大島 裕明

本研究では，事故の概要を説明したテキストを入力として，当事者が受けた傷病の程度を推定する手法を提案する．入力の対象とするテキストは，数文程度の文書を想定している．機械学習による分類問題を解くことで，その入力に該当する傷病の程度を推定するというのが提案手法の構成となる．本研究で利用するデータは，事故情報データバンクシステムで公開されている事故データである．入力として用いるのは「事故の概要」項目に記載されたテキストである．提案手法では，入力テキストを汎用言語モデルBERTを利用して分散表現として表現する．BERTのモデルとしては，日本語Wikipediaを用いて学習された事前学習モデルを用いる．しかし，傷病の程度を推定するというタスクの正解率を向上させるために，四つの工夫，（1）クラスウェイト，（2）Ordinal Classification，（3）マルチタスクラーニング，（4）トークンラベル推定による追加学習モデル，を導入する．これらの工夫を用いる場合と用いない場合において，傷病の程度の推定の正解率やMacro F1，RMSE，混同行列による評価にどのような影響が出るかを検証した．その結果，（1）クラスウェイト，並びに，（2）Ordinal Classificationを導入した際に，Macro F1の向上とRMSEの改善が得られるという結果となった．また，（3）マルチタスクラーニングを導入した際に正解率の向上が見られた．

本研究では，提示型検索モデル（Ostensive Search Model）に基づくインタフェースによって鑑賞者個人の興味を反映したミュージアム体験を可能にする電子ガイドを提案し，そのログを分析することで実現可能になった事前学習，事後学習支援システムについても提案する．我々は，国立民族学博物館（みんぱく）の展示物のうち3,053点について，展示物の解説やビデオなどの詳細情報を検索し，メモなどのアノテーションを付与できるiPad用アプリケーションである「みんぱくガイド」を作成した．みんぱくガイドは，鑑賞者が新しい展示物に気付いたり，興味を明確化することができるように，一覧性の高い検索結果画面を中心に情報探索を繰り返せるインタフェースを持っている．このような電子ガイドの操作履歴や位置情報などのログを用いることで，個人のミュージアム体験を色濃く反映した事前・事後学習支援を可能にした．事前学習支援システムでは，ミュージアムに行く前にカードを整理しながら鑑賞計画を立てるウェブアプリケーションの利用を通じて，鑑賞者に自分が何を学びに行くかという鑑賞軸を自覚してもらう．また，事後学習を促す仕組みとして，ログから鑑賞者が興味を持った展示物を推定し，後から鑑賞体験を思い出しやすくするためのパーソナライズされたポストカードを自動生成するシステムも作成した． This paper proposes an electronic guide application that enables visitors to get a museum experience that reflects their individual interests through an interface based on an Ostensive Search Model. In addition, we propose a pre-learning and post-learning support system that can be connected to our electronic guide. The system is based on a search result screen with a high level of browsability. We propose a system that allows users to search for detailed information such as explanatory texts and videos of exhibits they are interested in and add annotations such as handwritten notes. We created the “Minpaku Guide,” an iPad application that allows users to search for detailed information such as explanatory text and videos on exhibits of interest and add annotations such as notes. We also developed pre-learning support systems connected to our guide application. As a pre-learning support system, we created a web application that allows users to manually organize cards before visiting the museum to clarify what the visitors will learn beforehand. As a post-learning support system, we implemented a system that summarizes the visitor's operation log of the guide application into a postcard that helps to recall the viewing experience later.

This study proposes a method for retrieving and ranking posts from social network services(SNSs) by specifying and providing feedback on the context of posts. Current search systems for SNS posts cannot handle user intent with regard to the context of posts to be retrieved, mainly owing to the incompleteness of SNS posts, i.e., they do not contain the users' contexts (e.g., situations or preferences) of users posting messages. Hence, we propose a search method that accepts two kinds of queries, namely, content queries and context queries, and that updates these queries based on the user feedback with special attention to the contexts of posts. Our search method considers the whole SNS dataset as a graph and the nodes surrounding each post as its context to find relevant posts in terms of content and context, our method propagates user feedback via this graph. Our experimental results based on a Twitter test collection revealed that our proposed method showed improved retrieval performance as compared with conventional SNS retrieval and relevance feedback. In addition, we could detect the optimal parameters for feedback propagating.

In this paper, we propose a method of ranking entities (e.g. products) based on pairwise preferences learned and inferred from user reviews. Our proposed method finds expressions from user reviews that indicate pairwise preferences of entities in terms of a certain attribute, and learns a function that determines the relative degree of the attribute to rank entities. Since there are a limited number of such expressions in reviews, we further propose a method of inferring pairwise preferences based on attribute dependencies obtained from reviews. As some pairwise preferences are less confident, we also propose a modified version of a learning to rank method, Fuzzy Ranking SVM, which can take into account the uncertainty of pairwise preferences. The experiment was carried out with three categories of products and several attributes specific to each category. The experimental results showed that our approach could learn more accurate pairwise preferences than baseline methods, and inference based on the attribute dependency could improve the performances.