示し（ステップＳ５０５）、特徴パターン表示処理を終了する。
【００４２】
例えば、表示部１３０は、図４に示すように、頻出クラスを対応づけて表形式で表した特徴パターンを表示する。これにより、ユーザは、アイテムの組み合わせのパターンが、いずれのクラスに分類されるかを判断することができる。
【００４３】
例えば、小売業の販売員であるユーザは、このような特徴パターンを参照することにより、同時に購入される商品（アイテム）を認識し、顧客に薦めることが可能となる。また、このような特徴パターンを参照することにより、ユーザは、例えば同時に購入される頻度が高い商品をより近い場所に配置するといったことが可能となる。このように、本実施の形態によれば、ユーザの意思決定支援に利用可能な情報を効率的に生成して表示することができる。
【００４４】
なお、特徴パターンの出力方法は、表示部１３０に表示する方法に限られるものではない。例えば、プリンタ等により紙媒体に出力するように構成してもよい。
【００４５】
次に、ステップＳ５０４の特徴パターン抽出処理の詳細について図６および図７を用いて説明する。図６および図７は、第１の実施の形態における特徴パターン抽出処理の全体の流れを示すフローチャートである。
【００４６】
まず、候補生成部１１３が、分割部１１２により分割された部分集合を構成するクラスを抽出し、抽出したクラスを含むクラス集合を生成する（ステップＳ６０１）。例えば、図２のようなクラス付きアイテム集合に対しては、「購入」および「未購入」を含むクラス集合が生成される。
【００４７】
次に、候補生成部１１３が、受付部１１１によって読み込まれたクラス付きアイテム集合を構成するアイテム集合の中から、未処理のアイテムを候補パターンとして１つ抽出する（ステップＳ６０２）。
【００４８】
例えば、図２に示すようなクラス付きアイテム集合では、各アイテム集合は、「ジャケット」、「ジーンズ」、「ポロシャツ」、「Ｙシャツ」、「ジャンパー」、「スラックス」、「ベルト」、および「ネクタイ」といったアイテムから構成されている。このため、当該アイテムのいずれかのアイテムが未処理の場合は、そのアイテムが候補パターンとして取得される。
【００４９】
次に、特徴抽出部１１４が、ステップＳ６０１で生成されたクラス集合に含まれるクラスの中から、ステップＳ６０２で抽出された候補パターンに関して、クラスごとの出現頻度を算出していない１つのクラスを選択する（ステップＳ６０３）。例えば、「購入」および「未購入」のクラスが抽出されており、候補パターンであるアイテム「ジャケット」に関しては、いずれかのクラスでまだ出現頻度を算出していない場合には、そのクラスが取得される。
【００５０】
次に、特徴抽出部１１４が、選択されたクラスと一致するクラスが付与されたアイテム集合に対して、ステップＳ６０２で抽出された候補パターンを含むアイテム集合の個数を算出し、当該候補パターンおよび当該クラスでの出現頻度とする（ステップＳ６０４）。
【００５１】
例えば、図２のクラス付きアイテム集合で、アイテム「ジャケット」が候補パターンとして抽出され、クラス「購入」が選択されている場合、アイテム集合ｔ０〜ｔ４に「ジャケット」が含まれているため、出現頻度は５となる。
【００５２】
また、アイテム「ジャケット」が候補パターンとして抽出され、クラス「未購入」が選択されている場合には、アイテム集合ｔ５、ｔ６、およびｔ９に「ジャケット」が含まれているため、出現頻度は３となる。
【００５３】
図８は、このような手順により各候補パターンおよびクラスの組に対して算出された出現頻度の一例を示す図である。同図では、各候補パターンに対して算出された各クラスの出現頻度である購入頻度および未購入頻度が示されている。なお、判定結果とは、各候補パターンに対して、特徴抽出部１１４により判定されたパターン種別の判定結果を表す（詳細は後述）。また、同図のｃｊ，ｋは、アイテム数がｊ個であるｋ＋１番目の候補パターンであることを表す。
【００５４】
次に、候補生成部１１３は、すべてのクラスを処理したか否かを判断する（ステップＳ６０５）。すべてのクラスを処理していない場合（ステップＳ６０５：ＮＯ）、次の未処理のクラスをクラス集合から取得して処理を繰り返す（ステップＳ６０３）。
【００５５】
すべてのクラスを処理した場合（ステップＳ６０５：ＹＥＳ）はステップＳ６０６へ進む。例えば、候補パターンであるアイテム「ジャケット」に関しては、「購入」および「未購入」の両方で出現頻度を算出済みの場合には、ステップＳ６０６に進む。
【００５６】
ステップＳ６０６では、特徴抽出部１１４が、候補パターンとして抽出されているアイテムに対して、クラスごとの出現頻度を参照することにより、当該候補パターンのパターン種別を決定する（ステップＳ６０６）。パターン種別とは、候補パターンが特徴パターンであるか否かを表す情報である。本実施の形態では、パターン種別には、特徴パターン、未定パターン、および非特徴パターンが含まれる。特徴抽出部１１４は、各候補パターンを、この３つのパターン種別のいずれかに決定する。
【００５７】
例えば、特徴抽出部１１４は、２種類のクラスを対象としている場合であれば、一方のクラスで頻出し、他方のクラスでは頻出しない候補パターンを特徴パターンに決定する。また、特徴抽出部１１４は、両方のクラスで頻出する候補パターンを未定パターンに決定する。さらに、特徴抽出部１１４は、両方のクラスで頻出しない候補パターンを非特徴パターンに決定する。なお、パターン種別の判定方法はこれに限られるものではない。
【００５８】
特徴抽出部１１４は、出現頻度が頻度閾値以上になる場合を、頻出すると判断する。例えば、図２のようなクラス付きアイテム集合が入力され、頻度閾値として２が設定されているとする。この場合、候補パターン「ジャケット」は両方のクラスで頻出しているため、未定パターンと判定される。また、候補パターン「ベルト」は、クラス「購入」で頻出していない一方、クラス「未購入」で頻出しているため、特徴パターンと判定される。
【００５９】
同様に、図８の各候補パターンに対しては、同図の判定結果の列に示すように、「ジーンズ」、「ポロシャツ」、「Ｙシャツ」、「ジャンパー」、および「スラックス」が未定パターンと判定され、「ネクタイ」が特徴パターンと判定される。
【００６０】
次に、特徴抽出部１１４は、決定されたパターン種別が特徴パターンであるか否かを判断する（ステップＳ６０７）。パターン種別が特徴パターンである場合（ステップＳ６０７：ＹＥＳ）、特徴抽出部１１４は、候補パターンを特徴パターンとして特徴記憶部１２３に保存する（ステップＳ６０８）。
【００６１】
パターン種別が特徴パターンでない場合（ステップＳ６０７：ＮＯ）、特徴抽出部１１４は、さらに、パターン種別が未定パターンであるか否かを判断する（ステップＳ６０９）。パターン種別が未定パターンの場合（ステップＳ６０９：ＹＥＳ）、特徴抽出部１１４は、候補パターンを候補要素として候補記憶部１２２に保存する（ステップＳ６１０）。
【００６２】
パターン種別が未定パターンでないと判断された場合（ステップＳ６０９：ＮＯ）、および、ステップＳ６０８またはステップＳ６１０で候補パターンを保存した後、候補生成部１１３は、すべてのアイテムを処理したか否かを判断する（ステップＳ６１１）。
【００６３】
すべてのアイテムを処理していない場合（ステップＳ６１１：ＮＯ）、候補生成部１１３は、次の未処理のアイテムを候補パターンとして取得して処理を繰り返す（ステップＳ６０２）。
【００６４】
すべてのアイテムを処理した場合（ステップＳ６１１：ＹＥＳ）、候補生成部１１３は、候補長を延伸できるか否かを判断する（ステップＳ６１２）。なお、候補長とは、現在処理対象としている候補パターンに含まれるアイテムの個数をいう。この時点では、１つのアイテムを候補パターンとして抽出していたため、候補長は１である。
【００６５】
候補生成部１１３は、候補長を延伸できるか否かを、２つ以上の候補要素が候補記憶部１２２に格納されているか否かにより判定する。候補要素が２つ以上格納されている場合は、候補長の延伸が可能と判定し（ステップＳ６１２：ＹＥＳ）、候補生成部１１３は、２つの候補要素を元に候補長を延伸した候補パターンを生成するために、以下の処理を実行する（ステップＳ６１３〜ステップＳ６１４）。例えば、図３の例では、６個の候補要素が記憶されているため、候補長の延伸が可能と判定される。
【００６６】
候補要素が２つ以上存在しない場合（ステップＳ６１２：ＮＯ）、候補長の延伸ができず、これ以上候補パターンを生成して特徴パターンを抽出することができないため、特徴パターン抽出処理を終了する。
【００６７】
候補長の延伸が可能な場合（ステップＳ６１２：ＹＥＳ）、候補生成部１１３は、候補記憶部１２２に格納されている候補要素のうち、現在の候補長（以下、候補長ｋという）に一致した長さを有し、最後のアイテム以外のアイテム部分集合が一致している２つの候補要素からなる候補要素対を取り出す（ステップＳ６１３）。なお、候補長ｋが１の場合、すなわち、候補要素に１つのアイテムのみが含まれる場合は、アイテムが一致する候補要素対は存在しない。したがって、２つの候補要素の組み合わせのすべてを、候補要素対として取り出す。
【００６８】
ただし、各候補要素に含まれるアイテムは予め定められた基準に基づく順序で整列されていることを前提とする。候補生成部１１３は、取り出された候補要素対に含まれるアイテムのうち、共通するｋ−１個のアイテムと、各候補要素で相互に異なるアイテムとを含む、候補長がｋ＋１となる候補パターンを生成する。以下では、候補長がｋ＋１となる候補パターンを（ｋ＋１）次候補パターンと呼称する。なお、当該（ｋ＋１）次候補パターンでも、各アイテムは上記基準に基づく順序で整列されているものとする。
【００６９】
候補要素対を取り出した後（ステップＳ６１３）、候補生成部１１３は、候補要素対に含まれる２つの候補要素から、新たな候補パターンを生成する（ステップＳ６１４）。
【００７０】
例えば、現在の候補長ｋが１であり、候補記憶部１２２に格納されている候補要素の中から、「ジャケット」および「ジーンズ」が条件を満たす候補要素対として抽出されるとする。なお、以下では、各アイテムには、「ジャケット」、「ジーンズ」、「ポロシャツ」、「Ｙシャツ」、「ジャンパー」、「スラックス」、「ベルト」、および「ネクタイ」の順で整列するという整列基準が設定されているものとする。
【００７１】
この場合、候補生成部１１３は、２つの候補要素間で異なるアイテムである「ジャケット」および「ジーンズ」を含む候補パターン「（ジャケット，ジーンズ）」を、新たな２次候補パターンとして生成する。
【００７２】
また、例えば、現在の候補長ｋが２であり、「（ジャケット，ジーンズ）」および「（ジャケット，Ｙシャツ）」が条件を満たす候補要素対として抽出されるとする。このとき、候補生成部１１３は、当該候補要素対から「（ジャケット，ジーンズ，Ｙシャツ）」といった３次候補パターンを生成することができる。
【００７３】
さらに、現在の候補長ｋが３であり、「（ジャケット，ジーンズ，Ｙシャツ）」および「（ジャケット，ジーンズ, ジャンパー）」が条件を満たす候補要素対として抽出されるとする。このとき、候補生成部１１３は、当該候補要素対から「（ジャケット，ジーンズ，Ｙシャツ，ジャンパー）」といった４次候補パターンを生成することができる。
【００７４】
ステップＳ６１５からステップＳ６２２までは、ステップＳ６０３からステップＳ６１０までと同様の処理なので、詳細な説明を省略する。すなわち、ステップＳ６０３からステップＳ６１０では、１つのアイテムからなる候補パターンから特徴パターンを抽出していたのに対し、ステップＳ６１５からステップＳ６２２では、候補長を２以上に延伸した候補パターンから特徴パターンを抽出する。
【００７５】
例えばステップＳ６１６の出現頻度算出処理では、候補パターン「（ジャケット，ジーンズ）」、クラス「購入」の場合であれば、出現頻度が３と計算される（図２参照）。また、候補パターン「（ジャケット，ジーンズ）」、クラス「未購入」の場合は、出現頻度は２と計算される。
【００７６】
図９〜図１１は、このような手順により算出される出現頻度の算出結果の一例を示す図である。図９は、２次候補パターンｃ２，０〜ｃ２，１４に対する各クラスでの出現頻度を表している。図１０は、３次候補パターンｃ３，０〜ｃ３，３に対する各クラスでの出現頻度を表している。図１１は、４次候補パターンｃ４，０に対する各クラスでの出現頻度を表している。
【００７７】
また、例えばステップＳ６１９〜ステップＳ６２２のパターン種別判定処理では、頻度閾値として２が設定されている場合、図９〜図１１に示す各候補パターンに対して、各図の判定結果の列に示す判定結果が得られる。
【００７８】
パターン種別判定処理の後、候補生成部１１３は、すべての候補要素を処理したか否かを判断する（ステップＳ６２３）。すべての候補要素を処理していない場合（ステップＳ６２３：ＮＯ）、候補生成部１１３は、条件を満たす別の候補要素対を取得して処理を繰り返す（ステップＳ６１３）。すべての候補要素を処理した場合（ステップＳ６２３：ＹＥＳ）、候補生成部１１３は、さらに候補長を延伸できるか否かを判断する（ステップＳ６１２）。
【００７９】
すなわち、候補生成部１１３は、現在の候補長と一致する候補長を持つ２つ以上の候補要素が候補記憶部１２２に格納されているか否かを判定する。例えば、現在の候補長が２で、図９のような候補パターンが生成されている場合は、候補長が２となる未定パターンが６個存在しているため、候補長の延伸が可能と判定される。また、現在の候補長が３で、図１０のような候補パターンが生成されている場合は、候補長が３となる未定パターンが２個存在しているため、候補長の延伸が可能と判定される。一方、現在の候補長が４で、図１１のような候補パターンが生成されている場合は、候補長が４となる未定パターンが１個しか存在しないため、候補長の延伸が不能と判定される。
【００８０】
以上に説明した処理を実施することにより、各クラスで傾向の異なるパターンを特徴パターンとして抽出することができる。当該特徴パターンは、各クラスでの傾向が異なるため、クラス間の違いを識別するための特徴量としては妥当なものと考えられる。
【００８１】
なお、これまではクラスの種類が２種類の場合を例に説明したが、３種類以上のクラスを対象とすることが可能である。この場合は、例えば、２つのクラスの個数に関する閾値である下限個数Ｔｈ１と、上限個数Ｔｈ２とを設定する。そして、Ｔｈ１以上かつＴｈ２以下の個数内のクラスで頻出する一方、残りのクラスで頻出しない場合を特徴パターン、Ｔｈ２を超える個数のクラスで頻出する一方、残りのクラスで頻出しない場合を未定パターン、Ｔｈ１より小さい個数のクラスで頻出する一方、残りのクラスで頻出しない場合を非特徴パターンと判定するといった判定基準を用いることができる。
【００８２】
このように、第１の実施の形態にかかる特徴パターン抽出装置では、多数のクラス付きアイテム集合を入力とすることにより、アイテム集合を特徴付けるアイテム部分集合とクラスとの間の関係を明らかにするための特徴パターンを抽出することができる。これにより、意思決定支援に利用可能な情報である特徴パターンを効率的に生成することができる。
【００８３】
（第２の実施の形態）
第２の実施の形態にかかる分類支援装置は、第１の実施の形態と同様の手法により抽出された特徴パターンからの有無に基づいて、アイテム集合をいずれかのクラスに分類するための分類モデルを生成する。すなわち、第２の実施の形態では、異なる条件の下で収集された複数のアイテム集合を、各条件に応じたクラスが付与されたクラス付きアイテム集合とし、当該クラス付きアイテム集合間でのクラスの差異の原因と考えられる分類モデルを学習する。そしてこの分類モデルにより、当該アイテムを扱う分野での人間の意思決定を支援可能とする。
【００８４】
図１２は、第２の実施の形態にかかる分類支援装置２００の構成の一例を示すブロック図である。図１２に示すように、分類支援装置２００は、入力データ記憶部１２１と、候補記憶部１２２と、特徴記憶部１２３と、特徴生成部１１０と、表示部２３０と、属性生成部２４１と、事例生成部２４２と、モデル生成部２４３と、モデル記憶部２２４と、を備えている。
【００８５】
第２の実施の形態では、表示部２３０の機能と、属性生成部２４１、事例生成部２４２、モデル生成部２４３、およびモデル記憶部２２４を追加したことが第１の実施の形態と異なっている。その他の構成および機能は、第１の実施の形態にかかる特徴パターン抽出装置１００の構成を表すブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。
【００８６】
属性生成部２４１は、クラス付きアイテム集合、および、抽出された特徴パターンを参照し、アイテム集合が特徴パターンを含むか否かを表すベクトルである属性ベクトルを生成する。この属性ベクトルでは、特徴パターンが属性に相当し、特徴パターンを含むか否かを表す情報（例えば、１（含む）、０（含まない））が属性値に相当する。
【００８７】
事例生成部２４２は、属性生成部２４１によって生成された属性ベクトルと、属性ベクトルに対応するアイテム集合に付与されたクラスとを対応づけた情報である事例の集合（事例集合）を生成する。
【００８８】
モデル生成部２４３は、事例生成部２４２によって生成された事例集合から分類モデルを生成する。具体的には、モデル生成部２４３は、生成された事例集合を学習事例の集合とみなし、この事例集合に帰納学習法を適応することにより、属性（特徴パターン）によってクラスを識別する分類モデルを学習する。
【００８９】
例えば、モデル生成部２４３は、学習事例の集合から木構造の分類モデルを学習するＩＤ３（“Induction of Decision Trees”, J. R. Quinlan, Machine Learning, vol. 1, no. 1,pp. 81-106 （1986））を用いて、事例集合から分類モデルを生成することができる。なお、適用可能な帰納学習法はＩＤ３に限られず、ＳＶＭ（Support Vector Machine）、およびニューラルネットワークなどの他の帰納学習法を適用するように構成してもよい。
【００９０】
モデル記憶部２２４は、モデル生成部２４３によって生成された分類モデルを記憶する。表示部２３０は、さらに生成された分類モデルを表示する点が、第１の実施の形態の表示部１３０と異なっている。
【００９１】
次に、このように構成された第２の実施の形態にかかる分類支援装置２００による分類支援処理について図１３を用いて説明する。分類支援処理とは、抽出された特徴パターンから分類モデルを生成し、生成した分類モデルを表示することにより、ユーザがアイテム集合をクラスに分類することを支援可能とする処理をいう。図１３は、第２の実施の形態における分類支援処理の全体の流れを示すフローチャートである。
【００９２】
ステップＳ１２０１からステップＳ１２０４までは、第１の実施の形態にかかる特徴パターン抽出装置１００におけるステップＳ５０１からステップＳ５０４までと同様の処理なので、その説明を省略する。
【００９３】
第１の実施の形態と同様の手順により特徴パターンを抽出した後、受付部１１１が、入力データ記憶部１２１に格納されているクラス付きアイテム集合の中から、１つのクラス付きアイテム集合を再度読み込む（ステップＳ１２０５）。
【００９４】
次に、属性生成部２４１が、読み込まれたクラス付きアイテム集合、および、特徴記憶部１２３に格納されている特徴パターンを参照することにより、アイテム集合が特徴パターンを含むか否かを判定して、特徴パターンを含むか否かを表現する属性ベクトルを生成する（ステップＳ１２０６）。
【００９５】
例えば、図２のようなクラス付きアイテム集合の中からｔ０が読み込まれ、図４に示す特徴パターンが抽出されているとする。このとき、属性生成部２４１は、ｔ０を構成するアイテム集合が特徴パターンｐ２およびｐ４を含んでいると判定する。ｐ２を構成するアイテムである「ジャケット」および「ポロシャツ」が、ｔ０を構成するアイテム集合の一部であり、ｐ４を構成するアイテムである「ジーンズ」および「ポロシャツ」が、ｔ０を構成するアイテム集合の一部であるためである。
【００９６】
一方、図４のその他の特徴パターンに関しては、各特徴パターンを構成するアイテムのうち、少なくとも１つがｔ０を構成するアイテム集合に含まれていない。このため、属性生成部２４１は、ｔ０を構成するアイテム集合が、当該特徴パターンを含んでいないと判定する。例えば、ｐ１０の場合は、ｐ１０を構成するアイテムである「ジャンパー」が、ｔ０を構成するアイテムではないため、属性生成部２４１は、ｔ０は特徴パターンｐ１０を含んでいないと判定する。
【００９７】
そして、属性生成部２４１は、例えば、特徴パターンを含んでいる場合を１、含んでいない場合を０によって表現した属性ベクトルを生成する。図１４は、生成される属性ベクトルの一例を示す図である。図１４は、図２のようなクラス付きアイテム集合が入力され、図４に示す特徴パターンが抽出されている場合に生成される属性ベクトルの例を示している。例えば、図１４のｔ０の属性部分に示すベクトル（０、０、１、０、１、０、０、０、０、０、０、０）が、ｔ０に対する属性ベクトルを表す。
【００９８】
図１３に戻り、事例生成部２４２は、生成された属性ベクトルと、属性ベクトルを生成したアイテム集合に付与されたクラスとを組にすることにより事例を生成する（ステップＳ１２０７）。
【００９９】
例えば、クラス付きアイテム集合としてｔ０を処理対象としている場合には、事例生成部２４２は、図１４のｔ０の属性ベクトルと、クラス欄に記載されたクラス「購入」とを対応づけた事例を生成する。
【０１００】
次に、受付部１１１が、未処理のデータが存在するか否かを判断し（ステップＳ１２０８）、存在する場合は（ステップＳ１２０８：ＹＥＳ）、次の未処理のアイテム集合を入力して処理を繰り返す（ステップＳ１２０５）。例えば、図２のクラス付きアイテム集合と図４の特徴パターンに対して処理が繰り返し実施されることにより、最終的に図１４に示す事例集合が生成される。
【０１０１】
未処理のデータが存在しない場合（ステップＳ１２０８：ＮＯ）、モデル生成部２４３が、生成された事例集合を学習事例の集合とみなして、帰納学習法に適応することにより、属性（特徴パターン）によってクラスを識別する分類モデルを学習する（ステップＳ１２０９）。また、モデル生成部２４３は、学習した分類モデルをモデル記憶部２２４に格納する。
【０１０２】
図１５は、生成される分類モデルの一例を示す図である。図１５は、図１４の事例集合から生成される分類モデルの例を示している。同図では、白抜きの楕円によって表現されている分岐ノードに、属性（特徴パターン）のうちの１つが割り当てられており、灰色の楕円によって表現されている末端ノードに、クラスのうちの１つが割り当てられている。また、ノード間を結ぶ線が枝を表しており、当該枝には上位に位置付けられている属性の属性値のうちの１つが割り当てられている。
【０１０３】
同図は、特徴パターンｐ１を含むならばクラスは未購入、特徴パターンｐ１を含まず特徴パターンｐ４を含むならばクラスは購入、特徴パターンｐ１およびｐ４を含まず、特徴パターンｐ３を含むならばクラスは購入、特徴パターンｐ１、ｐ４、およびｐ３のいずれも含まないならばクラスは未購入、という意味を有する分類モデルの例を示している。
【０１０４】
図１３に戻り、表示部２３０は、生成された分類モデルを表示し（ステップＳ１２１０）、分類支援処理を終了する。
【０１０５】
例えば図１５のような分類モデルを表示することにより、ユーザは、アイテムの組み合わせのパターンが、いずれのクラスに分類されるかを判断することができる。例えば、小売業の販売員であるユーザは、このような分類モデルを参照することにより、同時に購入される商品（アイテム）を認識し、顧客に薦めることが可能となる。
【０１０６】
また、例えば、顧客が購入しようとしている商品をリアルタイムで入力するとともに、分類モデルを参照して、入力された商品と同時に購入される可能性が高い他の商品を求め、販売員であるユーザに提示するように構成してもよい。これにより、ユーザは、顧客の行動に応じて顧客に薦めるべき商品をリアルタイムで把握できる。
【０１０７】
このように、第２の実施の形態にかかる分類支援装置では、多数のクラス付きアイテム集合を入力し、アイテム集合を特徴付けるアイテム部分集合とクラスとの間の関係を明らかにする分類モデルを学習することができる。このため、従来の相関ルールの発見法では考慮できなかった、アイテム集合のクラスを考慮した分析を行うことができる。
【０１０８】
次に、第１または第２の実施の形態にかかる各装置（特徴パターン抽出装置、分類支援装置）のハードウェア構成について図１６を用いて説明する。図１６は、第１または第２の実施の形態にかかる装置のハードウェア構成を示す説明図である。
【０１０９】
第１または第２の実施の形態にかかる装置は、ＣＰＵ（Central Processing Unit）５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、ＨＤＤ（Hard Disk Drive）、ＣＤ（Compact Disc）ドライブ装置などの外部記憶装置と、ディスプレイ装置などの表示装置と、キーボードやマウスなどの入力装置と、各部を接続するバス６１を備えており、通常のコンピュータを利用したハードウェア構成となっている。
【０１１０】
第１または第２の実施の形態にかかる装置で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、ＦＤ（Floppy（登録商標）Disk）、ＣＤ−Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録されてコンピュータプログラムプロダクトとして提供される。
【０１１１】
また、第１または第２の実施の形態にかかる装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、第１または第２の実施の形態にかかる装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。
【０１１２】
また、第１または第２の実施の形態にかかる装置で実行されるプログラムを、ＲＯＭ等に予め組み込んで提供するように構成してもよい。
【０１１３】
第１または第２の実施の形態にかかる装置で実行されるプログラムは、上述した各部（受付部、分割部、候補生成部、特徴抽出部）を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ５１（プロセッサ）が上記記憶媒体からプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、上述した各部が主記憶装置上に生成されるようになっている。
【０１１４】
なお、本発明は、上記実施の形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化することができる。また、上記実施の形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成することができる。例えば、実施の形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施の形態にわたる構成要素を適宜組み合わせても良い。
【符号の説明】
【０１１５】
５１ ＣＰＵ
５２ ＲＯＭ
５３ ＲＡＭ
５４ 通信Ｉ／Ｆ
６１ バス
１００ 特徴パターン抽出装置
１１０ 特徴生成部
１１１ 受付部
１１２ 分割部
１１３ 候補生成部
１１４ 特徴抽出部
１２１ 入力データ記憶部
１２２ 候補記憶部
１２３ 特徴記憶部
１３０、２３０ 表示部
２００ 分類支援装置
２２４ モデル記憶部
２４１ 属性生成部
２４２ 事例生成部
２４３ モデル生成部
【特許請求の範囲】
【請求項１】
分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、
前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、
前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、
抽出された前記特徴パターンを出力する出力部と、
を備えることを特徴とする特徴パターン抽出装置。
【請求項２】
前記特徴抽出部は、前記クラスのうちいずれかのクラスである第１クラスでの前記出現頻度が前記条件を満たし、前記クラスに含まれる前記第１クラス以外のクラスでの前記出現頻度が前記条件を満たさない前記候補パターンを、前記特徴パターンとして抽出すること、
を特徴とする請求項１に記載の特徴パターン抽出装置。
【請求項３】
前記第１クラスは、前記クラスのうちいずれかのクラスであって、予め定められた下限個数以上かつ予め定められた上限個数以下の個数のクラスであること、
を特徴とする請求項２に記載の特徴パターン抽出装置。
【請求項４】
前記特徴抽出部は、前記クラスのうち、予め定められた上限個数より大きい個数のクラスでの前記出現頻度が前記条件を満たす前記候補パターンを、前記特徴パターンであるか否かを定められない未定パターンとして抽出し、
前記候補生成部は、さらに、複数の前記未定パターンから抽出したアイテムを含む新たな候補パターンを生成すること、
を特徴とする請求項１に記載の特徴パターン抽出装置。
【請求項５】
前記候補生成部は、アイテムの一部のみが相互に異なる複数の前記未定パターンから、共通するアイテムと相互に異なるアイテムとを抽出し、共通するアイテムと相互に異なるアイテムとを含む新たな候補パターンを生成すること、
を特徴とする請求項４に記載の特徴パターン抽出装置。
【請求項６】
前記候補生成部は、相互に異なる１つのアイテムを含む複数の前記未定パターンから、相互に異なるアイテムをそれぞれ抽出し、抽出した２つのアイテムを含む新たな候補パターンを生成すること、
を特徴とする請求項４に記載の特徴パターン抽出装置。
【請求項７】
前記特徴抽出部は、前記クラスのうちいずれかのクラスであって、予め定められた下限個数より小さい個数のクラスである第１クラスでの前記出現頻度が前記条件を満たし、前記クラスに含まれる前記第１クラス以外のクラスでの前記出現頻度が前記条件を満たさない前記候補パターンを、前記特徴パターンとして抽出しないこと、
を特徴とする請求項１に記載の特徴パターン抽出装置。
【請求項８】
分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、
前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、
前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、
前記アイテム集合それぞれについて、抽出された前記特徴パターンが前記アイテム集合に含まれているか否かを表す属性ベクトルを生成する属性生成部と、
生成された前記属性ベクトルと、前記アイテム集合に対応づけられている前記クラスとに基づいて、前記アイテムを含む集合を前記クラスのいずれかに分類するための分類モデルを生成するモデル生成部と、
生成された前記分類モデルを出力する出力部と、
を備えることを特徴とする分類支援装置。
【請求項９】
受付部が、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付ステップと、
候補生成部が、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成ステップと、
特徴抽出部が、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出ステップと、
出力部が、抽出された前記特徴パターンを出力する出力ステップと、
を備えることを特徴とする特徴パターン抽出方法。
【請求項１０】
受付部が、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付ステップと、
候補生成部が、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成ステップと、
特徴抽出部が、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出ステップと、
属性生成部が、前記アイテム集合それぞれについて、抽出された前記特徴パターンが前記アイテム集合に含まれているか否かを表す属性ベクトルを生成する属性生成ステップと、
モデル生成部が、生成された前記属性ベクトルと、前記アイテム集合に対応づけられている前記クラスとに基づいて、前記アイテムを含む集合を前記クラスのいずれかに分類するための分類モデルを生成するモデル生成ステップと、
出力部が、生成された前記分類モデルを出力する出力ステップと、
を備えることを特徴とする分類支援方法。
【請求項１】
分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、
前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、
前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、
抽出された前記特徴パターンを出力する出力部と、
を備えることを特徴とする特徴パターン抽出装置。
【請求項２】
前記特徴抽出部は、前記クラスのうちいずれかのクラスである第１クラスでの前記出現頻度が前記条件を満たし、前記クラスに含まれる前記第１クラス以外のクラスでの前記出現頻度が前記条件を満たさない前記候補パターンを、前記特徴パターンとして抽出すること、
を特徴とする請求項１に記載の特徴パターン抽出装置。
【請求項３】
前記第１クラスは、前記クラスのうちいずれかのクラスであって、予め定められた下限個数以上かつ予め定められた上限個数以下の個数のクラスであること、
を特徴とする請求項２に記載の特徴パターン抽出装置。
【請求項４】
前記特徴抽出部は、前記クラスのうち、予め定められた上限個数より大きい個数のクラスでの前記出現頻度が前記条件を満たす前記候補パターンを、前記特徴パターンであるか否かを定められない未定パターンとして抽出し、
前記候補生成部は、さらに、複数の前記未定パターンから抽出したアイテムを含む新たな候補パターンを生成すること、
を特徴とする請求項１に記載の特徴パターン抽出装置。
【請求項５】
前記候補生成部は、アイテムの一部のみが相互に異なる複数の前記未定パターンから、共通するアイテムと相互に異なるアイテムとを抽出し、共通するアイテムと相互に異なるアイテムとを含む新たな候補パターンを生成すること、
を特徴とする請求項４に記載の特徴パターン抽出装置。
【請求項６】
前記候補生成部は、相互に異なる１つのアイテムを含む複数の前記未定パターンから、相互に異なるアイテムをそれぞれ抽出し、抽出した２つのアイテムを含む新たな候補パターンを生成すること、
を特徴とする請求項４に記載の特徴パターン抽出装置。
【請求項７】
前記特徴抽出部は、前記クラスのうちいずれかのクラスであって、予め定められた下限個数より小さい個数のクラスである第１クラスでの前記出現頻度が前記条件を満たし、前記クラスに含まれる前記第１クラス以外のクラスでの前記出現頻度が前記条件を満たさない前記候補パターンを、前記特徴パターンとして抽出しないこと、
を特徴とする請求項１に記載の特徴パターン抽出装置。
【請求項８】
分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付部と、
前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成部と、
前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出部と、
前記アイテム集合それぞれについて、抽出された前記特徴パターンが前記アイテム集合に含まれているか否かを表す属性ベクトルを生成する属性生成部と、
生成された前記属性ベクトルと、前記アイテム集合に対応づけられている前記クラスとに基づいて、前記アイテムを含む集合を前記クラスのいずれかに分類するための分類モデルを生成するモデル生成部と、
生成された前記分類モデルを出力する出力部と、
を備えることを特徴とする分類支援装置。
【請求項９】
受付部が、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付ステップと、
候補生成部が、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成ステップと、
特徴抽出部が、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出ステップと、
出力部が、抽出された前記特徴パターンを出力する出力ステップと、
を備えることを特徴とする特徴パターン抽出方法。
【請求項１０】
受付部が、分析対象となる情報を表す少なくとも１つのアイテムを含む集合であって、前記集合が分類されるクラスを対応づけたアイテム集合の入力を受付ける受付ステップと、
候補生成部が、前記アイテム集合に含まれるアイテムのパターンのうち特徴的なパターンを表す特徴パターンの候補であって、前記アイテム集合に含まれる少なくとも１つのアイテムを含む候補パターンを生成する候補生成ステップと、
特徴抽出部が、前記クラスごとに、前記クラスに対応づけられた前記アイテム集合での前記候補パターンの出現頻度を算出し、算出した前記出現頻度が予め定められた条件を満たす前記候補パターンである前記特徴パターンを抽出する特徴抽出ステップと、
属性生成部が、前記アイテム集合それぞれについて、抽出された前記特徴パターンが前記アイテム集合に含まれているか否かを表す属性ベクトルを生成する属性生成ステップと、
モデル生成部が、生成された前記属性ベクトルと、前記アイテム集合に対応づけられている前記クラスとに基づいて、前記アイテムを含む集合を前記クラスのいずれかに分類するための分類モデルを生成するモデル生成ステップと、
出力部が、生成された前記分類モデルを出力する出力ステップと、
を備えることを特徴とする分類支援方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【公開番号】特開２０１０−１９１９１４（Ｐ２０１０−１９１９１４Ａ）
【公開日】平成２２年９月２日（２０１０．９．２）
【国際特許分類】
【出願番号】特願２００９−３８４２８（Ｐ２００９−３８４２８）
【出願日】平成２１年２月２０日（２００９．２．２０）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
【公開日】平成２２年９月２日（２０１０．９．２）
【国際特許分類】
【出願日】平成２１年２月２０日（２００９．２．２０）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
[ Back to top ]