リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「アイデア創出のための特許文献からの知識発見に関する研究」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

アイデア創出のための特許文献からの知識発見に関する研究

西田 泰士 大阪府立大学 DOI:info:doi/10.24729/00017351

2021.04.20

概要

社会全体が凄まじいスピードで変化している昨今，企業が継続的に成長発展するためには，社会や環境の変化に対応した新規事業により，迅速に商品・サービスを未開拓の市場に向けて提供することが重要である．ハーバード・ビジネス・レビュー誌に掲載されたピーター F. ドラッカーの論文 [10] の序文には，「起業家的な小さなアイデアが新規事業の萌芽となり，それが将来のニーズに応え，未来が形成されていく」と述べられている．すなわち，新規事業を成功させるためには，いち早く小さなアイデアを見つけ，そのアイデアを育てるマネジメントが重要といえる．

商品企画や技術開発の現場におけるアイデア創出の方法として，ブレインストーミング [37] が広く用いられている．ブレインストーミングとは，アレックス F. オズボーンによって考案された会議方式によるアイデア創出方法の 1 つであり，複数の参加者が集まってアイデアを出し合うことで参加者同士によるアイデアの誘発を促すことにより，アイデアの創出を促進させるものである．しかしながら，ブレインストーミング自体は，参加者から自発的なアイデアの発生を待つものであり，効率的なアイデア創出方法とはいえない．

そこで，アイデアを強制的に生み出す方法として，チェックリスト法というアイデア創出方法が存在する．ブレインストーミングの考案者であるアレックス F. オズボーンによる「オズボーンのチェックリスト」 [38]が，その 1 つであり，あらかじめ準備したチェックリストの質問に，自らの課題を当てはめていくことによりアイデアを強制的に生み出す方法である．例えば，オズボーンのチェックリストの項目には，「転用：他分野での適用ができないか．」「逆転：上下や順番等を逆転できないか．」等があり，手元の課題に対してチェックリストの項目を突き合わせて検討を進めることで，強制的にアイデアを創出することが可能となる．また，チェックリストとして国語辞典等を用い，辞典のページをランダムに開き，そこに書かれている単語により強制的にアイデアを創出する方法もある．しかしながら，それらチェックリストに基づく方法も，手元の課題とチェックリストの内容とは無関係のため，効率的なアイデア創出方法とはいえない．

このように，企業が継続的に成長発展するためには，他者に先駆けて新規事業となるアイデアを効率的に見つけ出すことが求められるものの，アイデアの創出は容易ではない．

アイデアとはどのようなものだろうか．1 つの答えとして，アメリカの実業家ジェームス W. ヤングは， 1940 年に初版が発行された書籍「アイデアのつくり方」 [58] の中で「アイデアとは既存の要素の新しい組み合わせ以外の何ものでもない」と述べている．アイデアとはゼロから何かを創り出すものではなく既存の要素の新しい組合せであるということである．

知的財産権の側面からもアイデアは重要である．高度な技術的アイデアは発明と呼ばれ，特許出願手続ののち特許庁の審査官による審査を経て特許として登録される．特許制度とは，新規の発明を公開する代償として特許権という独占排他的な権利を国家が付与するものである．新規の発明を秘匿することなく公開した者に国家がインセンティブを与えることで，2 重開発を未然に防ぎ，経済発展に資する制度といえる．この制度設計からわかるように，特許として登録されるためには公開が前提となる．よって，特許文献データは国家により公開が約束された巨大なオープンデータといえる．人類の知的活動の成果として論文や特許といったデータが日々蓄積されている．特許文献データは先人達が積み重ねてきた膨大な成功事例であり，技術的知恵の抽出源として期待できる．しかし，特許文献データの活用方法としては特許調査ツールを用いたテキスト検索による技術調査が中心であり，新たなアイデアの創出を目的とした活用はなされていない．

本論文では，「アイデアとは既存の要素の新しい組合せ」であるとの前提のもと，特許文献データに掲載された発明から，新規の技術要素の組合せを見つけ出すことでアイデアを創出する方法を提案する．技術要素の組合せを探索するために，共起確率ベクトルと相関係数ベクトルの 2 種類の特徴ベクトルを活用することを提案し，それらベクトル表現のもとでの技術要素間の関連性を考察し，各ベクトル表現の特徴を比較する．また，技術要素間の関連性の可視化として自己組織化マップ（Self-Organizing Maps; SOM） [17]を用いる．

第 2 章以降の各章の内容は以下のとおりである．

第 2 章「SOM による特許文献内の解決手段の可視化」では，SOM による可視化を通して幅広い技術分野からの解決手段の着想を支援する方法を提案する [30]．提案法は，2 段階のステップにより構成される．第 1 ステップは，特許文献データから発明を構成する技術要素の情報をベクトルにより表現するものである．第 2 ステップは，第 1 ステップにより作成したベクトルを SOM に入力することで可視化を行うものである．

技術的解決手段の可視化を行うために，特許文献データのうち技術上の解決手段が記載される【課題を解決するための手段】の文章を抜き出したテキストデータを対象とする．発明を構成する技術要素間の関係を表現する方法として，共起確率ベクトルと，相関係数ベクトルの 2 種類の特徴ベクトルを活用することを提案する．

共起確率ベクトルは，構成要素の共起回数を用いたものであり，発明の要素間の直接的な関係を示す結果となることが期待される．しかし，共起確率ベクトルは既に特許文献データに記載された構成要素間の関係を表すものであり，新規のアイデアを生み出すものではない．そのため，同時には現れない構成要素同士であっても，共起の傾向が似ていることを利用することにより新規のアイデアを生み出すことができるのではないか，との仮定のもと，相関係数を用いた新たなベクトルを提案する．

共起確率ベクトルは構成要素同士の共起確率を表し，その共起確率ベクトルの相関係数は，共起確率間の関係性を表す．同様の共起確率ベクトルを持つ単語同士は相関係数が 1 に近づくため，相関係数ベクトルを用いることにより他の構成要素との共起の傾向が似ているペアを重視した分析が可能となる．

これら 2 種類のベクトルにより表現した発明の構成要素の情報を，直感的に人が理解できるように SOMにより可視化する．その結果，共起確率ベクトルは，既存の技術解決手段における直接的な関連性を示すことが分かった．また，他の構成要素との共起の傾向の類似性に基づく潜在的な関連性の発見を意図した相関係数ベクトルでは，既存の特許文献データにはない新規のアイデアの組合せを示すことができた．アイデアの着想段階において，共起確率ベクトルは既存の解決手段を活用する場合に有効な構成要素対の発見に適している一方，相関係数ベクトルはまだ活用されていない新たな技術解決手段をより強く意識した構成要素対の発見に適しているといえる．これらの 2 つのアプローチは相補的で，組み合わせて活用することが有用であると考える．

第 3 章「共クラスタリングによる分野特化とマルチビュー分析」では，第 2 章の SOM による可視化の結果，様々な技術分野の単語が雑多に配置されることから，技術分野への特化を行うアプローチとして，文書× 単語の共起関係の分析に用いられる共クラスタリング [20], [36] を利用する方法を提案する [31]．共クラスタリングによる分類結果については，日本国特許庁が編纂している特許文献の技術的特徴による分類記号である F-term [49], [52] を用いて，クラスターの技術分野の妥当性を評価する．さらに，F-term を付加情報と捉えたマルチビュー共クラスタリングを活用するアプローチも合わせて提案する [33]．

F-term の情報を共クラスターのラベルの評価に用いるアプローチでは，特徴的な単語群をもとに主観的に与えたラベルに対して，特許分類体系の観点からラベルの意味づけを考察することができた．一方，マルチビュークラスタリングにより文書と単語・F-term の融合的な共クラスターを抽出するアプローチでは，主に F-term の親近性に基づく共クラスターが抽出され，より技術分野を特化した知識発見が行われた．

第 4 章「ファジィBoW による補完とマルチビュー分析」では，第 2 章にて生成した単語レベル Bag-of- Words（BoW）行列がスパースであることに着目し，Fuzzy Bag-of-Words（ファジィBoW） [59] による BoW 行列の補完を通した潜在的な関連性の発見の可能性を示す．

BoW モデルにおけるスパース性の影響を軽減するため，単語間の類似性を考慮したファジィ重み写像を導入するファジィBoW 行列の活用を検討した [32]．さらに，技術分野に特化した知識発見のアプローチとして，特許庁が付与した技術分野の分類記号である F-term の観点からの類似性重みの活用を合わせて検討した [34]．元のスパースな BoW 行列に加えて，単語 × F-term の関連性行列を作成し，ファジィ重み写像における類似度重みに導入した．数値実験を通して，文書内での単語間の類似性と F-term の観点からの類似性では特徴が異なることを確認し，マルチビュー分析の観点から拡充したファジィBoW 行列を用いることで，SOM による可視化で有望技術の候補を見出し得ることを確認した．

第 5 章「結論」では，本研究で得られた結果について総括する．

以上の各章の関係と本論文の構成を纏めると図 1.1 のようになる．

論文の公開元へ

関連論文

関連論文をもっと見る

参考文献

[1] M. Abadi et al.: “TensorFlow: Large-scale machine learning on heterogeneous systems.” [Online]. Available: https://www.tensorflow.org/

[2] M. R. Anderberg (著), 西田英郎 (監訳): クラスター分析とその応用, 内田老鶴圃, 1988.

[3] J. C. Bezdek and R. J. Hathaway: “VAT: A tool for visual assessment of (cluster) tendency,” Proc. 2002 Int’l Joint Conf. Neural Networks, pp. 2225-2230, 2002.

[4] J. C. Bezdek, R. J. Hathaway, and J. M. Huband: “Visual assessment of clustering tendency for rectangular dissimilarity matrices,” IEEE Transactions on Fuzzy Systems, Vol. 15, No. 5, pp. 890- 903, 2007.

[5] S. Bickel and T. Scheffer: “Multi-view clustering,” Proc. of the 4th IEEE International Conference on Data Mining, pp. 19-26, 2004.

[6] C. M. Bishop, M .Svens´en, and C. K. I. Williams: “GTM: The generative topographic mapping,” Neural Computation, Vol. 10, No. 1, pp. 215-234, 1998.

[7] P. Bojanowski, E. Grave, A. Joulin, and T. Mikolov: “Enriching word vectors with subword infor- mation,” Transactions of the Association for Computational Linguistics, Vol. 5, pp. 135-146, 2017.

[8] J. Devlin, M.-W. Chang, K. Lee, T. Kenton, and K. Toutanova: “BERT: Pre-training of deep bidirectional transformers for language understanding,” Proc. of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Vol. 1, pp. 4171-4186, 2018.

[9] C. Ding and X. He: “Linearized cluster assignment via spectral ordering,” Proc. of Int’l Conf. Machine Learning, pp. 233-240, 2004.

[10] P. F. Drucker (著), 林宏子 (訳): DIAMOND ハーバード・ビジネス・レビュー（2018 年 9 月号）, ダイヤモンド社, 2018.

[11] 藤嶋昭, 渡部俊也, 橋本和仁: 光触媒のしくみ, 日本実業出版社, 2000.

[12] H. Furlong: “Trending: Beverage Makers Turning Production Waste Into Biomass, Carbona- tion,” 2016. [Online]. Available: https://sustainablebrands.com/read/cleantech/trending-beverage- makers-turning-production-waste-into-biomass-carbonation

[13] K. Honda, T. Yamamoto, A. Notsu, and H. Ichihashi: “Visualization of non-euclidean relational data by robust linear fuzzy clustering based on FCMdd framework,” Journal of Advanced Computational Intelligence and Intelligent Informatics, Vol.17, No.2, pp.312-317, 2013.

[14] K. Honda, N. Yamamoto, S. Ubukata, and A. Notsu: “Noise rejection in MMMs-induced fuzzy co-clustering,” Journal of Advanced Computational Intelligence and Intelligent Informatics, Vol. 21, No. 7, pp. 1144-1151, 2017.

[15] K. Honda, T. Sako, S. Ubukata, and A. Notsu: “Visual co-cluster assessment with intuitive cluster validation through cooccurrence-sensitive ordering,” Journal of Advanced Computational Intelligence and Intelligent Informatics, Vol. 22, No. 5, pp. 585-592, 2018.

[16] S. Joglekar: “Self-Organizing Maps with Google’s TensorFlow,” 2015. [Online]. Available: https://codesachin.wordpress.com/2015/11/28/self-organizing-maps-with-googles-tensorflow/

[17] T. Kohonen: Self-Organizing Maps, 3rd ed., Springer, 2000.

[18] 國府久嗣, 山崎治子, 野坂政司: “内容推測に適したキーワード抽出のための日本語ストップワード,” 日本感性工学会論文誌, Vol.12, No.4, pp.511-518, 2013.

[19] 高エネルギー加速器研究機構プレスリリース: “塩が界面活性剤のように振る舞う現象を発見－液体に現れる新しい構造－,” NewsKEK 09-13, 2009.

[20] K. Kummamuru, A. Dhawale, and R. Krishnapuram: “Fuzzy co-clustering of documents and key- words,” Proc. 2003 IEEE Int’l Conf. Fuzzy Systems, Vol. 2, pp. 772-777, 2003.

[21] J. Lampinen and E. Oja: “Clustering properties of hierarchical self-organizing maps,” Journal of Mathematical Imaging and Vision, Vol. 2, pp. 261-272, 1992.

[22] M. Lan, C. L. Tan, J. Su, and Y. Lu: “Supervised and traditional term weighting methods for automatic text categorization,” IEEE Trans. Pattern Anal. Mach. Intell., Vol. 31, No. 4, pp. 721- 735, 2009.

[23] J. B. MacQueen: “Some methods of classification and analysis of multivariate observations,” Proc. of 5th Berkeley Symposium on Math. Stat. and Prob., pp. 281-297, 1967.

[24] 増子由起, 齊藤史哲, 石津昌平: “感情極性値に基づいた印象に曖昧さを含むオノマトペの可視化 －自己組織化マップによる文書データの分析－,” 日本知能情報ファジィ学会誌, Vol. 28, No. 3, pp. 685-691, 2016.

[25] D. Michler, N. Shahidzadeh, M. Westbroek, R. van Roij, and D. Bonn: “Are antagonistic salts surfactants?,” Langmuir, Vol. 31, No. 3, pp. 906-911, 2015.

[26] T. Mikolov, K. Chen, G. S. Corrado, and J. Dean: “Efficient estimation of word representations in vector space,” arXiv preprint, arXiv:1301.3781, 2013.

[27] T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado, and J. Dean: “Distributed representations of words and phrases and their compositionality,” Proc. of the 26th International Conference on Neural Information Processing Systems, Vol. 2, pp. 3111-3119, 2013.

[28] 中尾索也, 本多克宏, 野津 亮: “Alternative c-Means 基準を用いたロバストな局所的主成分分析による多次元データの 2 次元視覚化,” 日本知能情報ファジィ学会誌，Vol.26，No.3，pp.718-727，2014.

[29] 西田泰士, 本多克宏: “SOM を用いた特許文献データ分析によるイノベーション加速の可能性について,” 第 33 回ファジィシステムシンポジウム講演論文集, pp. 513-514, 2017.

[30] 西田泰士, 本多克宏: “イノベーション加速のための自己組織化マップによる解決手段の可視化,” 日本知能情報ファジィ学会誌, Vol. 30, No. 2, pp. 543-547, 2018.

[31] Y. Nishida and K. Honda: “Visualization of potential technical solutions by self-organizing maps and co-cluster extraction,” Proc. of Joint 10th International Conference on Soft Computing and In- telligent Systems and 19th International Symposium on Advanced Intelligent Systems in conjunction with Intelligent Systems Workshop 2018, pp. 820-825, 2018.

[32] Y. Nishida and K. Honda: “A comparative study on SOM-based visualization of potential technical solutions using fuzzy bag-of-words and co-occurrence probability of technical words,” Proc. of 7th International Symposium on Integrated Uncertainty in Knowledge Modelling and Decision Making, Lecture Notes in Artificial Intelligence 11471, pp. 360-369, 2019.

[33] Y. Nishida and K. Honda: “Visualization of potential technical solutions by SOM and co-clustering and its extension to multi-view situation,” Journal of Advanced Computational Intelligence and Intelligent Informatics, Vol. 24, No. 1, pp. 65-72, 2020.

[34] Y. Nishida and K. Honda: “SOM-based visualization of potential technical solutions with fuzzy bag-of-words utilizing multi-view information,” Proc. of 8th International Symposium on Integrated Uncertainty in Knowledge Modelling and Decision Making, Lecture Notes in Artificial Intelligence 12482, pp. 187-198, 2020.

[35] 小川和晃, 田村哲嗣, 速水悟: “商品レビューにおける時系列情報に着目したクラスタ分析と可視化,” 人工知能学会全国大会論文集, #1F5-5, 2016.

[36] C.-H. Oh, K. Honda, and H. Ichihashi: “Fuzzy clustering for categorical multivariate data,” Proc. of Joint 9th IFSA World Congress and 20th NAFIPS International Conference, pp. 2154-2159, 2001.

[37] A. F. Osborn, Your Creative Power, Scribner, 1948.

[38] A. F. Osborn, Applied imagination, Scribner, 1953.

[39] 大島裕明, 中村聡史, 田中克己: “SlothLib: Web サーチ研究のためのプログラミングライブラリ,” 日本データベース学会 Letters, Vol. 6, No. 1, pp. 113-116, 2007.

[40] M. E. Peters, M. Neumann, M. Iyyer, M. Gardner, C. Clark, K. Lee, and L. Zettlemoyer: “Deep con- textualized word representations,” Proc. of the 2018 the Annual Conference of the North American Chapter of the Association for Computational Linguistics, pp. 2227-2237, 2018.

[41] V. F. Pivovarov, M. S. Gins, and V. K. Gins: “Innovative beverage production technologies based on Amaranth biomass,” Proc. of International Conference on Sustainable Development of Cross-Border Regions, IOP Conf. Series: Earth and Environmental Science 395, #012090, 2019.

[42] T. Ramesh, B. Nayak, A. Amirbahman, C. P. Tripp, and S. Mukhopadhyay: “Application of ul- traviolet light assisted titanium dioxide photocatalysis for food safety: A review,” Innovative Food Science & Emerging Technologies, Vol. 38, Part A, pp. 105-115, 2016.

[43] R. Rˇeh˚uˇrek and P. Sojka: “Software framework for topic modelling with large corpora,” Proc. of the LREC 2010 Workshop on New Challenges for NLP Frameworks, pp. 45-50, 2010.

[44] 齊藤史哲: “Web カスタマーレビュー文の理解支援を目的とした自己組織化マップによる評価分布の可視化法,” 日本経営工学会論文誌, Vol. 65, No.3, pp. 180-190, 2014.

[45] 佐古拓也, 本多克宏, 生方誠希, 野津亮: “Spectral Ordering に基づく共クラスタ構造の視覚化とその特徴,” システム制御情報学会論文誌, Vol. 31, No. 5, pp. 177-183, 2018.

[46] G. Salton and C. Buckley: “Term-weighting approaches in automatic text retrieval,” Information Processing and Management, Vol. 24, No. 5, pp. 513-523, 1988.

[47] 佐藤敏紀, 橋本泰一, 奥村学: “単語分かち書き辞書 mecab-ipadic-NEologd の実装と情報検索における効果的な使用方法の検討,” 言語処理学会年次大会発表論文集, #B6-1, 2017.

[48] T. Sato: “Neologism dictionary based on the language resources on the web for mecab,” 2015. [Online]. Available: https://github.com/neologd/mecab-ipadic-neologd

[49] I. Schellner: “Japanese file index classification and F-terms,” World Patent Information, Vol. 24, pp. 197-201, 2002.

[50] 高橋仁, 中川博之, 土屋達弘: “文書中の単語出現頻度を利用したトピックモデル洗練化,” 情報処理学会研究報告ソフトウェア工学（SE）, Vol. 2017-SE-195, No. 22, pp. 1-8, 2017.

[51] 徳高平蔵, 藤村喜久郎, 大北正昭: “球面 SOM を用いたクラスタ分析,” バイオメディカル・ファジィ・システム学会誌, Vol. 8, No. 1, pp. 29-39, 2006.

[52] 角田朗: “特許分類について,” 情報の科学と技術, Vol. 66, No. 2, pp. 266-271, 2016.

[53] L. J. P. van der Maaten and G. E. Hinton: “Visualizing data using t-SNE,” Journal of Machine Learning Research, Vol. 9, pp. 2431-2456, 2008.

[54] Y. M. Xu, C. D. Wang, and J. H. Lai: “Weighted multi-view clustering with feature reduction,” Pattern Recognition, Vol. 53, pp. 25-35, 2016.

[55] 谷中瞳, 大澤幸生: “特許文献を利用した技術課題の抽象化方法の検討,” 人工知能学会全国大会論文集, #1J3-2, 2016.

[56] H. Yanaka and Y. Ohsawa: “Clustering documents on case vectors represented by predicate-argument structures - applied for eliciting technological problems from patents,” Proc. of 2016 Federated Con- ference on Computer Science and Information Systems, Vol. ACSIS-8, pp. 175-180, 2016.

[57] Y. Yang and H. Wang: “Multi-view clustering: A survey,” Big Data Mining and Analytics, Vol. 1, pp. 83-107, 2018.

[58] J. W. Young (著), 今井茂雄 (訳): アイデアのつくり方, CCC メディアハウス, 1988.

[59] L. Zhao and K. Mao: “Fuzzy bag-of-words model for document representation,” IEEE Trans. Fuzzy Systems, Vol. 26, No. 2, pp. 794-804, 2018.

参考文献をもっと見る

全国の大学の
卒論・修論・学位論文
を
一発検索！

この論文の関連論文を見る