信息处理设备和信息处理方法与流程

1.本技术涉及信息处理设备和信息处理方法，并且，例如，涉及适于在数据库被转用(diverted)时应用的信息处理设备和信息处理方法。


背景技术：

2.常规上，已经提出了通过声音等自动响应于来自用户的通过声音等的输入的ai代理系统。例如，专利文件1描述了ai代理通过说话响应于来自用户的说话文本数据的技术。
3.引文列表
4.专利文件
5.专利文件1：wo 2017/191696


技术实现要素：

6.本发明要解决的问题
7.另一方面，可以基于算法输出通过以上的ai代理等的响应，所述算法是基于学习数据的累积。在将来，假定与基于这种学习数据的累积的算法相关的技术越接近用户，用户想要校正累积的学习数据的次数就越多。
8.还存在其他用户希望使用由预先确定的用户使用的算法的情况，并且推测可能希望使得能够转用这样的其它算法(参照以生成算法的数据库)。
9.本技术正是针对这种情况提出的，并且使得能够转用数据库。
10.问题的解决方案
11.本技术的一个方面的信息处理设备包括：对于基于第一学习数据的累积而改变的算法，使得基于第一学习数据和形成基于学习数据的累积而改变的其它算法的第二学习数据当中的特定学习数据执行再学习。
12.本技术的一个方面的信息处理方法包括：通过信息处理设备，对于基于第一学习数据的累积而改变的算法，使得基于第一学习数据和形成基于学习数据的累积而改变的其它算法的第二学习数据当中的特定学习数据执行再学习。
13.本技术的一个方面的信息处理设备和信息处理方法导致，对于基于第一学习数据的累积而改变的算法，基于第一学习数据和形成基于学习数据的累积而改变的其它算法的第二学习数据当中的特定学习数据执行再学习。
14.注意，信息处理设备可以是独立设备或构成一个设备的内部块。
附图说明
15.图1是示出根据第一实施例的信息处理系统和用户终端的示图。
16.图2是存储在信息处理设备中的学习历史数据的示意性配置的示例。
17.图3是示出信息处理设备的配置的功能框图。
18.图4是示出存储单元的配置的示例的功能框图。
19.图5是示出处理单元的配置的功能框图。
20.图6是示出生成单元的配置的功能框图。
21.图7是示出用户终端的配置的功能框图。
22.图8是示出信息处理设备和用户终端之间的信息的传送和接收的示例的流程图。
23.图9是示出信息处理设备和用户终端之间的信息的传送和接收的示例的流程图。
24.图10是示出信息处理设备和用户终端之间的信息的传送和接收的示例的流程图。
25.图11是示出记录在交互db中的信息、知识db的更新历史和推荐db的更新历史的示例的示图。
26.图12是用于描述转用其他用户的db的方法的示图。
27.图13是用于描述转用其他用户的db的第一方法的示图。
28.图14是用于描述转用其他用户的db的第二方法的示图。
29.图15是用于描述转用其他用户的db的第三方法的示图。
30.图16是用于描述转用其他用户的db的第四方法的示图。
31.图17是用于描述转用其他用户的db的第五方法的示图。
32.图18是用于描述整合db的方法的示图。
33.图19是用于描述转用其他用户的db的第六方法的示图。
34.图20是用于描述整合db的方法的示图。
35.图21是示出根据第二实施例的信息处理设备的配置的功能框图。
36.图22是示出根据第二实施例的存储单元的配置的功能框图。
37.图23是示出根据第二实施例的记录在交互db中的信息、知识db的更新历史和推荐db的更新历史的示例的示图。
38.图24是示出根据第二实施例的处理单元的配置的功能框图。
39.图25是示出根据第二实施例的生成单元的配置的功能框图。
40.图26是示出根据第二实施例的参数更新处理的示例的流程图。
41.图27是用于描述转用其他用户的db的方法的示图。
42.图28是用于描述转用其他用户的db的第七方法的示图。
43.图29是用于描述转用其他用户的db的第八方法的示图。
44.图30是用于描述转用其他用户的db的第九方法的示图。
45.图31是用于描述转用其他用户的db的第十方法的示图。
46.图32是用于描述转用其他用户的db的第十一方法的示图。
47.图33是用于描述转用其他用户的db的第十二方法的示图。
48.图34是用于描述转用其他用户的db的第十三方法的示图。
49.图35是用于描述从db提取信息的示图。
50.图36是示出在删除关于交互的信息之前和之后生成的输出信息以及基于删除之前和之后的输出信息的变化的处理内容的示图。
51.图37是示出在删除关于交互的信息之前和之后生成的输出信息以及基于删除之前和之后的输出信息的变化的处理内容的示图。
52.图38是示出根据本公开的实施例的信息处理设备对交互db的更新处理的流程图。
53.图39是用于描述整合db的方法的示图。
54.图40是用于描述整合db的方法的示图。
55.图41是用于描述整合db的方法的示图。
56.图42是用于描述提供交互db的方法的示图。
57.图43是用于描述以不同格式整合db的方法的示图。
58.图44是示出信息处理设备的配置的功能框图。
59.图45是示出根据本公开的实施例的用户终端或构成信息处理系统的信息处理设备的硬件配置的配置示例的功能框图。
具体实施方式
60.以下，将描述本技术的实施方式(以下称为实施例)。注意，在说明书和附图中，具有基本上相同的功能和配置的组件由相同的附图标记表示，并且省略了冗余描述。
61.《第一实施例中的信息处理系统的配置》
62.图1是示出根据第一实施例的信息处理系统1的配置示例的示图。如图1所示，根据第一实施例的信息处理系统1包括信息处理设备10。以下，在第一实施例中，假定信息处理系统1和信息处理设备10是相同的。如图1所示，信息处理系统1包括信息处理设备10、用户终端20和网络30。在信息处理系统1中，信息处理设备10和用户终端20被连接，使得可以经由网络30交换数据。
63.信息处理设备10具有响应于来自用户的输入信息通过使用基于学习数据的累积而生成的算法生成输出信息的功能。并且，信息处理设备10导致根据需要对上述算法执行再学习。
64.用户终端20具有经由网络30将来自用户的输入信息传送到信息处理设备10并且根据来自信息处理设备10的响应向用户执行各种输出(例如，图像或声音的输出)的功能。在本实施例中，用户终端20通过ai代理实现输出。这里，ai代理是用作基于算法输出的声音或图像的主题(motif)的角色。该角色可以是虚构的角色，也可以是真实的角色。
65.注意，网络30可以包括诸如电话线网络、因特网和卫星通信网络的公共线路网络、局域网(lan)和广域网(wan)等。并且，网络30可以包括诸如因特网协议虚拟私有网络(ip-vpn)的专用线路网络。
66.上述算法基于在信息处理设备10中累积的学习数据。即，上述算法是基于学习数据的学习结果。根据本实施例的信息处理设备10存储上述算法的学习历史。
67.这里，将参照图2描述存储在根据第一实施例的信息处理设备10中的学习历史数据40的示例。图2是存储在根据第一实施例的信息处理设备10中的学习历史数据40的示意性配置的示例。图2所示的学习历史数据40是通过按时间顺序排列算法的学习内容而构成的数据。在图2中，学习no.为a～c的三次学习的学习内容按时间顺序排列。
68.例如，在no.a的学习中，在a时间学习学习内容a的内容。并且，在no.b的学习中，在b时间学习学习内容b的内容。并且，在no.c的学习中，在c时间学习学习内容c的内容。注意，每次基于对应于各学习的学习数据学习算法。在本实施例中，基于以这种方式累积的学习数据执行算法的学习。
69.注意，图2所示的学习历史数据40具有按照时间顺序排列学习数据和学习内容的结构，但是学习历史数据的结构不限于此。并且，尽管图2示出学习no.a～c的三次的学习历
的人的歌曲，并且关于该事实的信息被输入到存储单元110。在这种情况下，“gunma”的歌曲的播放列表可以被记录在推荐db 112中。并且，推荐db 112可以记录例如为各种歌曲给出推荐分数的分数列表，诸如歌曲a的推荐分数为0.2，歌曲b的推荐分数为0.8。并且，推荐db 112可以记录关于向用户推荐的音乐和购买等的信息。
82.记录在以上的推荐db 112中的信息被传送到生成单元140，并且被生成单元140用于生成输出信息。
83.交互db 113累积关于来自用户的输入信息和基于对输入信息的算法的输出信息的数据。例如，假定在某天用户向信息处理系统1输入请求播放“gunma”的歌曲的输入信息。因此，例如假定信息处理系统1基于算法生成用于播放“gunma”的歌曲的输出信息，并且将输出信息输出到用户终端20。此时，输入信息和输出信息的内容以及输入或输出这些信息的时间等被记录在交互db 113中。
84.在本实施例中，记录在交互db 113中的信息(例如，与输入信息和输出信息相关的信息)被用作用于提取被记录在稍后描述的学习db 114中的学习数据的标签信息。在第一实施例中，记录在交互db 113中的信息还被用于更新记录在知识db 111或推荐db 112中的信息。
85.当获取到输入信息时，根据本实施例的信息处理设备10基于记录在知识db 111和推荐db 112中的信息生成输出信息。因此，在由信息处理设备10执行的用于生成输出信息的算法中，使用记录在知识db 111和推荐db 112中的信息。因此，如果记录在知识db 111或推荐db 112中的信息基于记录在交互db 113中的学习数据的累积被更新，则上述算法改变。
86.注意，可以在每次输入或输出输入信息和输出信息时更新记录在知识db 111或推荐db 112中的信息。在这种情况下，每次输入或输出输入信息和输出信息时，用于由信息处理设备10生成输出信息的算法改变。
87.学习db 114记录学习数据。学习数据的记录可以基于用户的指令被执行，或者可以由信息处理系统1在后台自动执行。学习数据可以包括例如输出所需的各种信息，诸如来自用户的指令的内容、用户的状况以及用户周围的环境。并且，学习数据可以包括用于估计结果(例如，将在后面描述的分析单元130的分析结果或推荐信息生成单元145的推荐结果)的适当程度的指标。指标可以是例如来自用户的对于分析或推荐的反馈(fb)。用于信息处理设备10生成输出信息的算法的学习历史被记录。例如，如图2所示，学习db 114可以以学习内容按时间顺序排列的格式记录学习历史。注意，学习数据本身不必被记录在记录于学习db 114中的信息中。在这种情况下，学习db 114可以记录将学习历史与对应于学习历史的学习数据相关联的信息。
88.(处理单元)
89.处理单元120具有对存储在存储单元110中的信息执行各种处理的功能。处理单元120具有调整从累积学习数据中的特定学习数据导出的影响程度的功能。并且，处理单元120具有导致基于在调整后获得的新学习数据执行算法的再学习的功能。如果必要，将处理单元120的处理结果传送到分析单元130或存储单元110中的至少一个。注意，将在后面参照图5描述影响程度的调整和针对算法的学习。
90.在本实施例中，由处理单元120调整影响程度，并然后执行算法的再学习。注意，影
响程度可以是例如基于算法的对输出信息的影响程度。因此，通过调整影响程度校正输出信息。因此，信息处理设备10可以通过调整影响程度为用户生成更合适的输出信息。
91.并且，上述的特定学习数据可以由用户指定。通过由用户指定特定学习数据，调整从用户期望的学习数据导出的影响程度。因此，信息处理设备10可以更适当地实现用户期望的算法的状态。
92.并且，上述的特定学习数据可以包括作为关于用户的数据的用户数据。通过调整从用户数据导出的影响程度，更合适地实现用户所期望的算法的状态。因此，信息处理设备10可以生成更符合关于用户的数据的输出信息。
93.并且，上述的用户数据可以包括关于用户位置的位置信息。因此，信息处理设备10可以生成具有更符合用户位置的内容的输出信息。并且，上述的用户数据可以包括关于用户品味的信息。因此，信息处理设备10可以生成具有更符合用户品味的内容的输出信息。
94.并且，处理单元120可以根据用户数据的变化对算法执行再学习。因此，在用户数据存在变化的情况下，信息处理设备10可以根据变化实现算法的状态，并生成更合适的输出信息。
95.将参照图5更详细地描述处理单元120。图5是示出根据第一实施例的处理单元120的配置的功能框图。如图5所示，处理单元120可以获取学习数据并执行学习数据的校正等，以由此输出校正后的学习数据。并且，如图5所示，处理单元120包括更新单元121、提取单元122、确定单元123和校正单元124。在这些功能单元之间生成的信息可以在这些功能单元之间被适当地传送。
96.更新单元121具有更新记录在存储单元110的知识db 111或推荐db 112中的至少一个中的各种信息的功能。例如，更新单元121根据来自用户的输入信息更新各种信息。并且，更新单元121根据记录在学习db 114中的学习数据的变化更新各种信息。例如，当执行记录在学习db 114中的学习数据的删除或校正等时，更新单元121可以更新记录在推荐db 112中的推荐分数等。
97.根据本实施例的信息处理设备10执行“获取输入信息并且基于记录在知识db 111或推荐db 112中的各种信息生成输出信息”的算法。在本实施例中，更新记录在知识db 111或推荐db 112中的各种信息对应于算法的再学习。
98.提取单元122具有提取被记录在存储单元110中的各种信息的功能。更具体地，提取单元122基于记录关于输入信息的数据的数据库，从算法的学习历史提取满足预先确定的条件的特定学习历史。满足预先确定的条件的特定学习历史可以是例如用户想要删除的学习历史。满足预先确定的条件的特定学习历史用于算法的再学习。例如，当删除特定的学习历史时，假定学习历史不存在，则执行算法的再学习。
99.并且，学习数据可以与学习历史相关联。根据本实施例的信息处理设备10可以调整从学习数据导出的影响程度。通过调整影响程度，执行算法的再学习。因此，信息处理设备10可以为用户生成更合适的输出信息。
100.根据第一实施例的提取单元122基于记录关于输入信息的数据的交互db 113从学习db 114提取满足预先确定的条件的特定学习历史。上述的满足预先确定的条件的特定学习历史可以是例如与基于包括用户指定的关键字的学习数据的算法的学习相关的历史。因此，提取单元122基于包括用户指定的关键字的学习数据提取学习历史。
101.例如，提取单元122从用户获取请求提取关键字“gunma”的输入信息。此时，提取单元122可以从存储单元110的知识db 111、推荐db 112或交互db 113中的至少一个提取包括关键字“gunma”的信息。并且，根据本实施例的提取单元122可以从学习db 114提取指示已经基于包括上述关键字的学习数据执行了学习的学习历史。
102.确定单元123具有执行各种确定的功能。例如，确定单元123可以确定记录在交互db 113中的输出信息与由生成单元140生成的输出信息之间的变化大小。由确定单元123确定的结果被传送到校正单元124。注意，如后面描述的，校正单元124基于确定结果执行学习数据的删除或校正等。
103.校正单元124具有调整从学习数据导出的影响程度的功能。更具体地，根据第一实施例的校正单元124具有通过删除或校正记录在学习db 114中的学习数据调整从学习数据导出的影响程度的功能。校正单元124可以删除或校正例如表示记录在学习db 114中并被输出的输出信息的信息。
104.如上所述，记录在交互db 113中的交互信息等影响算法。校正单元124可以通过删除或校正记录在学习db 114中的学习数据调整从学习数据导出的影响程度。更具体地，校正单元124可以通过删除学习数据消除对从学习数据导出的算法的影响程度。并且，校正单元124可以通过校正学习数据增加或减少对从学习数据导出的算法的影响程度。以这种方式，校正单元124可以通过删除或校正记录在学习db 114中的学习数据调整从学习数据导出的影响程度。
105.并且，记录在知识db 111或推荐db 112中的信息是基于记录在学习db 114中的学习数据的信息。因此，由校正单元124删除或校正记录在学习db 114中的学习数据(例如，与输入信息和输出信息相关的信息)，并再学习记录在知识db 111或推荐db 112中的信息。以这种方式，根据本实施例的信息处理设备10调整从学习数据导出的影响程度，并导致对算法执行再学习。
106.(生成单元)
107.生成单元140具有基于存储在存储单元110中的信息生成各种输出信息的功能。生成的输出信息被传送到输出控制单元150。将参照图6更详细地描述生成单元140的功能。图6是示出根据第一实施例的生成单元140的配置的功能框图。如图6所示，生成单元140包括确认信息生成单元141和推荐信息生成单元142。
108.确认信息生成单元141具有生成用于执行用户对各位置的确认的输出信息的功能。例如，在由校正单元124删除记录在学习db 114中的学习数据的情况下，确认信息生成单元141可以生成用于向用户确认是否可以删除学习数据的输出信息。
109.推荐信息生成单元142生成用于向用户作出各种推荐的输出信息。例如，推荐信息生成单元142可以生成用于播放用户期望的音乐的输出信息。此时，推荐信息生成单元142可以基于在推荐db 112中记录的推荐分数等确定要推荐给用户的内容，并生成输出信息。
110.(输出控制单元)
111.输出控制单元150具有控制输出信息的输出的功能。例如，输出控制单元150可以将从生成单元140获取的输出信息转换为要由其它终端输出的信息。例如，在输出信息包括文本信息的情况下，输出控制单元150可以将文本信息的内容转换为要作为声音输出的声音信息。输出控制单元150将各种获取或生成的信息传送到通信控制单元160。注意，输出控
制单元150可以按原样将从生成单元140传送的输出信息传送到通信控制单元160。
112.(通信控制单元)
113.通信控制单元160具有控制信息处理设备10和各种设备之间的各种信息的传送和接收的功能。例如，通信控制单元160控制从输出控制单元150传送的信息经由网络30从信息处理设备10到用户终端20的传送。并且，通信控制单元160控制信息处理设备10以从外部设备(例如，用户终端20)接收各种信息。接收的各种信息经由通信控制单元160被传送到存储单元110、处理单元120或分析单元130。
114.《用户终端》
115.接下来，将参照图7描述根据第一实施例的用户终端20的配置。图7是示出根据第一实施例的用户终端20的配置的功能框图。如图7所示，用户终端20包括通信控制单元210和输出控制单元220。
116.(通信控制单元)
117.通信控制单元210具有控制用户终端20和各种设备(例如，信息处理设备10)之间的各种信息的传送和接收的功能。通信控制单元160获取输入信息并控制输入信息到信息处理设备10的传送。注意，输入信息可以基于用户的操作被输入到用户终端20，或者可以从各种设备自动输入。并且，通信控制单元210控制与从信息处理设备10传送的输出信息相关的信息的接收。与接收的输出信息相关的信息被传送到输出控制单元220。
118.(输出控制单元)
119.输出控制单元220控制用户终端20的各种输出。例如，输出控制单元220将与从信息处理设备10传送的输出信息相关的信息传送到包含于用户终端20中的输出设备，由此导致输出设备执行各种输出。例如，输出控制单元220可以控制输出设备以播放音乐。
120.《信息处理系统和用户终端之间的信息传输和接收》
121.接下来，将参照图8～10描述根据第一实施例的信息处理设备10和用户终端20之间的信息的传送和接收。图8～10是示出根据第一实施例的信息处理设备10和用户终端20之间的信息的传送和接收的示例的流程图。首先，参照图8，将描述根据第一实施例的信息处理设备10和用户终端20之间的信息(输入信息和输出信息)的传送和接收(以下，也称为“信息处理设备10和用户终端20之间的交互”)的示例。
122.在图8所示的示例中，信息处理设备10根据从用户终端20传送的输入信息生成输出信息。用户终端20接收生成的输出信息，并根据输出信息向用户输出各种信息。以下，将参照图8更详细地描述信息处理设备10和用户终端20之间的信息的传送和接收。
123.首先，用户终端20获取输入信息(步骤s102)。更具体地，包含于用户终端20中的通信控制单元210从用户获取输入信息。例如，通信控制单元210获取声音信息“gunma喜欢的歌曲是xx”作为输入信息。接下来，用户终端20将输入信息传送到信息处理设备10(步骤s104)。
124.接下来，信息处理设备10接收输入信息(步骤s106)。接收的输入信息经由通信控制单元160被传送到分析单元130。
125.接下来，分析单元130分析输入信息(步骤s108)。更具体地，分析单元130基于存储在知识db 111等中的各种信息分析输入信息的含义和内容。例如，假定知识db 111记录单词“gunma”仅具有“群马县”的含义。在这种情况下，分析单元130不能理解输入信息的含义
和内容，并且输出输入信息“gunma喜欢的歌曲是xx”与存储单元110不一致的分析结果。此时，存储单元110将分析单元130的分析结果记录在交互db 113中。更具体地，存储单元110相互关联地在交互db 113中存储输入信息“gunma喜欢的歌曲是xx”和传送输入信息的时间。
126.接下来，生成单元140生成输出信息(步骤s110)。更具体地，生成单元140基于分析单元130的分析结果和存储单元110中存储的信息输出输出信息。例如，生成单元140生成声音信息“什么是gunma？”作为输出信息，并将输出信息传送到输出控制单元150。此时，存储单元110与在步骤s108中记录的信息相关联地在学习db 114中记录输出信息“什么是gunma？”。此时，存储单元110在交互db 113中记录存在交互。更具体地，存储单元110在交互db 113中记录交互的时间和交互的内容。
127.接下来，信息处理设备10将输出信息传送到用户终端20(步骤s112)。
128.接下来，用户终端20输出输出信息(步骤s114)。更具体地，通信控制单元210获取传送到用户终端20的输出信息，并将输出信息传送到输出控制单元220。输出控制单元220导致包含于用户终端20中的输出设备基于输出信息输出输出信息。在这里，输出设备输出声音信息“什么是gunma？”作为输出信息。
129.上面已经描述了在信息处理设备10和用户终端20之间传送和接收信息的示例。如上所述，输入信息和输出信息被记录在学习db 114中并且被用作学习数据。
130.接下来，将参照图9，描述与根据第一实施例的信息处理设备10和用户终端20之间的交互有关的第二示例。图9所示的交互与图8所示的交互的示例的不同之处在于，信息处理设备10基于输入信息更新记录在知识db 111和推荐db 112中的信息。
131.首先，用户终端20获取输入信息(步骤s202)。更具体地，通信控制单元210从用户获取输入信息。例如，通信控制单元210获取声音信息“gunma是我朋友岩佐的昵称”作为输入信息。
132.接下来，实施步骤s204和s206的处理，但是由于步骤s204和s206的处理与步骤s104和s106的处理基本上相同，因此这里将省略其描述。
133.在完成步骤s206的处理时，信息处理设备10分析输入信息(步骤s208)。更具体地，分析单元130基于记录在知识db 111中的信息分析输入信息的含义和内容。分析单元130将分析结果传送到处理单元120。
134.接下来，更新单元121更新记录在知识db 111中的信息(步骤s210)。更具体地，更新单元121在知识db 111中记录“gunma”是用户的朋友。并且，这里，假定“gunma喜欢的歌曲是xx”的信息被记录在知识db 111中。此时，更新单元121基于步骤s208中的分析结果在知识db 111中记录“gunma”喜欢歌曲xx。并且，更新单元121在推荐db 112中创建gunma喜欢的歌曲的播放列表。并且，更新单元121将gunma喜欢的歌曲xx添加到播放列表。
135.如上所述，已经参照图9描述了信息处理设备10和用户终端20之间的交互的示例。在图9所示的示例中，信息处理设备10响应于来自用户终端20的输入信息更新存储在存储单元110中的信息。因此，信息处理设备10能够生成更符合用户意愿的输出信息。例如，在输入信息“请播放gunma喜欢的歌曲”被输入到信息处理设备10的情况下，能够生成用于将作为gunma喜欢的歌曲的xx输出到用户终端20的输出信息。
136.接下来，将参照图10，描述与根据本实施例的信息处理设备10和用户终端20之间
的交互有关的第三示例。在第三示例中，除了根据第二示例的处理之外，还添加了信息处理设备10向用户终端20传送输出信息并且用户终端20输出输出信息的处理。以下，将参照图10描述第三示例。
137.首先，用户终端20获取输入信息(步骤s302)。更具体地，通信控制单元210从用户获取输入信息。例如，通信控制单元210获取声音信息“播放gunma的歌”作为输入信息。
138.接下来，实施步骤s304～s308的处理，但是由于步骤s304～s306的处理与步骤s204～s208的处理基本上相同，因此这里将省略其描述。
139.当完成了步骤s308的处理时，信息处理设备10生成输出信息(步骤s310)。更具体地，推荐信息生成单元142基于分析单元130的分析结果和记录在推荐db 112中的信息生成输出信息。例如，推荐信息生成单元142生成用于播放存储在推荐db 112中的包含于gunma的喜欢播放列表中的歌曲的输出信息。要播放的歌曲可以是具有最高推荐分数的歌曲，或者可以是具有从例如前5％中随机选择的推荐分数的歌曲。推荐信息生成单元142将输出信息传送到输出控制单元150。
140.接下来，信息处理设备10将输出信息传送到用户终端20(步骤s312)。
141.接下来，信息处理设备10更新存储在存储单元110中的信息(步骤s314)。例如，更新单元121提高由推荐信息生成单元142选择的歌曲的推荐分数。并且，更新单元121将输入的输入信息和输出的输出信息记录在学习db 114中。并且，交互的时间和交互的内容被记录在交互db 113中。
142.接下来，用户终端20输出输出信息(步骤s316)。更具体地，通信控制单元210获取传送到用户终端20的输出信息，并将获取的输出信息传送到输出控制单元220。输出控制单元220导致输出设备输出输出信息。因此，输出设备播放例如包含于gunma的喜欢播放列表中的歌曲。
143.如上所述，已经参照图10描述了根据本实施例的信息处理设备10和用户终端20之间的交互的第三示例。根据第三示例，信息处理设备10根据来自用户终端20的输入信息生成输出信息，并将生成的输出信息传送到用户终端20。并且，信息处理设备10根据输入信息和输出信息更新存储在存储单元110中的信息。
144.在使用上述的图8～10的描述中，基于包括名词“gunma”的输入信息生成关于“gunma”的输出信息。不限于此，可以基于不包括名词“gunma”的输入信息生成关于“gunma”的输出信息。即，用户还可以在不说单词“gunma”的情况下隐含地指示信息处理设备10生成关于“gunma”的输出信息。
145.例如，在步骤s302中，假定用户输入声音信息“播放与昨天听到的歌曲具有类似味道的歌曲”作为输入信息。声音信息不包括单词“gunma”，但假定“昨天听到的歌曲”意指“gunma的歌曲”。然后，在步骤s308中，分析单元130可以基于记录在知识db 111中的信息分析包含于用户的输入信息中的“昨天听到的歌曲”意指“gunma的歌曲”。因此，在步骤s310中，推荐信息生成单元142生成用于导致用户终端20播放具有与“gunma的歌曲”相似味道的歌曲的输出信息。相应地，在步骤s314中，更新单元121针对存储在推荐db 112中的具有与“gunma的歌曲”相似味道的歌曲提高推荐分数。并且，在步骤s316中，用户终端20播放与“gunma的歌曲”具有类似味道的歌曲。
146.这里，已经描述了在步骤s302中用户输入声音信息“播放与昨天听到的歌曲具有
类似味道的歌曲”的示例，但是声音信息“播放与昨天听到的歌曲完全不同的歌曲”可以被输入到用户终端20。在这种情况下，推荐信息生成单元142生成用于导致用户终端20播放与“gunma的歌曲”味道完全不同的歌曲的输出信息。因此，用户终端20可以播放与“gunma的歌曲”味道完全不同的歌曲。并且，更新单元121可以针对记录在推荐db 112中的具有与“gunma的歌曲”完全不同的味道的歌曲提高推荐分数。
147.如上所述，通过根据本实施例的信息处理设备10和用户终端20，用户可以在不直接说出名词“gunma”的情况下导致用户终端20输出关于“gunma”的输出信息。并且，更新单元121还可以更新存储在存储单元110中的关于“gunma”的各种信息。
148.上面已经描述了根据本实施例的信息处理设备10和用户终端20之间的交互。接下来，将参照图11，描述基于上述交互构建的交互db 113、知识db 111的更新历史和推荐db 112的更新历史。图11是示出根据第一实施例的记录在交互db 113中的信息、知识db 111的更新历史和推荐db 112的更新历史的示例的示图。
149.图11示出用于交互db 113、知识db 111的更新历史和推荐db 112的更新历史的五条信息(no.a～e)。例如，在交互db 113的no.a中，记录了作为时间信息的“2018/11/22 8:00pm”以及输入信息“在gunma喜欢的歌曲中有歌曲e”已经作为交互信息已由用户在家中输入。分析单元130分析输入信息中的单词“gunma”意指名为“岩佐”的人的名字。然后，更新单元121提高单词“gunma”意指“岩佐”的概率。更具体地，更新单元121将记录在知识db 111中的单词“gunma”意指“岩佐”的概率从80％提高到81％。因此，分析单元130将以81％的概率分析单词“gunma”意指个人名字(昵称)“岩佐”。另一方面，更新单元121将存储在知识db 111中的单词“gunma”意指县名称“群马”的概率从20％降低到19％。因此，分析单元130将以19％的概率将单词“gunma”分析为意指县名称“群马”。并且，更新单元121将歌曲e添加并记录在推荐db 112中的“gunma”的喜欢播放列表中。
150.以下，与no.a类似，知识db 111和推荐db 112的记录根据与no.b～e相关的交互信息被更新。具体地，在交互db 113的no.b中，记录了作为时间信息的“2018/11/28 8:01pm”以及已存在作为交互信息的来自在家中的用户的输入信息“播放gunma喜欢的歌曲”。相应地，在知识db 111中，“gunma”意指“群马”的概率从19％更新到18％，而“gunma”意指“岩佐”的概率从81％更新到82％。
151.并且，在交互db 113的no.c中，记录了作为时间信息“2018/11/28 8:02pm”以及作为交互信息由在家中的用户从喜欢播放列表播放歌曲a、b和e。相应地，在知识db 111中，“gunma”意指“群马”的概率从18％更新到17％，而“gunma”意指“岩佐”的概率从82％更新到83％。
152.并且，在交互db 113的no.d中，记录了作为时间信息的“2018/11/28 8:15pm”以及输入信息“喜欢”作为交互信息已由用户在家中输入。输入信息“喜欢”被假定为对播放no.c中的歌曲a、b和e的响应。因此，在推荐db 112中，歌曲a的推荐分数从0.2更新到0.3，歌曲b的推荐分数从0.6更新到0.7，歌曲e的推荐分数从0.0更新到0.5。
153.并且，在交互db 113的no.e中，记录了作为时间信息的“2018/11/28 8:20pm”以及输入信息“我喜欢的喜剧角色是gunma”作为交互信息已由用户在家中输入。相应地，在知识db 111中，“gunma”意指“群马”的概率从17％更新到7％，而“gunma”意指“岩佐”的概率从82％更新到73％。并且，知识db 111添加“gunma”可以是喜剧角色，并且“gunma”意指喜剧角
色的概率从0％更新到20％。
154.如上所述，通过根据本实施例的信息处理设备10和用户终端20之间的交互，更新存储在信息处理设备10中的各种信息。更具体地，存储在交互db 113中的信息被用作学习数据，并且，随着学习数据的累积，存储在知识db 111和推荐db 112中的信息被更新。生成单元140基于存储在知识db 111和推荐db 112中的信息生成输出信息。因此，随着学习数据的累积，用于信息处理设备10输出输出信息的算法改变。
155.如上所述，作为学习数据记录在学习db 114中的信息影响记录在知识db 111或推荐db 112中的信息。学习数据通过与用户交互生成，并且在学习db 114中累积。因此，累积基于通过与用户交互生成的学习数据所生成的数据的知识db 111和推荐db 112变为适于用户的数据库。适于用户的数据库是例如反映用户品味和生活方式的数据库。
156.例如，假定图12中所示的情况。通过执行如上所述的处理，为用户a构建知识db 111a和推荐db 112a。并且，通过执行如上所述的处理，为用户b构建知识db 111b和推荐db 112b。
157.用户a的知识db 111a和推荐db 112a通过由更新单元121a基于来自用户a的反馈被更新而被构建。由分析单元130a参照知识db 111a分析通过例如声音输入从用户a输入的信息，并且反馈是由用户a给出的信息，诸如对于通过参照推荐db 112a由生成单元140a生成的信息的、用户a的反应和来自用户a的响应。
158.以这种方式构建的用户a的知识db 111a和推荐db 112a是反映用户a的品味和生活方式的数据库。并且，通过使用这种数据库推荐的信息可以是适于用户a的信息。
159.类似地，用户b的知识db 111b和推荐db 112b通过由更新单元121b基于来自用户b的反馈被更新而被构建。并且，由分析单元130b参照知识db 111b分析通过例如声音输入从用户b输入的信息，并且反馈是对于通过参照推荐db 112b由生成单元140b生成的信息的、用户b的反应。
160.以这种方式构建的用户b的知识db 111b和推荐db 112b是反映用户b的品味和生活方式的数据库。并且，通过使用这种数据库推荐的信息可以是适于用户b的信息。
161.这里，假定用户b是用户a渴望的人或目标人。例如，用户b是诸如艺人或运动员的名人，并且用户a可能希望获得诸如这位名人感兴趣的内容以及该名人何时和做什么的各种信息。
162.这里，假定用户a通过使用用户b的知识db 111b和推荐db 112b生活的情况。在用户a通过使用用户b的知识db 111b和推荐db 112b生活的情况下，认为用户a可以以模拟的方式体验用户b的生活。例如，可以向用户a推荐向用户b推荐的信息，诸如在情况a下对于用户b的收听歌曲a、购买项目b、订购菜单c、前往场所d以及使用服务e。
163.用户a想要像用户b一样，并且可以通过使用用户b的知识db 111b和推荐db 112b以模拟的方式体验用户b的生活。在用户b是运动员的情况下，当用户a想要像用户b一样成为运动员时，通过使用用户b的知识db 111b和推荐db 112b，例如，用户b在训练期间听的歌曲或菜单等可以被推荐给用户a。
164.用户b也不必是诸如名人的特定人。例如，可以是已经通过大学a的用户b的知识db 111b或推荐db 112b。例如，当用户a学习以参加用户b已经通过的大学a的考试时，通过使用用户b的知识db 111b和推荐db 112b，能够向用户a推荐用户b学习过的时区和主题以及他
或她在休息时听的歌曲类型。
165.如下文所述，多个知识db 111可以整合到一个知识db 111中，并且，多个推荐db 112可以整合到一个推荐db 112中。通过使用该整合方法，能够创建已通过大学a的多个用户的知识db 111和推荐db 112。例如，该数据库可以作为用于通过大学a的数据库被出售和分发，并且用户a可以使用这种数据库以接收用于接近通过的各种推荐。
166.作为示例，假定期望使用由其他用户以这种方式学习的知识db 111和推荐db 112。因此，下面将描述由其他用户学习的知识db 111和推荐db 112可以被用作自身的知识db 111和推荐db 112的情况。
167.在以下描述中，作为示例，描述如参照图12所述的那样知识db 111a和推荐db 112a被构建为用户a的数据库并且知识db 111b和推荐db 112b被构建为用户b的数据库、并且用户a使用用户b的数据库(用户b的数据库被转用为用户a的数据库)的情况。
168.《转用其他用户数据库的第一方法》
169.作为转用其他用户的数据库的第一方法，将描述通过用其他用户的推荐db 112替换自身的推荐db 112来转用其他用户的数据库作为自身的数据库的情况。
170.图13是用于描述第一转用方法的示图。用户a的推荐db 112a被替换为用户b的推荐db 112b。通过替换，用户a可以接收参照用户b的推荐db 112b
′
的推荐。这里，用
′
描述被替换的推荐db 112b，以指示其已被替换。
171.通过执行这种替换，由分析单元130a通过参照为用户a构建的知识db 111a分析由用户a通过声音输入等输入的信息，并且，由生成单元140a参照为用户b构建的推荐db 112b
′
，以由此生成推荐给用户a的信息。
172.以这种方式，对用户a进行参照为用户b构建的推荐db 112b
′
的推荐。因此，对用户a进行根据用户b的品味和生活方式的推荐。
173.以这种方式，在为用户a构建的推荐db 112a替换为为用户b构建的推荐db 112b
′
之后，在用户a例如说“播放音乐”的情况下，分析单元130a分析发出了播放音乐的指令，并且生成单元140a(其推荐信息生成单元142)参照推荐db 112b
′
并选择例如具有高推荐分数的歌曲以生成播放歌曲的输出信息。
174.在这种情况下，由于推荐分数是基于用户b的品味生成的信息，因此将与用户b的品味匹配的歌曲呈现给用户a。
175.并且，例如，在用户a说“播放gunma的歌曲”的情况下，分析单元130a参照知识db 111a，分析“gunma”是用户a的朋友，并且分析指令“播放gunma的歌曲”为播放用户a的朋友喜欢的歌曲的指令。基于该分析结果，生成单元140a(其推荐信息生成单元142)参照推荐db 112b
′
，并读取gunma喜欢的歌曲的播放列表。
176.然而，由于推荐db 112b
′
是为用户b构建的数据库，因此作为用户a的信息的gunma喜欢的歌曲的播放列表没存储在其中。因此，生成单元140a例如生成诸如“没有gunma的歌曲”的消息或诸如“请告诉我gunma喜欢的歌曲”的消息。或者，在数据库被替换之后，为了使用户a意识到替换，可以生成诸如“我可以播放用户b喜欢的歌曲吗？”的消息或者诸如“没有gunma的歌曲，因此我将播放另一首歌曲”的消息。
177.并且，例如，在用户a说“播放用户b的歌曲”的情况下，分析单元130a分析用户b是人，并且它是播放该人喜欢的歌曲的指令。如果分析单元130a不能分析用户b是人，则在后
续阶段中通过生成单元140a的处理生成诸如“用户b是什么？”的消息。与参照图8的流程图描述的处理类似地执行这种情况下的处理，并且作为结果，知识db 111a被更新，并且诸如用户b＝人的信息被写入。
178.生成单元140a(其推荐信息生成单元142)参照推荐db 112b
′
，参照用户b喜欢的歌曲的播放列表，选择具有高推荐分数的歌曲，并生成用于播放该歌曲的输出信息。以这种方式，可以向用户a推荐用户b喜欢的歌曲。
179.注意，如上所述，由于更新单元121a的处理，存在随着时间的推移(随着学习的进行)推荐db 112b
′
也变为适于用户a的品味的数据库的可能性。换句话说，存在推荐db 112b
′
返回到接近替换前的推荐db 112a的状态的可能性。根据用户a的意图，即使将其推荐db 112a替换为用户b的推荐db 112b
′
，用户a也可以不优选返回到用户a的推荐db 112a。
180.因此，在执行这种数据库替换的情况下，可以对更新单元121的更新设定一些限制，使得在替换后在数据库中累积的数据不被经常更新。例如，可能存在这样的限制，即，仅当用户指示(允许)时才执行更新，或者在替换后的预先确定的时间段(例如，一周)内不执行更新。
181.通过以这种方式用用户期望的用户的推荐db 112替换推荐db 112，变得能够使用替换后的推荐db 112接收推荐。
182.《转用其他用户数据库的第二方法》
183.作为转用其他用户的数据库的第二方法，将描述用其他用户的知识db 111替换自身的知识db 111的情况。
184.图14是用于描述第二转用方法的示图。用户a的知识db 111a被用户b的知识db 111b替换。通过替换，用户a可以参照用户b的知识db 111b
′
，并且接收使用语义分析的结果的推荐。这里，用
′
描述被替换的知识db 111b以指示其已被替换。
185.通过执行这种替换，由分析单元130a通过参照为用户b构建的知识db 111b分析由用户a通过声音输入等输入的信息，并且，为用户a构建的推荐db 112a被生成单元140a参照，以由此生成推荐给用户a的信息。
186.以这种方式，将对用户a执行参照为用户b构建的知识db 111b
′
的语义分析。因此，通过使用从用户b的生活和交友关系获得的知识对用户a执行语义分析，并且通过使用语义分析的结果进行推荐。
187.以这种方式，在为用户a构建的知识db 111a被替换为为用户b构建的知识db 111a
′
之后，在用户a例如说“播放音乐”的情况下，分析单元130a分析给出了播放音乐的指令，并且生成单元140a(其推荐信息生成单元142)参照推荐db 112a，选择具有高推荐分数的歌曲，并且生成播放该歌曲的输出信息。
188.并且，例如，在用户a说“播放gunma的歌曲”的情况下，分析单元130a参照知识db 111b
′
执行语义分析。由于“gunma”是用户a的朋友的信息在替换之前被记录在知识db 111a中，因此将其分析为播放用户a的名叫“gunma”的朋友喜欢的歌曲的指令，但是这种信息不被记录在替换之后的知识db 111b
′
中，因此，不能执行分析的结果(指令内容不一致的结果)被输出到生成单元140a。
189.生成单元140a生成例如诸如“什么是gunma？”的消息。可以与参照图8描述的处理类似地执行生成这种消息的处理。如果执行这种处理并且存在来自用户a的响应(反馈)，则
基于其内容更新知识db 111b
′
。尽管可以以这种方式对其进行更新，但是如果执行这种更新，则存在替换后的知识db 111b
′
返回到接近替换前的知识db 111a的状态的可能性。
190.根据用户a的意图，即使将其知识db 111a替换为用户b的知识db 111b
′
，用户a也可以不优选返回到用户a的知识db 111a。因此，在执行这种数据库替换的情况下，可以对更新单元121a的更新设定一些限制，使得在替换后的数据库中累积的数据不被经常更新。例如，可能存在这样的限制，即，仅当用户指示(允许)时才执行更新，或者在更换后的预先确定的时间段(例如，一周)内不执行更新。
191.并且，在知识db 111被替换之后，生成单元140a可以生成用于用户a识别知识db 111已被替换的消息。例如，可以生成诸如“没有gunma的信息，但是有用户b的信息”的消息或诸如“我可以播放用户b喜欢的歌曲吗？”的消息。
192.作为又一示例，在用户a说“播放用户b的歌曲”的情况下，分析单元130a分析它是参照知识db 111b
′
、读出关于用户b喜欢的歌曲的信息并且播放歌曲的指令。“用户b喜欢的歌曲是yy”的信息被记录在在知识db 111b
′
中。例如，由于在用户b侧的信息处理设备10中也执行参照图8和图9描述的处理，因此，在构建为用户b的知识db 111b的数据库中，还累积“用户b喜欢的歌曲是yy”的信息。
193.并且，通过被知识db 111b
′
替换，更新单元121a可以基于记录在知识db 111b
′
中的信息更新推荐db 112a。例如，可以基于记录在知识db 111b
′
中的“用户b喜欢的歌曲是yy”的信息，在推荐db 112a中创建用户b喜欢的歌曲的播放列表。
194.通过执行这种更新，用户b喜欢的歌曲的播放列表也被记录在推荐db 112a中，使得生成单元140a(其推荐信息生成单元142)参照推荐db 112a，参照用户b喜欢的歌曲的播放列表，选择具有高推荐分数的歌曲，并生成用于播放歌曲的输出信息。
195.通过以这种方式用用户期望的用户的知识db 111替换知识db 111，能够使用替换后的知识db 111提供推荐。
196.《转用其他用户数据库的第三种方法》
197.作为转用其他用户的数据库的第三方法，将描述一起使用自身的推荐db 112和其他用户的推荐db 112的情况。
198.图15是用于描述第三转用方法的示图。用户b的推荐db 112b
′
被添加到用户a的信息处理设备10的存储单元110(图4)。通过添加，用户a的存储单元110存储为用户a构建的推荐db 112a和为用户b构建的推荐db 112b。它是添加db切换单元301使得可以参照两个推荐db 112中的任一数据库的配置。
199.db切换单元301可以作为生成单元140的功能的一部分被设置，或者可以在图3所示的信息处理设备10的配置中被设置在存储单元110和生成单元140之间。
200.用户a可以参照用户b的推荐db 112b
′
接收推荐。如在上述的第一转用方法中描述的那样，执行db切换单元301将参照数据库切换到推荐db 112b
′
侧的情况下的处理。因此，能够由分析单元130a通过参照为用户a构建的知识db 111a分析由用户a通过声音输入等输入的信息，并且由生成单元140a参照为用户b构建的推荐db 112b
′
，以由此生成推荐给用户a的信息。
201.并且，作为db切换单元301将参照数据库切换到推荐db 112a侧的情况下的处理，执行参照图8～10的流程图描述的处理。因此，能够由分析单元130a通过参照为用户a构建
的知识db 111a分析由用户a通过声音输入等输入的信息，并且由生成单元140a参照为用户a构建的推荐db 112a，以由此生成推荐给用户a的信息。
202.以这种方式，对用户a进行参照为用户a构建的推荐db 112a的推荐或参照为用户b构建的推荐db 112b
′
的推荐。因此，对用户a进行根据用户a和用户b中的每个人的品味和生活方式等的信息的推荐。
203.可以使得当用户a的位置显著改变时，例如，当出行时或当移动时，让db切换单元301的切换进行切换。例如，当用户a旅行到区域b时，它被切换到为居住在区域b中的用户b构建的推荐db 112b
′
。然后，通过参照推荐db 112b
′
生成推荐信息。在这种情况下，可以向用户a推荐与区域b密切相关的信息，诸如生活在区域b中的用户b每天使用的餐厅和他或她经常访问的游玩区域。
204.并且，可以使得例如根据时区让db切换单元301的切换进行切换。例如，在用户a是考生并且用户b是用户a想要通过的学校的考试通过者的情况下，例如在晚上，参照的数据库被切换到为用户b构建的推荐db 112b
′
，使得变得能够向用户a推荐用户b在晚上学习的科目和方式。
205.并且，例如，可以根据分析单元130a的分析结果让db切换单元301的切换进行切换。例如，在用户a说“播放gunma的歌曲”的情况下，分析单元130a参照知识db 111a，分析“gunma”是用户a的朋友，并且分析它是播放用户a的称为“gunma”的朋友喜欢的歌曲的指令。基于该分析结果，生成单元140a(其推荐信息生成单元142)参照推荐db 112b
′
并读出gunma喜欢的歌曲的播放列表。
206.然而，由于推荐db 112b
′
是为用户b构建的数据库，因此作为用户a的信息的gunma喜欢的歌曲的播放列表没存储在其中。在这种情况下，db切换单元301将参照数据库切换到推荐db 112a。通过将参照数据库切换到推荐db 112a，选择gunma喜欢的具有高推荐分数的歌曲，并且生成用于播放歌曲的输出信息。
207.当然，db切换单元301的切换定时可以是除上述之外的定时，并且上述示例是示例，而不是指示限制的描述。
208.《转用其他用户的数据库的第四方法》
209.作为转用其他用户的数据库的第四方法，将描述一起使用自身的知识db 111和其他用户的知识db 111的情况。
210.图16是用于描述第四转用方法的示图。用户b的知识db 111b
′
被添加到用户a的信息处理设备10的存储单元110(图4)。通过被添加，为用户a构建的知识db 111a和为用户b构建的知识db 111b被存储在用户a的存储单元110中。它是添加db切换单元302使得可以切换并参照两个知识db 111的任一个数据库的配置。
211.db切换单元302可以作为生成单元140的功能的一部分被设置，或者可以在图3所示的信息处理设备10的配置中被设置在存储单元110和生成单元140之间。
212.用户a可以接收基于参照用户b的知识db 111b
′
的分析结果的推荐。如在上述第二转用方法中描述的那样，执行db切换单元302将参照数据库切换到知识db 111b
′
侧的情况下的处理。因此，由分析单元130a通过参照为用户b构建的知识db 111b
′
分析由用户a通过声音输入等输入的信息，并且由生成单元140a参照为用户a构建的知识db 111a，以由此生成推荐给用户a的信息。
213.并且，作为db切换单元302将参照数据库切换到知识db 111a侧的情况下的处理，执行参照图8～10的流程图描述的处理。因此，由分析单元130a通过参照为用户a构建的知识db 111a分析由用户a通过声音输入等输入的信息，并且由生成单元140a参照为用户a构建的知识db 111a，以由此生成推荐给用户a的信息。
214.以这种方式，执行参照为用户a构建的知识db 111a的语义分析，或参照为推荐用户b构建的知识db 111b
′
的语义分析，并且将对用户a进行使用语义分析的结果的推荐。因此，对用户a进行根据用户a和用户b中的每个人的品味和生活方式等的信息的推荐。
215.可以使得当用户a的位置显著改变时，例如，当出行时或当移动时，让db切换单元302的切换进行切换。例如，当用户a旅行到区域b时，它被切换到为居住在区域b中的用户b构建的知识db 111b
′
。然后，可以通过参照知识db 111b
′
执行语义分析，并且可以基于其分析结果生成推荐信息。在这种情况下，由于诸如生活在区域b中的用户b每天使用的餐馆和他或她经常访问的游玩区域的信息被记录在知识db 111b
′
中，因此变得能够执行也适用于与区域b密切相关的信息的语义分析，并且对用户进行基于语义分析的推荐。
216.并且，可以使得例如根据时区让db切换单元302的切换进行切换。例如，在用户a是考生并且用户b是用户a想要通过的学校的考试通过者的情况下，例如在晚上，它被切换到为用户b构建的知识db 111b
′
。然后，如果在知识db 111b
′
中累积用户b在晚上一直在听的歌曲的信息，例如，当用户a希望在学习中的休息时间听歌曲时，用户b一直在听的歌曲的信息可以从知识db 111b
′
被读取并且被推荐给用户a。
217.并且，可以使得例如当在分析单元130a的分析中存在矛盾时，让db切换单元302的切换进行切换。例如，在用户a说“播放gunma的歌曲”的情况下，由于当db切换单元302切换为参照知识db 111b时不能将“gunma”分析为用户a的朋友，因此分析在“播放gunma的歌曲”的指令中存在矛盾。在分析存在这种矛盾的情况下，db切换单元302切换参照的数据库以参照知识db 111a。
218.分析单元130a可以通过参照知识db 111a分析“gunma”是用户a的朋友，并且可以分析“播放gunma的歌曲”指令为播放用户a的朋友喜欢的歌曲的指令。基于该分析结果，生成单元140a(其推荐信息生成单元142)参照知识db 111a并读出gunma喜欢的歌曲的播放列表。
219.当然，db切换单元302的切换定时可以是除上述之外的定时，并且上述示例是示例，而不是指示限制的描述。
220.《转用其他用户的数据库的第五方法》
221.作为转用其他用户的数据库的第五方法，将描述整合自身的推荐db 112和其他用户的推荐db 112的情况。
222.图17是用于描述第五转用方法的示图。用户a的推荐db 112a和用户b的推荐db 112b被整合以生成用户a的推荐db 112ab。
223.通过执行这种整合，由分析单元130a通过参照为用户a构建的知识db 111a分析由用户a通过声音输入等输入的信息，并且生成单元140a参照通过整合为用户a构建的推荐db 112a和为用户b构建的推荐db 112b获得的推荐db 112ab，以由此生成推荐给用户a的信息。
224.以这种方式，向用户a进行参照其中整合了不同数据库的推荐db 112ab的推荐。因此，对用户a进行根据用户a和用户b的各自品味和生活方式的推荐。
225.例如，通过参照图18描述的方法执行数据库的整合。如上所述，推荐db 112记录例如歌曲的播放列表，并且，在播放列表中描述推荐分数。这里，将以整合推荐分数的情况为示例继续描述。
226.图18左侧的示图示出分别记录在整合前的推荐db 112a和推荐db 112b中的推荐分数的示例。图18右侧的示图示出记录在整合后的推荐db 112ab中的推荐分数的示例。
227.在整合前的用户a的推荐db 112a中，歌曲a的推荐分数为“0.2”，歌曲b的推荐分数为“0.9”，歌曲c的推荐分数为“0.4”，歌曲d的推荐分数为“n/a(不适用)”。在整合前的用户b的推荐db 112b中，歌曲a的推荐分数为“1.0”，歌曲b的推荐分数为“0.5”，歌曲c的推荐分数为“n/a”，歌曲d的推荐分数为“0.3”。
228.在整合这些推荐分数的情况下，存在使用推荐分数的平均值作为整合后的推荐分数的方法。将参照图18的右图所示的通过整合后的推荐db 112ab中的平均值整合的值。首先，歌曲a的推荐分数为“0.6”，它是“0.2”和“1.0”的平均值。类似地，歌曲b的推荐分数为“0.7”，它是“0.9”和“0.5”的平均值。
229.歌曲c的推荐分数为“0.4”和“n/a”的平均值，但可以以“n/a”为“0”计算它，并且可以取“0.2”的值。或者，在存在“n/a”的情况下，“n/a”以外的一侧的值(在这种情况下为“0.4”)可以被原样反映。这里，将以“n/a”以外的一侧的值被原样反映的情况为例继续说明。
230.歌曲d的推荐分数是“n/a”和“0.3”的平均值，但是，由于作为“n/a”以外的一侧的值的“0.3”被原样反映，因此使用“0.3”。
231.在以这种方式使用平均值作为整合后的分数的情况下，在存在分数的情况下，计算平均值并将该值用作整合后的分数，并且在一侧没有分数的情况下，将另一侧的分数原样取为整合后的分数。
232.本技术可以被应用于整合两个推荐db 112的情况，但是本技术也可以被应用于整合两个或更多个推荐db 112的情况。在整合多个推荐db 112的情况下，仅针对与预先确定的歌曲相关联的分数中的n/a以外的分数计算平均值。并且，当在与预先确定的歌曲相关联的分数中仅存在n/a以外的一个分数的情况下，该分数被原样使用。
233.作为整合推荐分数的另一种方法，存在优先采用自身的分数的方法。在这种情况下，用户a是自身，用户b是另一方。在关于预先确定的歌曲为自身(用户a)构建的推荐db 112a具有推荐分数并且为另一方(用户b)构建的推荐db 112b具有推荐分数的情况下，在为自身构建的推荐db 112a中写入的推荐分数被用作整合后的推荐分数。
234.并且，在关于预先确定的歌曲为自身(用户a)构建的推荐db 112a具有推荐分数并且为另一方(用户b)构建的推荐db 112b没有推荐分数的情况下，在为自身构建的推荐db 112a中写入的推荐分数也被用作整合后的推荐分数。并且，在关于预先确定的歌曲为自身(用户a)构建的推荐db 112a没有推荐分数并且为另一方(用户b)构建的推荐db 112b具有推荐分数的情况下，在为另一方构建的推荐db 112b中写入的推荐分数被用作整合后的推荐分数。
235.将参照图18的右图所示的通过在整合后的推荐db 112ab中优先采用自身所整合的值。首先，关于歌曲a，自身的推荐db 112a和另一方的推荐db 112b均具有分数，因此在自身的推荐db 112a中写入的推荐分数“0.2”被取为整合后的推荐分数。类似地，歌曲b的推荐
分数为“0.9”。
236.对于歌曲c的推荐分数，在自身的推荐db 112a中写入了分数“0.4”，并且由于在另一方的推荐db 112b中没有相应的分数，因此“0.4”的分数被取为整合后的推荐分数。对于歌曲d的推荐分数，在自身的推荐db 112a中没有对应的分数，并且由于在另一方的推荐db 112b中写入了分数“0.3”，因此分数“0.3”被取为整合后的推荐分数。
237.以这种方式，可以优先使用在自身的推荐db 112a中描述的分数作为整合后的分数。在这种情况下，构建接近自身品味和生活方式的推荐db 112ab。并且，构建其中添加了不在自身的品味和生活方式中的另一方(用户b)的品味和生活方式的推荐db 112ab。
238.本技术可以被应用于整合两个推荐db 112的情况，但是本技术也可以被应用于整合两个或更多个推荐db 112的情况。在整合多个推荐db 112的情况下，当在与预先确定的歌曲相关联的分数中在自身的推荐db 112中写入了分数的情况下，该分数被取为整合后的推荐分数，并且，当在与预先确定的歌曲相关联的分数中没有在自身的推荐db 112中写入了分数的情况下，在其他用户的推荐db 112中写入的分数被取为推荐分数。
239.作为整合推荐分数的另一种方法，存在优先采用另一方的分数的方法。在关于预先确定的歌曲为自身(用户a)构建的推荐db 112a具有推荐分数并且为另一方(用户b)构建的推荐db 112b具有推荐分数的情况下，在为另一方构建的推荐db 112b中写入的推荐分数被用作整合后的推荐分数。
240.并且，在关于预先确定的歌曲为自身(用户a)构建的推荐db 112a具有推荐分数而为另一方(用户b)构建的推荐db 112b没有推荐分数的情况下，在为自身构建的推荐db 112a中写入的推荐分数被用作整合后的推荐分数。并且，在关于预先确定的歌曲为自身(用户a)构建的推荐db 112a没有推荐分数并且为另一方(用户b)构建的推荐db 112b具有推荐分数的情况下，在为另一方构建的推荐db 112b中写入的推荐分数被用作整合后的推荐分数。
241.将参照图18的右图所示的通过在整合后的推荐db 112ab中优先采用另一方所整合的值。首先，关于歌曲a，由于自身的推荐db 112a和另一方的推荐db 112b均具有分数，因此在另一方的推荐db 112b中写入的推荐分数“1.0”被取为整合后的推荐分数。类似地，歌曲b的推荐分数为“0.5”。
242.对于歌曲c的推荐分数，在自身的推荐db 112a中写入了分数“0.4”，并且由于在另一方的推荐db 112b中没有相应的分数，因此“0.4”的分数被取为作为整合后的推荐分数。对于歌曲d的推荐分数，在自身的推荐db 112a中没有相应的分数，并且由于在另一方的推荐db 112b中写入了分数“0.3”，因此分数“0.3”被取为整合后的推荐分数。
243.以这种方式，在另一方的推荐db 112a中描述的分数可以被优先使用为整合后的分数。在这种情况下，构建接近另一方的品味和生活方式的推荐db 112ab。并且，构建其中保持不在另一方(用户b)的品味和生活方式中的自身的品味和生活方式的推荐db 112ab。
244.本技术可以被应用于整合两个推荐db 112的情况，但是本技术也可以被应用于整合两个或更多个推荐db 112的情况。在整合多个推荐db 112的情况下，当在与预先确定的歌曲相关联的分数中在另一方的推荐db 112中写入了分数的情况下，该分数被取为整合后的推荐分数，并且，当在与预先确定的歌曲相关联的分数中没有在另一方的推荐db 112中写入分数的情况下，在自身的推荐db 112中写入的分数被取为整合后的推荐分数。
245.作为整合推荐分数的另一方法(未示出)，可以选择较高的分数。并且，可以选择较低的分数。并且，可以不在整合后的推荐db 112中描述没有在自身的推荐db 112中描述的信息，例如，在图18中将“n/a”描述为分数的信息。
246.并且，可以基于这里没有例示的另一计算方法或其它规则执行整合。
247.《转用其他用户的数据库的第六方法》
248.作为转用其他用户的数据库的第六方法，将描述整合自身的知识db 111和其他用户的知识db 111的情况。
249.图19是用于描述第六转用方法的示图。用于用户a的知识db 111a和用于用户b的知识db 111b被整合以生成用于用户a的知识db 111ab。
250.通过执行这种整合，分析单元130a通过参照通过整合为用户a构建的知识db 111a和为用户b构建的知识db 111b获得的知识db 111ab分析由用户a通过声音输入等输入的信息，并且生成单元140a参照为用户a构建的知识db 111a，以由此生成推荐给用户a的信息。
251.以这种方式，执行参照整合了不同数据库的知识db 111ab的语义分析，并且向用户a进行基于分析结果的推荐。因此，向用户a进行根据用户a和用户b的各自的品味和生活方式的推荐。
252.例如，通过参照图20描述的方法执行数据库的整合。如上所述，知识db 111记录例如预先确定的单词的出现概率值。这里，将以整合概率值的情况为示例继续描述。
253.图20左侧的示图示出记录在整合前的知识db 111a和知识db 111b中的概率值的示例。图20右侧的示图示出记录在整合后的知识db 111ab中的概率值的示例。
254.在整合前的用户a的知识db 111a中，“gunma
→
群马”的概率值是“8％”，“gunma
→
喜剧人物”的概率值是“20％”，“gunma
→
岩佐氏”的概率值是“72％”，并且“gunma
→
艺人a-san”的概率值是“n/a(不适用)”。在整合前的用户b的知识db 111b中，“gunma
→
群马”的概率值是“80％”，“gunma
→
喜剧人物”的概率值是“12％”，“gunma
→
岩佐氏”的概率值是“n/a”，并且“gunma
→
艺人a-san”的概率值是“8％”。
255.在整合这些概率值的情况下，存在使用概率值的平均值作为整合后的概率值的方法。将参照图20的右图所示的通过整合后的知识db 111ab中的平均值所整合的值。首先，“gunma
→
群马”的概率值是“44％”，它是“8”和“80”的平均值。类似地，“gunma
→
喜剧人物”的概率值是“16％”，它是“20”和“12”的平均值。
[0256]“gunma
→
岩佐氏”的概率值是“72％”和“n/a”的平均值，但是“n/a”被计算为“0”，并且取“36”。“gunma
→
艺人a-san”的概率值是“4”，它是“n/a”和“8”的平均值。
[0257]
以这种方式，计算概率值的平均值，并且该值被用作整合后的概率值。
[0258]
本技术可以被应用于整合两个知识db 111的情况，但是本技术也可以被应用于整合两个或更多个知识db 111的情况。在整合多个知识db 111的情况下，与预先确定的信息相关联的概率值的平均值被取为整合后的概率值。
[0259]
作为整合概率值的另一方法，存在优先采用自身的概率值的方法。在这种情况下，用户a是自身，用户b是另一方。在对于预先确定的信息为自身(用户a)构建的知识db 111a具有概率值并且为另一方(用户b)构建的知识db 111b具有概率值的情况下，在为自身构建的知识db 111a中写入的概率值被用作整合后的概率值。
[0260]
并且，在关于预先确定的信息为自身(用户a)构建的知识db 111a具有概率值并且
为另一方(用户b)构建的知识db 111b没有概率值的情况下，在为自身构建的知识db 111a中写入的概率值也被用作整合后的概率值。并且，在关于预先确定的信息为自身(用户a)构建的知识db 111a没有概率值并且为另一方(用户b)构建的知识db 111b具有概率值的情况下，在为另一方构建的知识db 111b中写入的概率值被用作整合后的概率值。
[0261]
将参照图20的右图所示的通过在整合后的知识db 111ab中优先采用自身所整合的值。首先，关于“gunma
→
群马”，由于自身的知识db 111a和另一方的知识db库111b均具有概率值，因此在自身的知识db 111a中写入的概率值“8”被取为整合后的概率值。类似地，“gunma
→
喜剧人物”的概率值是“20％”。
[0262]
对于“gunma
→
岩佐氏”的概率值，在自身的知识db 111a中写入了“72”的概率值，但是由于在另一方的知识db 111b中没有相应的概率值，因此“72”的概率值被取为整合后的概率值。对于“gunma
→
艺人a-san”的概率值，在自身的知识db 111a中没有相应的概率值并且在另一方的知识db 111b中写入了“8”的概率值，因此“8”的概率值被取为整合后的概率值。
[0263]
以这种方式，在自身的知识db 111a中描述的概率值可以被优先用作整合后的概率值。在这种情况下，构建接近自身品味和生活方式的知识db 111ab。此外，构建其中添加了不在自身的品味和生活方式中的另一方(用户b)的品味和生活方式的知识db 111ab。
[0264]
注意，在图20所示的示例中，在将“gunma
→
群马”、“gunma
→
喜剧人物”、“gunma
→
岩佐氏”和“gunma
→
艺人a-san”的概率值相加的情况下，得到“108”(＝8+20+72+8)。各值可以被调整，使得相加的概率值变为100(％)。
[0265]
本技术可以被应用于整合两个知识db 111的情况，但是本技术也可以被应用于整合两个或更多个知识db 111的情况。在整合多个知识db 111的情况下，当在与预先确定的信息相关联的概率值中在自身的知识db 111中写入了概率值的情况下，该概率值被取为整合后的概率值，并且当没有在自身的知识db 111中写入概率值的情况下，在其他用户的知识db 111中写入的概率值被取为概率值。
[0266]
作为整合概率值的又一方法，存在优先采用另一方的概率值的方法。在关于预先确定的信息为自身(用户a)构建的知识db 111a具有概率值并且为另一方(用户b)构建的知识db 111b具有概率值的情况下，在为另一方构建的知识db 111b中写入的概率值被用作整合后的概率值。
[0267]
并且，在关于预先确定的信息为自身(用户a)构建的知识db 111a具有概率值而为另一方(用户b)构建的知识db 111b没有概率值的情况下，在为自身构建的知识db 111a中写入的概率值被用作整合后的概率值。并且，在关于预先确定的信息为自身(用户a)构建的知识db 111a没有概率值并且为另一方(用户b)构建的知识db111b具有概率值的情况下，在为另一方构建的知识db 111b中写入的概率值被用作整合后的概率值。
[0268]
将参照图20的右图所示的通过在整合后的知识db 111ab中优先采用另一方所整合的值。首先，关于“gunma
→
群马”，由于自身的知识db 111a和另一方的知识db库111b均具有概率值，因此在另一方的知识db 111b中写入的概率值“80”被取为整合后的概率值。类似地，“gunma
→
喜剧人物”的概率值是“12”。
[0269]
对于“gunma
→
岩佐氏”的概率值，在自身的知识db 111a中写入了“72”的概率值，但是由于在另一方的知识db 111b中没有相应的概率值，因此“72”的概率值被取为整合后
的概率值。对于“gunma
→
艺人a-san”的概率值，在自身的知识db 111a中没有相应的概率值并且在另一方的知识db 111b中写入了“8”的概率值，因此“8”的概率值被取为整合后的概率值。
[0270]
以这种方式，在另一方的知识db 111a中描述的概率值可以被优先用作整合后的概率值。在这种情况下，构建接近另一方的品味和生活方式的知识db 111ab。并且，构建其中保持不在另一方(用户b)的品味和生活方式中的自身的品味和生活方式的知识db 111ab。
[0271]
注意，在图20所示的示例中，在将“gunma
→
群马”、“gunma
→
喜剧人物”、“gunma
→
岩佐氏”和“gunma
→
艺人a-san”的概率值相加的情况下，得到“172”(＝80+12+72+8)。各值可以被调整，使得相加的概率值变为100(％)。
[0272]
本技术可以被应用于整合两个知识db 111的情况，但是本技术也可以被应用于整合两个或更多个知识db 111的情况。在整合多个知识db 111的情况下，当在与预先确定的信息相关联的概率值之中在另一方的知识db 111中写入了概率值的情况下，该概率值被取为整合后的概率值，并且当在与预先确定的信息相关联的概率值之中没有在另一方的知识db 111中写入概率值的情况下，在自身的知识db 111中写入的概率值被取为整合后的概率值。
[0273]
作为整合概率值的又一方法，尽管未示出，但可以选择较高的概率值。并且，可以选择较低的概率值。并且，可以不在整合的知识db 111中描述在自身的知识db 111中没有描述的信息，例如，在图20中将“n/a”描述为概率值的信息。
[0274]
并且，可以基于这里没有例示的另一计算方法或其它规则执行整合。
[0275]
《第二实施例中的信息处理设备的配置》
[0276]
将参照图21描述根据第二实施例的信息处理设备11的配置。图21是示出根据第二实施例的信息处理设备11的配置的功能框图。如图21所示，信息处理设备11包括存储单元118、处理单元128、分析单元130、生成单元143、输出控制单元150和通信控制单元160。以下，将描述与包含于根据第一实施例的信息处理设备10(图2)中的功能单元不同的存储单元118、处理单元128和生成单元143。
[0277]
首先，将参照图22描述根据第二实施例的存储单元118。图22是示出根据第二实施例的存储单元118的配置的功能框图。根据第二实施例的存储单元118包括知识db 116、推荐db 117、交互db 113和学习db 114。
[0278]
并且，根据第二实施例的知识db 116不记录随机地代表单词的含义和内容的数据(诸如根据第一实施例的知识db 111)。并且，根据第二实施例的推荐db 117不记录被记录在根据第一实施例的推荐db 112中的推荐分数。
[0279]
在第二实施例中，基于如下文所述的分析单元131和生成单元143所具有的黑盒参数(以下，也简称为“参数”)执行单词的含义和内容的分析或向用户的推荐等。因此，在第二实施例中，记录在根据第二实施例的知识db 116和推荐db 117中的信息与根据第一实施例的知识db 111和推荐db 112是不同的。
[0280]
更具体地，分析单元131或推荐信息生成单元145向网络输入输入值(在网络中，包括多个输入的输入层和包括多个输出的输出层由包括多个层的中间层连接)，并且输出与分析结果或推荐信息等相关的输出值。以下，定义网络中的节点的权重的参数将被称为“黑
盒参数”。
[0281]
在学习db 114中，在记录学习数据的事件中记录输入值和输出值。输入值为例如获得输出值所必需的各种信息，诸如用户的指令、用户状况和环境信息。输出值可以是例如用于估计分析结果等的适当程度的指标(例如，诸如用户的反应的信息)。可以基于用户的指令或者由信息处理设备11在后台自动执行学习数据的记录。
[0282]
在本实施例中，事件的各指标被记录为交互db 113中的数据。并且，交互db 113记录用于提取再学习记录在事件中的算法所需的学习数据的标签信息(例如，指示事件发生时间、以及输入信息或输出信息的内容等的信息)。因此，可以基于交互db 113从学习db 114提取学习数据。
[0283]
参照图23，将着眼于与存储在根据第一实施例的存储单元110中的信息的差异，描述存储在根据第二实施例的存储单元118中的信息。图23是示出根据第二实施例的记录在交互db 113中的信息、知识db 116的更新历史和推荐db 117的更新历史的示例的示图。
[0284]
如图23所示，知识db 116和推荐db 117不记录关于含义和内容的概率的信息以及诸如推荐分数的信息等。因此，如图23所示，在根据第二实施例的存储单元118中，不存储图11所示的含义和内容的更新历史或者推荐分数的更新历史等。注意，在根据第二实施例的交互db 113中，与在根据第一实施例的交互db 113中一样，记录关于交互的信息。
[0285]
接下来，将参照图24描述根据第二实施例的处理单元128。图24是示出根据第二实施例的处理单元128的配置的功能框图。除了包含于根据第一实施例的处理单元120中的功能单元以外，根据第二实施例的处理单元128还包含学习单元125。
[0286]
学习单元125具有执行分析单元131或生成单元143所拥有的各种参数的学习(例如，强化学习)的功能。更具体地，学习单元125基于记录在交互db 113中的交互信息(例如基于诸如强化学习的技术)学习参数。由此，参数被更新。
[0287]
这里，参数的学习意指根据输入值和输出值(即，学习数据)的累积优化黑盒参数。注意，当由学习单元125添加、删除或校正关于记录在交互db 113中的交互的信息时，学习单元125可以学习参数。
[0288]
对于学习，例如，可以使用各种机器学习技术，机器学习技术使用诸如递归神经网络(rnn)和卷积神经网络(cnn)的神经网络。
[0289]
当获取到输入信息时，根据第二实施例的信息处理设备11基于包含于分析单元131或生成单元143中的各种参数生成输出信息。因此，由学习单元125更新参数对应于导致由信息处理设备11对用于生成输出信息的算法执行再学习。
[0290]
接下来，将描述分析单元131。在第二实施例中，作为黑盒参数(语义分析参数)，学习输入信息和输出信息之间取什么对应关系来导致获得正的fb。
[0291]
与根据第一实施例的分析单元130不同，根据第二实施例的分析单元131对于输入信息与“含义和内容”之间的对应关系使用语义分析参数而不是概率形式，以从前后的语境或状况获得最佳响应。更具体地，在输入来自用户的声音信息的情况下，分析单元131例如通过使用声音信息作为输入值，输出基于语义分析参数的声音信息的含义分析结果。
[0292]
并且，分析单元131可以通过使用各种信息(用户状态、特征信息、环境信息和用户指令的内容等)作为声音以外的输入值输出声音信息的语义分析结果。这里，用户的特征信息可以是例如关于用户特征的信息，诸如年龄、性别或地址。并且，环境信息可以是关于用
户存在的空间的信息，诸如关于时间、场所或与用户在一起的人的信息。
[0293]
例如，当在不久之前关于交友关系谈到时，分析单元131可以分析“gunma”意指名为“岩佐”的人。并且，在用户正在前往群马县的情况下，可以分析“gunma”意指县名“群马”。以这种方式，在不久之前谈到的内容可以反映在语义分析参数中。并且，位置的内容可以反映在语义分析参数中。在本实施例中，由分析单元131输出的语义分析结果被用作将在后面描述的推荐信息生成单元145的输入值，以生成推荐信息。
[0294]
接下来，将参照图25描述生成单元143。图25是示出根据第二实施例的生成单元143的配置的功能框图。与根据第一实施例的生成单元140类似，图25所示的生成单元143包括确认信息生成单元144和推荐信息生成单元145。如上所述，根据第一实施例的推荐信息生成单元142基于例如歌曲的推荐分数生成用于推荐歌曲的输出信息。另一方面，在第二实施例中，作为黑盒参数(推荐参数)，学习由要生成的推荐信息推荐的哪首歌曲能够导致获得正fb。
[0295]
推荐信息生成单元145基于推荐参数，例如基于前后的语境或状况生成最佳输出信息，并且例如向用户推荐音乐等。更具体地，推荐信息生成单元145基于分析单元130的分析结果、各种信息(用户状态、特征信息、环境信息和用户指令的内容等)和推荐参数生成推荐信息作为输出。
[0296]
在本实施例中，如上所述，声音信息和上述各种信息(用户状态、特征信息、环境信息和用户指令的内容等)被用于语义分析或推荐信息的生成。因此，能够考虑大量的条件执行处理的机器学习技术适于如在本实施例中那样需要基于各种条件的推荐等的处理的处理。
[0297]
例如，对于用户来说，可能优选播放与在不久之前在用户的对话中出现的歌曲类似的歌曲。此时，例如，上面描述的推荐参数反映在不久之前在用户的对话中出现的歌曲的内容，并且推荐信息生成单元145可以基于推荐参数生成用于播放与在不久之前用户谈到的歌曲类似的歌曲的输出信息。
[0298]
并且，在以前已经为用户播放了某首歌曲的情况下，对于用户来说，可能优选在例如自播放该歌曲以来已经过去一周或更长时间之后再次播放该歌曲。此时，例如，推荐参数反映关于先前推荐的歌曲的信息，并且推荐信息生成单元145可以在自播放先前推荐的歌曲以来已经过去一周或更长时间的情况下生成推荐该歌曲的输出信息。
[0299]
《处理示例》
[0300]
首先，将参照图26描述参数更新处理，该参数更新处理是信息处理设备11更新黑盒参数(语义分析参数和推荐参数)的处理。图26是示出根据第二实施例的参数更新处理的示例的流程图。
[0301]
信息处理设备11获取输入信息(步骤s502)。信息处理设备11接收例如经由网络30输入到用户终端20的信息。接收的输入信息经由通信控制单元160被传送到分析单元131。
[0302]
分析单元131分析输入信息的含义和内容(步骤s504)。更具体地，分析单元131基于存储在存储单元118中的语义分析参数分析输入信息的含义和内容。分析结果被传送到生成单元143。
[0303]
生成单元143生成输出信息(步骤s506)。更具体地，推荐信息生成单元145基于存储在存储单元118中的分析结果和推荐参数生成用于向用户进行各种推荐的输出信息。输
出信息被传送到输出控制单元150。
[0304]
输出控制单元150导致输出信息被输出(步骤s508)。更具体地，输出控制单元150将输出信息传送到通信控制单元160。输出信息被传送到例如连接到网络30的用户终端20。因此，用户终端20输出输出信息。例如，用户终端20输出向用户推荐预先确定的歌曲的声音。
[0305]
信息处理设备11获取fb(反馈)(步骤s510)。例如，信息处理设备11获取来自用户的对输出结果的响应作为fb。获取的fb被传送到处理单元128。
[0306]
接下来，处理单元128学习语义分析参数和推荐参数(步骤s512)。具体地，学习单元125基于来自用户的fb学习存储在存储单元118中的语义分析参数和推荐参数。因此，语义分析参数和推荐参数被更新。当这些参数被更新时，参数更新处理结束。
[0307]
以上参照图26描述了参数更新处理。以这种方式，用于信息处理设备11生成输出信息的各种参数基于例如通过用户等的fb被更新，使得信息处理设备11可以进一步生成用户所期望的输出信息。
[0308]
如上所述，基于来自用户的fb学习(更新)语义分析参数和推荐参数。因此，累积通过与用户交互生成的语义分析参数和推荐参数的知识db 116和推荐db 117变为适于用户的数据库。适于用户的数据库为例如反映用户的品味和生活方式的数据库。
[0309]
例如，假定图27所示的情况。通过执行如上所述的处理，为用户a构建知识db 116a和推荐db 117a。并且，通过执行如上所述的处理，为用户b构建知识db 116b和推荐db 117b。
[0310]
用户a的知识db 116a和推荐db 117a通过由学习单元125a基于来自用户a的反馈被更新而被构建。并且，反馈是用户a对通过由分析单元131a参照知识db 116a分析例如通过声音输入从用户a输入的信息并且由生成单元143a参照推荐db 117a生成信息所生成的信息的反应。
[0311]
以这种方式构建的用户a的知识db 116a和推荐db 117a是反映用户a的品味和生活方式的数据库。并且，通过使用这种数据库推荐的信息可以是适于用户a的信息。
[0312]
类似地，用户b的知识db 116b和推荐db 117b通过由学习单元125b基于来自用户b的反馈被更新而被构建。并且，反馈是用户b对通过由分析单元131b参照知识db 116b分析例如通过声音输入从用户b输入的信息并且由生成单元143b参照推荐db 117b生成信息所生成的信息的反应。
[0313]
以这种方式构建的用户b的知识db 116b和推荐db 117b是反映用户b的品味和生活方式的数据库。并且，通过使用这种数据库推荐的信息可以是适于用户b的信息。这一点与在第一实施例中参照图12描述的情况类似。
[0314]
如参照图12所述，同样在第二实施例中，在用户b对于用户a是渴望的人或目标人的情况下，用户a可能希望获得各种信息，诸如这种名人对什么感兴趣以及名人何时做什么。
[0315]
在这种情况下，假定期望使用由其他用户学习的知识db 116或推荐db 117。因此，下面将针对由其他用户学习的知识db 116和推荐db 117可以被用作自身的知识db 116和推荐db 117的情况增加描述。
[0316]
在下面的描述中，如参照图27所述，作为示例，将描述知识db 116a和推荐db 117a
被构建为用户a的据库且知识db 116b和推荐db 117b被构建为用户b的数据库、并且用户a使用用户b的数据库(用户b的数据库被转用为用户a的数据库)的情况。
[0317]
《转用其他用户的数据库的第七方法》
[0318]
作为转用其他用户的数据库的第七方法，将描述通过用其他用户的推荐db 117替换自身的推荐db 117转用其他用户的数据库作为自身的数据库的情况。
[0319]
图28是用于描述第七转用方法的示图。用户a的推荐db 117a被替换为用户b的推荐db 117b。通过替换，用户a可以接收参照用户b的推荐db 117b
′
的推荐。这里，用
′
描述替换的推荐db 117b，以指示其已被替换。
[0320]
通过执行这种替换，由分析单元131a通过参照为用户a构建的知识db 116a分析由用户a通过声音输入等输入的信息，并且由生成单元143a参照为用户b构建的推荐db 117b
′
，以由此生成推荐给用户a的信息。
[0321]
以这种方式，对用户a进行参照为用户b构建的推荐db 117b
′
的推荐。因此，对用户a进行根据用户b的品味和生活方式的推荐。
[0322]
以这种方式，在为用户a构建的推荐db 117a被替换为为用户b构建的推荐db 117b
′
之后，在用户a说例如“播放音乐”的情况下，分析单元131a分析基于在知识db 116a中累积的语义分析参数给出播放音乐的指令。生成单元143a(其推荐信息生成单元145)参照在推荐db 117b
′
中累积的推荐参数，基于分析单元131a的分析结果选择要推荐给用户a的歌曲，并生成用于播放歌曲的输出信息。
[0323]
在这种情况下，由于在推荐db 117b
′
中累积的推荐参数是基于用户b的品味生成的信息，因此向用户a呈现与用户b的品味匹配的歌曲。
[0324]
尽管没有给出其它示例，但是如在第一转用方法中那样，参照为用户a构建的推荐db 117a，执行语义分析，并参照为用户b构建的推荐db 117b
′
，以生成要推荐的信息。
[0325]
在存在来自用户a的对以这种方式推荐的歌曲的反馈的情况下，学习单元125a基于反馈学习(更新)语义分析参数和推荐参数。
[0326]
注意，如上所述，由于学习单元125a的处理，存在随着时间的推移(随着学习的进行)推荐db 117b
′
也变为适于用户a的品味的数据库的可能性。换句话说，存在推荐db 117b
′
返回到接近替换前的推荐db 117a的状态的可能性。根据用户a的意图，即使将其推荐db 117a替换为用户b的推荐db 117b
′
，用户a也可以不优选返回到用户a的推荐db 117a。
[0327]
因此，在执行这种数据库替换的情况下，可以对由学习单元125执行的学习(更新数据库的处理)设定一些限制，使得在替换后的数据库中累积的数据不被经常更新。例如，可能存在这样的限制，即，仅当用户指示(允许)时才执行更新，或者在替换后的预先确定的时间段(例如，一周)内将不执行更新。
[0328]
通过以这种方式将推荐db 117替换为用户期望的用户的推荐db 117，变得能够接收使用替换后的推荐db 117的推荐。
[0329]
《转用其他用户数据库的第八方法》
[0330]
作为转用其他用户的数据库的第八方法，将描述用其他用户的知识db 116替换自身的知识db 116的情况。
[0331]
图29是用于描述第八转用方法的示图。用户a的知识db 116a被用户b的知识db 116b替换。通过替换，用户a可以通过参照用户b的知识db 116b
′
接收使用语义分析结果的
推荐。这里，用
′
描述被替换的知识db 116b以指示其已被替换。
[0332]
通过执行这种替换，由分析单元131a通过参照为用户b构建的知识db 116b
′
分析由用户a通过声音输入等输入的信息，并且由生成单元143a参照为用户a构建的推荐db 117a，以由此生成推荐给用户a的信息。
[0333]
以这种方式，对用户a执行参照为用户b构建的知识db 116b
′
的语义分析。因此，基于从用户b的生活和交友关系获得的语义分析参数，对用户a执行语义分析，并且通过使用语义分析的结果进行推荐。
[0334]
例如，在用户a说“播放gunma的歌曲”的情况下，分析单元131a参照知识db 116b
′
执行语义分析。由于替换前的知识db 116a记录给出诸如对于输入“gunma”是用户a的朋友的输出的参数，因此将其分析为播放名为“gunma”的用户a的朋友喜欢的歌曲的指令，但是，由于在替换后的知识db 116b
′
中没有记录这种参数，因此获得另一分析结果。例如，给出在指令内容中存在矛盾的结果、或者地名为群马并且指令是要播放群马的歌曲的分析结果。
[0335]
生成单元143a参照推荐db 117a，并且基于来自分析单元131a的分析结果和推荐参数生成关于推荐给用户a的歌曲的信息。例如，响应于在指令内容中存在矛盾的结果，生成诸如“什么是gunma？”的消息，基于诸如播放群马的歌曲的分析结果选择群马的歌曲，或者假定“群马＝gunma”并且选择gunma喜欢的歌曲。
[0336]
尽管没有给出其它示例，但是如在第二转用方法中那样，参照为用户b构建的知识db 116b
′
，执行语义分析，并且参照为用户a构建的推荐db 117a，以生成要推荐的信息。
[0337]
在存在来自用户a的对以这种方式推荐的歌曲的反馈的情况下，学习单元125a基于反馈学习(更新)语义分析参数和推荐参数。
[0338]
注意，如上所述，由于学习单元125a的处理，存在随着时间的推移(随着学习的进行)知识db 116b
′
也变为适于用户a的品味的数据库的可能性。换句话说，存在知识db 116b
′
返回到接近替换前的知识db 116a的状态的可能性。根据用户a的意图，即使将其知识db 116a替换为用户b的知识db 116b
′
，用户a也可以不优选返回到用户a的知识db 116a。
[0339]
因此，在执行这种数据库替换的情况下，可以对由学习单元125执行的学习(更新数据库的处理)设定一些限制，使得在替换后的数据库中累积的数据不被经常更新。例如，可能存在这样的限制，以使得：仅当用户指示(允许)时才执行更新，或者在替换后的预先确定的时间段(例如，一周)内将不执行更新。
[0340]
通过以这种方式将知识db 116替换为用户期望的用户的知识db 116，变得能够提供使用替换后的知识db 116的推荐。
[0341]
《转用其他用户的数据库的第九方法》
[0342]
作为转用其他用户的数据库的第九方法，将描述一起使用自身的推荐db 117和其他用户的推荐db 117的情况。
[0343]
图30是用于描述第九转用方法的示图。用于用户b的推荐db 117b
′
被添加到用户a的信息处理设备11的存储单元118(图22)。通过添加，用户a的存储单元118存储为用户a构建的推荐db 117a和为用户b构建的推荐db 117b
′
。它是添加db切换单元303使得可以参照两个推荐db 117中的任一数据库的配置。
[0344]
db切换单元303可以作为生成单元143的功能的一部分被设置，或者可以在图21所示的信息处理设备11的配置中被设置在存储单元118和生成单元143之间。
[0345]
用户a可以接收参照用于用户b的推荐db 117b
′
的推荐。如在上述的第七转用方法中描述的那样，执行db切换单元303将参照数据库切换到推荐db 117b
′
侧的情况下的处理。因此，由分析单元131a通过参照为用户a构建的知识db 116a分析由用户a通过声音输入等输入的信息，并且，由生成单元143a参照为用户b构建的推荐db 117b
′
，以由此生成推荐给用户a的信息。
[0346]
并且，作为db切换单元303将参照数据库切换到推荐db 117a侧的情况下的处理，执行参照图26的流程图描述的处理。因此，由分析单元131a通过参照为用户a构建的知识db 116a分析由用户a通过声音输入等输入的信息，并且由生成单元143a参照为用户a构建的推荐db 117a，以由此生成推荐给用户a的信息。
[0347]
以这种方式，对用户a进行参照为用户a构建的推荐db 117a的推荐或参照为用户b构建的推荐db 117b
′
的推荐。因此，对用户a进行根据用户a和用户b的各自的品味和生活方式的推荐。
[0348]
可以使得当用户a的位置显著改变时，例如，当出行时或当移动时，使得db切换单元303的切换进行切换。例如，当用户a在区域b中旅行时，它被切换到为居住在区域b中的用户b构建的推荐db 117b
′
。然后，通过参照推荐db 117b
′
生成推荐信息。在这种情况下，可以向用户a推荐与区域b密切相关的信息，诸如生活在区域b中的用户b每天使用的餐厅和他或她经常访问的游玩区域。
[0349]
尽管未示出其它示例，但是db切换单元303可以在第三转用方法中描述的定时切换数据库。并且，db切换单元303的切换定时当然可以是除上述以外的定时，并且上述示例是示例，不是指示限制的描述。
[0350]
《转用其他用户的数据库的第十方法》
[0351]
作为转用其他用户的数据库的第十方法，将描述一起使用自身的知识db 116和其他用户的知识db 116的情况。
[0352]
图31是用于描述第四转用方法的示图。用于用户b的知识db 116b
′
被添加到用户a的信息处理设备11的存储单元118(图22)。通过添加，为用户a构建的知识db 116a和为用户b构建的知识db 116b
′
被存储在用户a的存储单元118中。它是添加db切换单元304使得可以切换和参照两个知识db 116中的任一个数据库的配置。
[0353]
db切换单元304可以作为生成单元143的功能的一部分被设置，或者可以在图21所示的信息处理设备11的配置中被设置在存储单元118和生成单元143之间。
[0354]
用户a可以接收基于参照用户b的知识db 116b
′
的分析结果的推荐。如在上述的第八转用方法中描述的那样，执行db切换单元304将参照数据库切换到知识db 116b
′
侧的情况下的处理。因此，由分析单元131a通过参照为用户b构建的知识db 116b
′
分析由用户a通过声音输入等输入的信息，并且，由生成单元143a参照为用户a构建的推荐db 117a，以由此生成推荐给用户a的信息。
[0355]
并且，作为db切换单元304将参照数据库切换到知识db 116a侧的情况下的处理，执行参照图26的流程图描述的处理。因此，由分析单元131a通过参照为用户a构建的知识db 116a分析由用户a通过声音输入等输入的信息，并且由生成单元143a参照为用户a构建的推荐db 117a，以由此生成推荐给用户a的信息。
[0356]
以这种方式，执行参照为用户a构建的知识db 116a的语义分析或参照为推荐用户
b构建的知识db 116b
′
的语义分析，并且将对用户a进行使用语义分析的结果的推荐。因此，对用户a进行根据用户a和用户b的各自的品味和生活方式的推荐。
[0357]
可以使得当用户a的位置显著改变时，例如，当出行时或当移动时，使得db切换单元304的切换进行切换。例如，当用户a在区域b中旅行时，它被切换到为居住在区域b中的用户b构建的知识db 116b
′
。然后，可以通过参照知识db 116b
′
执行语义分析，并且可以基于其分析结果生成推荐信息。
[0358]
在这种情况下，由于诸如生活在区域b中的用户b每天使用的餐馆和他或她经常访问的游玩区域的信息被记录在知识db 116b中(例如，由于记录了诸如当存在膳食的输入时输出商店a的参数)，变得能够执行也适用于与区域b密切相关的信息的语义分析，并且对用户a进行基于语义分析的推荐。
[0359]
尽管未示出其它示例，但是db切换单元304可以在在第四转用方法中描述的定时切换数据库。并且，db切换单元304的切换定时当然可以是除上述以外的定时，并且上述示例是示例，不是指示限制的描述。
[0360]
《转用其他用户的数据库的第十一方法》
[0361]
作为转用其他用户的数据库的第十一方法，将描述整合自身的推荐db 117和其他用户的推荐db 117的情况。
[0362]
将考虑整合为用户a构建的推荐db 117a和为用户b构建的推荐db 117b以构建推荐db 117ab的情况。如上所述，推荐db 117不记录记录在根据第一实施例的推荐db 112中的推荐分数，而是记录推荐参数。
[0363]
例如，在推荐分数的情况下，如参照图18所解释的，可以通过获得推荐分数的平均值获得整合后的推荐分数。然而，在推荐db 117a和推荐db 117b中的每一个中，记录推荐参数，并且难以原样使用记录的推荐参数以例如获得平均值并使用平均值作为整合后的参数。由学习单元125基于记录在交互db 113中的交互信息(例如，基于诸如强化学习的技术)学习(更新)参数。
[0364]
因此，如图32所示，在为用户a构建的推荐db 117a和为用户b构建的推荐db 117b被整合以构建推荐db 117ab的情况下，首先，整合为用户a构建的交互db 113a和为用户b构建的交互db 113b
′
。然后，学习单元125a基于记录在整合的交互db 113ab中的交互信息执行再学习，使得构建推荐db 117ab。将在后面描述交互db 113的整合。
[0365]
如上所述，交互db 113a累积来自用户a的输入信息和关于针对输入信息的基于算法的输出信息的数据。由学习单元124a通过基于在这种交互db 113a中累积的数据进行学习来构建推荐db 117。该算法已被学习为适于用户a的算法。
[0366]
并且，交互db 113b累积关于来自用户b的输入信息以及针对输入信息的基于算法的输出信息的数据。由学习单元124b通过基于在这种交互db 113b中累积的数据进行学习来构建推荐db 117b。该算法已被学习为适于用户b的算法(与适于用户a的算法不同的算法)。
[0367]
这种交互db 113a和交互db 113b被整合，并且通过使用整合后的交互db 113ab执行再学习。在图32所示的示例中，学习单元125a基于整合的交互db 113ab执行再学习，并且构建推荐db 117ab。因此，推荐db 117ab可以是其中整合了为用户a构建的推荐db 117a和为用户b构建的推荐db 117b的数据库。
[0368]
在上面和下面的描述中，假定由学习单元125执行再学习，换句话说，由用户a侧的设备执行再学习以继续描述，但是可以由用户a侧的设备(信息处理设备11)以外的设备执行再学习。即，由信息处理设备11以外的设备执行再学习，并且再学习后的学习模型可以被供给到信息处理设备11。
[0369]
并且，在由其它信息处理设备执行再学习的情况下，交互db 113a和交互db 113b被供给(发送)到执行再学习的其它信息处理设备。
[0370]
通过整合交互db 113并执行再学习，由分析单元131a通过参照为用户a构建的知识db 116a分析由用户a通过声音输入等输入的信息，并且由生成单元143a参照通过整合为用户a构建的推荐db 117a和为用户b构建的推荐db 117b获得的推荐db 117ab，以由此生成推荐给用户a的信息。
[0371]
以这种方式，向用户a进行参照整合不同数据库的推荐db 117ab的推荐。因此，对用户a进行根据用户a和用户b的品味和生活方式的推荐。
[0372]
本技术可以被应用于整合两个推荐db 117的情况，但是本技术也可以被应用于整合两个或更多个推荐db 117的情况。在整合多个推荐db 117的情况下，可以通过由稍后描述的整合方法整合多个交互db 113并然后由学习单元125执行再学习，整合多个推荐db 117。
[0373]
《转用其他用户的数据库的第十二方法》
[0374]
作为转用其他用户的数据库的第十二方法，将描述整合自身的知识db 116和其他用户的知识db 116的情况。
[0375]
图33是用于描述第十二转用方法的示图。通过整合用于用户a的知识db 116a和用于用户b的知识db 116b构建用于用户a的知识db 116ab。如在参照图32描述的第十一转用方法中那样，首先，整合为用户a构建的交互db 113a和为用户b构建的交互db 113b
′
。然后，由基于记录在整合交互db 113ab中的交互信息执行再学习的学习单元125a构建知识db 116ab。将在后面描述交互db 113的整合。
[0376]
通过执行这种整合，由分析单元131a通过参照通过整合为用户a构建的知识db 116a和为用户b构建的知识db 116b获得的知识db 116ab，分析由用户a通过声音输入等输入的信息，并且由生成单元143a参照为用户a构建的知识db 116a，以由此生成推荐给用户a的信息。
[0377]
以这种方式，执行参照整合了不同数据库的知识db 116ab的语义分析，并且对用户a进行基于分析结果的推荐。因此，对用户a进行根据用户a和用户b的品味和生活方式的推荐。
[0378]
本技术可以被应用于整合两个知识db 116的情况，但是本技术也可以被应用于整合两个或更多个知识db 116的情况。在整合多个知识db 116的情况下，可以通过由稍后描述的整合方法整合多个交互db 113并然后由学习单元125执行再学习，整合多个知识db 116。
[0379]
《转用其他用户的数据库的第十三方法》
[0380]
作为转用其他用户的数据库的第十三方法，将描述整合自身的知识db 116和其他用户的知识db 116以及整合自身的推荐db 117和其他用户的推荐db 117的情况。
[0381]
图34是用于描述第十三转用方法的示图。与第十一转用方法和第十二转用方法类
似，首先，整合为用户a构建的交互db 113a和为用户b构建的交互db 113b
′
。将在后面描述交互db 113的整合。
[0382]
由基于记录在整合交互db 113ab中的交互信息执行再学习的学习单元125a构建知识db 116ab。并且，由基于记录在整合交互db 113ab中的交互信息执行再学习的学习单元125a构建推荐db 117ab。
[0383]
通过执行这种整合，由分析单元131a通过参照通过整合为用户a构建的知识db 116a和为用户b构建的知识db 116b获得的知识db 116ab，分析由用户a通过声音输入等输入的信息，并且由生成单元143a参照通过整合为用户a构建的推荐db 117a和为用户b构建的推荐db 117b获得的推荐db 117ab，以由此生成推荐给用户a的信息。
[0384]
以这种方式，执行参照整合了不同数据库的知识db 116ab的语义分析，并且通过参照整合了不同数据库的推荐db 117ab向用户a进行基于分析结果的推荐。因此，对用户a进行根据用户a和用户b的品味和生活方式的推荐。
[0385]
《整合交互数据库的方法》
[0386]
在第十一至第十三转用方法中，当整合知识db 116和推荐db 117时，整合交互db 113。将描述该交互db 113的整合。
[0387]
如上所述，当用于用户a的交互db 113a和用于用户b的交互db 113b被整合以构建交互db 113ab时，可以使用记录在用于用户b的交互db 113b中的所有交互信息，或者，可以提取满足预先确定的条件的交互信息，并且可以使用提取的交互信息。
[0388]
用于提取交互信息的预先确定的条件可以是例如诸如预先确定的周期的条件或诸如预先确定的单词的条件。例如，在用户b是通过了用户a参加考试的学校的人并且希望从用于用户b的交互db 113b提取用于通过的信息的情况下，用户b为考试学习的时间段可以是提取信息的预先确定的时间段。
[0389]
将参照图35和图36描述从交互db 113提取满足预先确定的条件的信息的情况。这里，作为示例，将描述从用于用户b的交互db 113b提取满足预先确定的条件的信息并创建交互db 113b
′
的情况。
[0390]
图35的上部示出记录在交互db 113b中的交互的一部分，水平轴是时间轴，并且示出用户b和信息处理设备11之间的交互的历史。图35的下部示出从交互db 113b提取的交互的一部分。
[0391]
在图35的上侧所示的交互db 113b中，将来自用户b的输入信息输入到信息处理设备11以及输出对于输入信息的输出信息的时间(t1～t15)按时间顺序排列在时间轴上。在输入信息和输出信息被输入和输出的时刻，示出带有对角线的三角形标记。信息处理设备11导致对基于这些交互的算法执行学习。
[0392]
提取被记录在交互db 113b中的交互的记录。例如，关于对应于带网格的三角形标记的时刻t3、t4、t5、t9、t11和t12处的交互的信息从交互db 113b被提取，并被记录在交互db 113b
′
中。
[0393]
处理单元120基于交互db 113b搜索要提取的交互，并提取交互。更具体地，提取单元122例如基于来自用户的输入搜索记录在交互db 113b中的交互(标签信息)。例如，提取单元122可以基于诸如上述“gunma”的关键字从交互db 113b搜索标签信息，并基于标签信息提取学习数据。校正单元124从学习db 114提取找到的学习数据。并且，校正单元124可以
从交互db 113提取搜索到的标签信息等。
[0394]
并且，提取单元122可以从学习db 114提取受关于要提取的交互的信息的衍生影响的学习数据。例如，在基于关键字“gunma”提取学习数据的情况下，提取单元122可以提取对应于输出信息在提取之前和之后改变的事件的学习数据。校正单元124可以提取与事件相关的学习数据。
[0395]
以这种方式提取的事件对应于图35所示的时刻t3、t4、t5、t9、t11和t12处的交互。
[0396]
将增加关于从学习db 114提取受关于要提取的交互的信息的衍生影响的学习数据的情况的描述。
[0397]
信息处理设备11从交互db 113提取关键字，并且基于提取结果提取包含于交互db 113中的信息。
[0398]
更具体地，提取单元122获取用于提取的关键字，并且从交互db 113提取关键字。注意，例如，关键字可以通过用户的操作被输入到用户终端20，被传送到信息处理设备11，并且被传送到提取单元122。这里，假定单词“gunma”作为关键字被传送到提取单元122。提取单元122从交互db 113搜索包括“gunma”的信息，并且从学习db 114提取学习数据。
[0399]
接下来，校正单元124提取被记录在学习db 114中的包括“gunma”的学习数据。学习db 114提取例如包括“gunma”的学习数据，诸如记录在校正单元124中的“gunma喜欢的歌曲是xx”、“gunma是我朋友岩佐的昵称”以及“播放gunma的歌曲”。
[0400]
以这种方式，从交互db 113提取关于“gunma”的信息。然而，仅此一点可能不足以提取关于“gunma”的所有信息。
[0401]
例如，不能通过使用关键字“gunma”的上述提取找到不包含单词“gunma”的信息。例如，假定输入信息“播放与昨天听到的歌曲具有类似味道的歌曲”被输入到信息处理设备11。在昨天听到的歌曲是gunma的歌曲的情况下，与gunma的歌曲味道相似的推荐参数已经被更新。在这种情况下，不包括单词“gunma”的以上输入信息直接影响推荐db 112中的信息。
[0402]
并且，假定输入信息“播放与昨天听到的歌曲完全不同的歌曲”被输入到信息处理设备11。在昨天听到的歌曲是gunma的歌曲的情况下，与gunma的歌曲味道完全不同的歌曲的推荐参数在推荐db 117中已被更新。即，不包括单词“gunma”的输入信息间接地影响推荐db 117的信息。以这种方式，也从交互db 113提取影响推荐db 117的信息的交互。
[0403]
如上所述，可以想象，用户可能想要从存储单元118提取与不包括信息“gunma”的输入信息相关的数据。因此，作为提取这些相关数据的方法，可以设想在例如存储单元118中预先存储与各种数据相关的信息的方法。例如，可以考虑在交互db 113中存储输入信息“播放与昨天听到的歌曲具有类似味道的歌曲”和“播放与昨天听到的歌曲完全不同的歌曲”作为与信息“播放gunma的歌曲”相关的信息的方法。因此，在用关键字“gunma”搜索交互db 113的情况下，从交互db 113中找到以上所述的信息“播放与昨天听到的歌曲具有类似味道的歌曲”和“播放与昨天听到的歌曲完全不同的歌曲”。可以基于找到的信息从学习db 114提取学习数据。
[0404]
可以使用这种方法，但是这种方法例如要求将指示存储在交互db 113中的各种信息之间的关系的信息存储在交互db 113中，使得存在记录在交互db 113中的信息变得巨大的可能性。
[0405]
《相关信息的另一种提取方法》
[0406]
因此，当在提取预先确定的信息的情况下在输出信息中发生不一致的情况下，将描述将提取的信息确定为相关信息的方法。更具体地，在提取预先确定的信息的情况下，假定预先确定的信息被临时删除的情况，并且在删除前的输出信息和删除后的输出信息不同的情况下，提取信息被确定为与关键字相关的信息。根据这种方法，不需要记录指示存储在交互db 113中的各种信息之间的关系的信息。
[0407]
参照图36，将描述用于在提取关于包括关键字的交互的信息时基于输出信息的变化确定关于交互的信息是否与关键字相关的方法，所述输出信息是基于算法输出的。
[0408]
图36是示出在删除关于交互的信息之前和之后生成的输出信息以及基于删除之前和之后的输出信息的变化的处理内容的示图。图36示出了三个示例。以下，将描述图36所示的三个示例。从左侧依次示出用户昨天听过的歌曲、输出(删除前和删除后)、输出的变化和处理内容。
[0409]
输出(删除前)是来自用户的输入信息“播放与昨天听到的歌曲具有类似味道的歌曲”的输出信息的内容。并且，在以下三个示例中，提取单元122从存储单元118提取包括关键字“gunma”的信息。执行提取之后的对于上述输入信息的输出信息的内容被示为输出(删除后)。
[0410]
在第一个示例中，作为交互信息，记录用户昨天只听到“gunma的歌曲”。因此，对于输入信息的输出信息是仅用于播放“gunma的歌曲”的信息。另一方面，如果包括“gunma”的信息被临时删除，由于播放“gunma的歌曲”的历史消失，因此则该算法不再可以理解用户的意图，因此输出信息例如变为信息“昨天是否播放过任何歌曲？”。
[0411]
以这种方式，在确定输出信息由于包括关键字“gunma”的信息的临时删除而改变的情况下，确定单元123确定输入信息是与关键字“gunma”相关的数据(相关数据)。以这种方式，根据本实施例的信息处理设备11提取包括关键字的信息，并且如果提取的关键字被临时删除，则信息处理设备11可以根据删除前后的输出信息的变化确定输入信息和关键字之间的关系。因此，信息处理设备11不需要存储每条输入信息与哪种类型的关键字相关联。
[0412]
然后，在第二个示例中，用户昨天听了gunma的歌曲和gunma的歌曲以外的歌曲。即，输出(删除前)是播放“gunma的歌曲”和“gunma的歌曲以外的歌曲”的输出。另一方面，包括“gunma”的各种信息被临时删除后的输出(删除后)是仅播放“gunma的歌曲以外的歌曲”的输出。同样在这种情况下，存在输出(删除前)和输出(删除后)之间的变化。因此，确定单元123确定输入信息是关键字“gunma”的相关数据。
[0413]
然后，在第三个示例中，用户昨天只听了“除gunma的歌曲以外的歌曲”。因此，输出(删除前)是仅播放“gunma的歌曲以外的歌曲”的输出。另一方面，输出(删除前)是与关键字无关的输出。因此，输出(删除后)与输出(删除前)没有变化。此时，确定单元123确定输入信息是与关键字无关的数据。
[0414]
通过以这种方式确定关键字和输入信息之间的相关性，能够基于关键字提取与关键字相关的输入信息。换句话说，它不限于输入信息“播放gunma的歌曲”，并且能够提取与关键词“gunma”相关的输入信息(交互)“播放与昨天听到的(gunma的)歌曲味道相似的歌曲”或“播放与昨天听到的(gunma的)歌曲完全不同的歌曲”。
[0415]
并且，根据该方法，基于输出信息的变化确定关键字和输入信息之间的关系。因
此，信息处理设备11不需要存储各种关键字和输入信息之间的关系，并且可以基于较少的信息提取关于交互的信息。
[0416]
《相关信息的又一种提取方法》
[0417]
将参照图37描述相关数据的另一提取方法。图37示出了四个示例。以下是输出改变的四个示例。注意，在示例中的每一个中，提取单元122从交互db 113搜索关键字“gunma”，并且基于搜索结果从学习db 114提取学习数据。
[0418]
在第一例子中，用户昨天只听了“gunma的歌曲”。在这种情况下，与参照图36描述的情况一样，删除前后的输出的变化量大。因此，在这种情况下，确定单元123确定输出的变化大，并且确定它是相关数据。
[0419]
然后，在第二个和第三个示例中，用户昨天听了“gunma的歌曲”和“gunma的歌曲以外的歌曲”。然而，在第二示例和第三示例中，用户听到的“gunma的歌曲”的数量和“gunma的歌曲以外的歌曲”的数量不同。具体地，在第二示例中，用户终端20播放九首“gunma的歌曲”和一首“gunma的歌曲以外的歌曲”。另一方面，在第三示例中，用户终端20播放一首“gunma的歌曲”和九首“gunma的歌曲以外的歌曲”。
[0420]
在第二示例中，在提取与关键字“gunma”相关的学习数据之前和之后，输出信息从播放九首“gunma的歌曲”和一首“gunma的歌曲以外的歌曲”的信息变为播放一首“gunma的歌曲”的信息。在这种情况下，确定单元123确定删除前后的输出的变化量大，并且确定它是相关数据。
[0421]
另一方面，在第三示例中，在提取与关键字“gunma”相关的学习数据之前和之后，输出信息已经从播放一首“gunma的歌曲”和九首“gunma的歌曲以外的歌曲”的信息变为九首“gunma的歌曲以外的歌曲”。在这种情况下，确定单元123确定删除前后的输出的变化量小，并且确定它不是相关数据。
[0422]
并且，在第四个示例中，用户昨天只听了“gunma的歌曲”。在这种情况下，与参照图36描述的情况一样，确定单元123确定删除前后的输出的变化量小，并且确定它不是相关数据。
[0423]
如上所述，参照图37，描述了通过根据本实施例的信息处理设备11的信息提取处理示例的概要。接下来，参照图38，将描述通过根据本实施例的信息处理设备11的交互db 113的提取处理。
[0424]
首先，信息处理设备11获取输入信息(步骤s402)。更具体地，信息处理设备11经由网络30接收例如从用户输入到用户终端20的关键字和请求提取与关键字相关的学习数据的信息(以下，也称为“请求信息”)作为输入信息。这里，假定上述关键字是例如单词“gunma”。信息处理设备11接收上述关键字和请求信息作为输入信息，并经由通信控制单元160将接收到的输入信息传送到包含于处理单元120中的提取单元122。
[0425]
接下来，提取单元122基于传送的输入信息提取相关信息(步骤s404)。具体地，提取单元122提取与关键字“gunma”相关的信息。更具体地，提取单元122提取存储在知识db 111、推荐db 112或交互db 113中的与关键字的单词“gunma”相关的信息。注意，提取单元122不提取被记录在交互db 113中的输出信息。
[0426]
接下来，生成单元140生成输出信息(步骤s406)。注意，此时，生成单元140在假定已经提取了在步骤s404中提取的相关信息(排除在步骤s406中使用的输入信息)的情况下
生成输出信息。即，生成单元140在假定不存在与关键字“gunma”相关的交互等的情况下生成输出信息。此时，由生成单元140生成的输出信息可能与记录在交互db 113中的输出信息不同。
[0427]
接下来，确定单元123确定输出信息的变化的大小(步骤s408)。更具体地，确定单元123将在步骤s406中生成的输出信息与记录在学习db 114中并且对应于用于生成该输出信息的输入信息的输出信息之间的差值的大小确定为输出信息的变化的大小。
[0428]
接下来，校正单元124根据确定单元123在步骤s408中的确定结果提取被记录在学习db 114中的输出信息(步骤s410)。例如，当在步骤s408中确定输出信息的变化大的情况下，校正单元124提取被记录在学习db 114中并且是步骤s408中的确定目标的输出信息以及与其对应的输入信息。
[0429]
并且，当在步骤s408中确定输出信息没有变化的情况下，校正单元124保持被记录在交互db 113中并且是步骤s408中的确定目标的输出信息。
[0430]
接下来，在提取单元122确定存在不是基于交互db 113确定的输出信息的情况下(步骤s412：是)，处理返回到步骤s402。另一方面，在确定不存在不是基于交互db 113确定的输出信息的情况下(步骤s412：否)，图38所示的提取处理结束。
[0431]
如上所述，根据本实施例的信息处理设备11提取被记录在交互db 113中的交互信息。
[0432]
将再次参照图35中所示的提取示例。例如，提取时刻t3、t4和t5处的交互作为预先确定的时段内的交互。时刻t9、t11和t12处的交互被提取为与时刻t3、t4和t5处的交互相关的相关数据。在这种情况下，如果仅提取预先确定的时段内的交互，则将仅提取时刻t3、t4和t5处的交互，但是通过提取相关数据，还提取时刻t9、t11和t12处的交互。
[0433]
例如，在用户b是艺人并且从交互db 113b提取预先确定的节目的记录时段内的交互的情况下，首先提取记录时段内的交互。例如，时刻t3、t4和t5处的交互被提取为记录时段内的交互。即使在不执行记录的情况下，用户b也可以与信息处理系统1在与记录的内容相关的主题上执行交互。
[0434]
诸如记录以外的其它时刻处的对话的交互也被提取为与记录时段内的交互相关的交互。例如，时刻t9、t11和t12处的交互被提取为相关数据。
[0435]
以这种方式，从为用户b构建的交互db 113b提取预先确定的信息，并且构建交互db 113b
′
。交互db 113b
′
被提供给用户a侧并与为用户a构建的交互db 113a整合，以由此构建交互db 113ab。将参照图39描述该整合。
[0436]
图39的上部示出交互db 113b
′
的交互历史，图39的中部示出交互db 113a的交互历史，图39的下部示出交互db 113ab的交互历史。
[0437]
参照图39上部所示的交互db 113b
′
的交互历史，通过上述处理从用户b的交互db 113b提取时刻t3、t4、t5、t9、t11和t12处的交互，并将其记录在交互db 113b
′
中。参照图39中部所示的交互db 113a的交互历史，交互db 113a记录时刻t1
′
～t10
′
处的交互。具有
′
的交互表示它是交互db 113a的交互。
[0438]
在交互db 113b'和交互db 113a被整合的情况下，通过按时间顺序排列，整合记录在各数据库中的交互。在图39所示的示例中，按照时间t1
′
、时刻t2
′
、时刻t3
′
、时刻t3、时刻t4
′
、时刻t4、时刻t5
′
，时刻t5、时刻t6
′
、时刻t7
′
、时刻t9、时刻t8
′
，时刻t11、时刻t12，时刻
t9
′
、和时刻t10
′
的顺序对交互进行排序。
[0439]
以这种方式，通过使用记录按时间顺序排序的交互信息的交互db 113ab执行再学习，构建整合的知识db 116ab或/和推荐db 117ab。
[0440]
顺便提一下，如参照图39所述，在通过按时间顺序排列交互信息整合交互db 113b
′
和交互db 113a的情况下，存在交互内容剧变的可能性。
[0441]
例如，时刻t3、时刻t4和时刻t5处的交互是用户b的交互，时刻t3
′
、时刻t4
′
和时刻t5
′
处的交互是用户a的交互。在整合之后，按照时刻t3
′
、时刻t3、时刻t4
′
、时刻t4、时刻t5
′
和时刻t5的顺序对交互进行排序。
[0442]
假定用户b在时刻t3、时刻t4和时刻t5在场所b执行交互并且用户a在时刻t3
′
、时刻t4
′
和时刻t5
′
在场所a执行交互。在整合之后，按照时刻t3
′
，时刻t3，时刻t4
′
，时刻t4，时刻t5
′
，和时刻t5的顺序对交互进行排序，因此，场所a处的交互和场所b处的交互混合。以这种方式，如果交互的场所突然变化，则交互中将发生不一致，并且如果通过使用这种不一致的数据执行再学习，则可能不能正确执行再学习。
[0443]
因此，可以执行如图40所示的整合。图40的上部和中部所示的示图与图39的上部和中部所示的示图相同，并且分别示出交互db 113b
′
的交互历史和交互db 113a的交互历史。
[0444]
图40的下部示出交互db 113ab的交互历史。在图40下部所示的交互db 113ab中，时刻t3、t4、t5、t9、t11和t12处的交互被排列在时刻t1
′
～t10
′
处的交互之后。整合数据库的数据(在这种情况下，为交互db 113b
′
)通过向不发生不一致的时刻偏移来进行排列。
[0445]
如在上述示例中那样，例如，用户a在时刻t1
′
～t10
′
在场所a处执行交互，用户b在时刻t3、t4、t5、t9、t11和t12在场所b处执行交互。在这种情况下，在图40下部所示的交互db 113ab中，由用户b在场所b处执行的时刻t3、t4、t5、t9、t11和t12的交互被排列在由用户a在场所a处执行的时刻t1
′
～t10
′
的交互之后，因此可以想象，执行了交互的场所不突然改变，并且交互的内容不突然改变。
[0446]
因此，能够防止导致交互内容的突然变化并且导致不一致的整合。并且，可以通过参照已整合以防止不一致发生的交互db 113ab，执行正确的再学习。
[0447]
并且，如图41所示，在记录在交互db 113ab中的交互信息当中，记录在交互db 113b
′
中的交互信息的强度可以被设定为减小。交互db 113b
′
记录从用户b的交互db 113b提取的交互信息，并且通过降低交互信息的强度，能够执行其中用户b的个性被弱化的再学习。
[0448]
通过弱化例如要整合的交互db的fb，能够在保持整合前的个性的方向上起作用。这里，通过弱化包含于用户b的交互db中的fb的信息在保持用户a的个性的方向上起作用的情况被描述为示例，但是，能够通过弱化用户a的交互db的fb在保持用户b的个性(强烈反映用户b的个性)的方向上起作用。
[0449]
这里，作为示例描述了两个交互db 113被整合的情况，但是要整合的数据库的数量可以是任意数量。
[0450]
顺便提一下，存在诸如个人信息的高度机密的信息被记录在交互db 113中的可能性。当从参照图35～38描述的交互db 113提取交互信息时，诸如个人信息的被确定为高度机密的信息可以不被提取。
[0451]
并且，如图42的a所示，提取的交互信息可以被加密并被提供给其他用户。通过如上所述的方法从交互db 113b提取满足预先确定的条件的交互信息。通过使用预先确定的的加密方法对提取的交互信息进行加密。然后，将记录加密的交互信息的数据库作为交互db 113b
′
提供给用户a侧。
[0452]
包含于用户a侧的信息处理设备11中的学习单元125a持有用于解码的密钥331。当使用记录在交互db 113b
′
中的交互信息时，学习单元125a通过使用持有的密钥331解码交互信息，并且通过使用解密后的交互信息执行再学习。
[0453]
通过以这种方式向其他用户(在这种情况下为用户a)提供加密的交互信息，能够防止交互信息本身泄漏给其他用户，并且能够防止诸如个人信息的高度机密信息的泄漏。
[0454]
或者，如图42的b所示，提取的交互信息可以被转换为特征量，使得将特征量提供给其他用户侧。通过如上所述的方法从交互db 113b提取满足预先确定的条件的交互信息。从该提取的交互信息提取特征量。然后，生成将提取的特征量记录为交互信息的交互特征量db 113b
″
并将其提供给用户a侧。
[0455]
当包含于用户a侧的信息处理设备11中的学习单元125a使用记录在交互db 113b
′
中的交互信息时，学习单元125a通过使用特征量执行再学习。
[0456]
如上所述，学习单元125例如基于诸如强化学习的技术基于记录在交互db 113中的交互信息学习参数。描述了参数的学习是要根据学习数据的累积优化黑盒参数。
[0457]
并且，分析单元131或推荐信息生成单元145向包括多个输入的输入层和包括多个输出的输出层由包括多个层的中间层连接的网络输入输入值，并且输出与分析结果或推荐信息等相关的输出值。定义该网络中的节点的权重的参数是黑盒参数。
[0458]
因此，特征量可以是例如中间层的输出。即使特征量被泄露，用户也难以理解其含义。以这种方式，通过将交互信息作为特征量提供给其他用户(在这种情况下，为用户a)，能够防止交互信息本身泄漏给其他用户，并且能够防止诸如个人信息的高度机密信息的泄漏。
[0459]
在上述实施例中，例如，再次参照图34，从用户b侧的交互db 113b提取预先确定的交互信息，并且将记录提取的交互信息的交互db 113b
′
提供给用户a侧，并且构建交互db 113ab。
[0460]
以这种方式，作为将交互db 113b
′
提供给用户a侧的替代，用户a的交互db 113a可以被提供给用户b侧，并且可以在用户b侧构建交互db 113ab。然后，可以向用户a侧提供(返回)在用户b侧构建的交互db 113ab。
[0461]
通过以这种方式进行在用户b侧执行的整合处理，记录在用户b的交互db 113b中的交互信息不被原样提供给用户a侧，使得能够防止诸如用户b的个人信息的高度机密信息的泄漏。
[0462]
顺便说一下，交互db 113记录与用户的交互的历史。并且，经由用户终端20(图1)执行与用户的交互。用户终端20可以是仅通过声音进行交互的终端，并且还存在通过使用声音和视频执行交互的终端。
[0463]
例如，在用户终端20是主要通过声音执行与用户的交互并且通过对用户成像并分析其视频来确定用户的反应的设备的情况下，声音和视频被输入到用户终端20，并且音频和视频被记录在交互db 113中。
[0464]
在用户终端20不具有将用户成像的功能的情况下，声音被输入到用户终端20，并且声音被记录在交互db 113中。
[0465]
以这种方式，记录在交互db 113中的数据的类型(格式)可以不同。例如，假定音频数据被记录在用户a的交互db 113a中，音频数据和视频数据被记录在用户b的交互db 113b中。在这种情况下，从用户b的交互db 113b提取的交互信息变为音频数据和视频数据，并且音频数据和视频数据与用户a的交互db 113a的音频数据整合。
[0466]
以这种方式，在要处理的数据不同的情况下，该差异可以被忽略，并且可以执行再学习。例如，视频数据被用于确定用户的反应和用作这种确定材料的数据，换句话说，可以在假定不存在用户的生物测定信息的情况下执行再学习。通过在假定不存在生物测定信息的情况下执行再学习，存在学习结果变为错误的可能性。因此，可以使用特征量。
[0467]
图43是用于描述通过使用特征量执行整合的情况的示图。用户a侧的学习单元125a包括特征量转换单元351a和更新参数计算单元352a。特征量转换单元351a将输入声音数据转换为特征量，并将特征量输出到更新参数计算单元352a。更新参数计算单元352a计算要记录在知识db 116a中的知识参数或/和要记录在推荐数据库117a中的推荐参数，并将它们记录在相应的数据库中。
[0468]
类似地，用户b侧的学习单元125b包括特征量转换单元351b和更新参数计算单元352b。特征量转换单元351b将输入的音频数据和视频数据转换为特征量，并将特征量输出到更新参数计算单元352b。更新参数计算单元352b计算要记录在知识db 116b中的知识参数或/和要记录在推荐数据库117b中的推荐参数，并将它们记录在相应的数据库中。
[0469]
在图43中，音频数据和视频数据作为输入数据被描述为示例，但是，例如，即使在诸如位置数据和温度数据的各种其它数据被输入的情况下，也可以应用本技术。
[0470]
作为特征量，可以使用参照图42描述的特征量，即黑盒参数。如在参照图42所述的情况下那样，从交互db 113b提取交互信息。在使用参照图43描述的技术的情况下，该提取的交互信息变为特征量。记录该特征量的交互db 113b
′
被提供给用户a侧并与用户a的交互db 113a整合。
[0471]
在再学习时，如图43的左下侧所示，通过将特征量供给到更新参数计算单元352a执行再学习。通过用这些特征量执行学习，能够吸收数据库格式的差异并整合数据库。并且，通过使用特征量，能够防止整合时的信息的泄漏。
[0472]
《应用程序示例》
[0473]
以下，将描述根据本实施例的信息处理系统1的应用示例。
[0474]
《第一应用示例》
[0475]
本发明的信息处理系统1还可以被应用于诸如自动驾驶或驾驶导航的技术。例如，将描述信息处理系统1被应用于辅助用户驾驶的自动驾驶的情况。注意，自动驾驶意指，车辆通过使用来自设置在车辆中的各种传感器的信息自动行驶到在车辆侧设定的目的地而无需用户执行驾驶操作。然而，这里，假定还包括在用户驾驶的情况下辅助驾驶操作的一部分的情况。
[0476]
在信息处理系统1被应用于自动驾驶的情况下，关于过去驾驶的数据被记录在交互db 113中。从该过去的旅行历史，提取用户(假定为驾驶员a)喜欢的旅行数据。例如，提取获得正fb的行驶数据。记录提取的旅行数据的数据库被描述为提取运行db。
[0477]
将考虑使得一个车辆由多个用户共享和使用的被称为共享汽车的汽车以及包含于安装在出租车等中的信息处理系统1中的数据库(描述为本地db)。本地db针对使用汽车的区域被优化。通过整合这种本地db和上面描述的提取运行db，能够构建反映驾驶员a喜欢的驾驶的数据库。
[0478]
通过用反映驾驶员a喜欢的驾驶的数据库执行再学习，变得能够执行反映驾驶员a的偏好的自动驾驶。例如，能够启用实现驾驶员a偏好的驾驶路线选择、加速和转向等的自动驾驶。
[0479]
并且，可以切换和使用本地db和提取运行db。同样在这种情况下，可以通过在本地db和提取运行db之间切换，实现针对区域优化的行驶和驾驶员a偏好的行驶。
[0480]
《第二应用示例》
[0481]
将描述信息处理系统1被应用于自动驾驶的情况下的另一应用示例。
[0482]
从在特定区域(称为区域a)中行驶的车辆获取行驶数据，并创建区域a的行驶db。从行程db提取获得正fb的行驶数据。提取的行驶数据为例如驾驶员或乘客在驾驶中感觉舒适时的数据。
[0483]
当驾驶员a在区域a中驾驶时，区域a的行驶db中的行驶数据反映在记录驾驶员a的行驶数据的数据库中。记录驾驶员a的行驶数据的数据库针对驾驶员a被优化，并且区域a的行程db针对区域a的行驶被优化。通过整合这些数据库，能够构建区域a的最佳驾驶反映在驾驶员a的优选驾驶中的数据库。
[0484]
通过用反映区域a中的最佳驾驶的数据库执行再学习，可以执行反映驾驶员a的偏好和区域a中的最佳驾驶的自动驾驶。例如，能够执行实现由驾驶员a优选并且对于在区域a中行驶最优的驾驶路线选择、加速和转向等的自动驾驶。
[0485]
并且，可以切换和使用记录驾驶员a的行驶数据的数据库和区域a的行驶db中的行驶数据。同样在这种情况下，通过切换记录驾驶员a的行驶数据的数据库和区域a的行驶db中的行驶数据，可以实现针对该区域优化的行驶和驾驶员a优选的行驶。
[0486]
《第三个应用示例》
[0487]
将描述信息处理系统1被应用于ai代理的情况下的应用示例。
[0488]
例如，生成用于在真实世界中不存在的动画或漫画等的角色和ai角色等的交互db 113。在这种情况下，由于交互db 113是在真实世界中不存在的用户，因此基于由创建者设定的设定条件(诸如角色(称为角色a)的品味和行为)(而不是执行实际交互的历史)在虚拟交互的假定条件下创建交互db 113。
[0489]
或者，可以从动画中的角色a的交互创建交互db 113。在这种情况下，由于获得声音数据和视频数据，因此能够提取角色a的交互并创建角色a的交互db 113。并且，在漫画的情况下，获得文本数据和图像数据，并因此可以从这些数据提取角色a的交互，并且可以创建用于角色a的交互db 113(以下，称为角色db)。
[0490]
这种角色db反映在用户a的信息处理系统1中的db(称为交互db 113a)中。通过整合这种数据库，能够构建反映用户a喜欢的角色的品味等的数据库。
[0491]
通过使用反映角色db的数据库执行再学习，用户a的ai(信息处理系统1)进行与角色a类似的响应。例如，声音或推荐内容变得类似于角色a。因此，用户a可以感觉到与喜欢的角色a的伪交互。
[0492]
并且，可以切换和使用角色db和用户a的数据库。通过切换到角色db，可以接收与角色a的伪对话或来自角色a的推荐。
[0493]
《第四应用示例》
[0494]
将描述信息处理系统1被应用于ai代理的情况下的另一应用示例。
[0495]
例如，由用户a所针对的人(诸如艺人或偶像)或渴望者(longing person，称为用户b)使用的ai代理(信息处理系统1)的数据库反映在用户a(自身)的数据库中。
[0496]
通过使用反映用户b的数据库的数据库执行再学习，用户a的ai(信息处理系统1)可以接收反映用户b的喜好和品味的推荐。
[0497]
并且，可以切换和使用用户a的数据库和用户b的数据库。例如，数据库可以被限于诸如行驶的预先确定的场景，并且可以使数据库切换到用户b的数据库。在这种情况下，用户a可以在行驶期间接收反映用户b的喜好和品味的推荐，并且可以享受好像与用户b一起行驶的感觉。
[0498]
《第五应用示例》
[0499]
将描述信息处理系统1被应用于ai代理的情况下的另一应用示例。
[0500]
当用户a在虚拟空间中表现为化身时，生成化身交互db 113。例如，当用户a在虚拟空间中执行活动时，用户a希望执行具有不同个性的活动，设定不同个性的化身的爱好、品味或行为等，并且，基于设定的条件的交互信息被记录在交互db 113中。化身交互db 113(被描述为化身db)可以由其他用户创建，而不是由用户a创建。
[0501]
这种化身db反映在用户a的信息处理系统1中的db中。通过整合这种数据库，能够构建反映用户a喜欢的化身品味等的数据库。
[0502]
通过用反映化身db的数据库执行再学习，可以执行由用户a设定的类似化身的活动。例如，当保持反映化身db之前的化身的行为时，可以执行当假定化身行为不自然时发出警告或推荐被确定为作为化身的行为适当的行为等的处理。
[0503]
用户a仅变为假定的(期望的)化身，并且能够在虚拟空间中行动。
[0504]
《第六应用示例》
[0505]
将描述信息处理系统1被应用于聊天机器人的情况下的应用示例。
[0506]
聊天机器人是利用人工智能的自动对话程序，并且，结合人工智能的计算机代表人进行交互。信息处理系统1可以被应用于聊天机器人的计算机侧。
[0507]
获取预先确定的文化圈(被描述为文化圈b)中的对话历史，并且创建关于文化圈b的交互的数据库(被描述为文化圈bdb)。例如，可以存在多个文化圈的数据库，并且可以从数据库提取文化圈b的交互以创建文化圈bdb。用户a生活在与文化圈b不同的文化圈a中，并且在文化圈a中创建关于适当交互的数据库(被描述为文化圈adb)。
[0508]
假定用户a从文化圈a移动到文化圈b或者外出旅行的情况。在这种情况下，文化圈b的文化圈bdb反映在用户a的文化圈adb中。通过反映这种数据库，可以构建反映文化圈b的文化的数据库。
[0509]
通过用反映文化圈b的文化的数据库执行再学习，已经为用户a(用于个人使用)提出的聊天室的ai(信息处理系统1)可以被设定为反映文化圈b的文化的聊天室。例如，使用这种聊天室，添加了文化圈b特有的行为，并且能够向用户a提供文化圈b特有的交互。
[0510]
《第七应用示例》
[0511]
将描述信息处理系统1被应用于机器人控制的情况下的应用示例。
[0512]
为通过使用机器人执行工作的工人a构建数据库(被描述为工人adb)。工人adb针对工人a被ai优化。
[0513]
另一方面，在位于与工人a工作的场所不同的场所的工作场所b中，构建针对工作场所b优化的数据库(被描述为工作场所bdb)。工作场所bdb针对从在工作场所b工作的工人的工作历史获得的工作场所b被ai优化。例如，在工作场所b是狭窄工厂的情况下，为在这种狭窄场所中的工作优化的信息被记录在工作场所bdb中。
[0514]
例如，在工人a移动到工作场所b并在目的地通过使用机器人执行工作的情况下，工人adb和工作场所bdb被整合。换句话说，为工作场所b优化的ai反映在为工人a优化的ai中。整合工人adb和工作场所bdb的数据库被构建，并且，通过使用这种数据库执行再学习。
[0515]
对于用户a，应用了再学习后的ai的机器人对于转用目的地处的工作场所b的环境适当地工作，尽管其行为与往常相同。因此，用户a可以通过与转用前相同的熟悉操作在转用目的地处执行工作。
[0516]
《第八应用示例》
[0517]
将描述信息处理系统1被应用于机器人控制的情况下的另一应用示例。
[0518]
构建针对特定工作进行优化的数据库(被描述为特定工作db)。特定工作为例如对应于新处理的控制。并且，还为通过使用机器人执行工作的工人a构建数据库(被描述为工人adb)。工人adb针对工人a被ai优化。
[0519]
例如，在工人a在新处理中控制机器人的情况下，工人adb和特定工作db被整合。换句话说，特定工作db反映在为工人a优化的ai中。整合这种工人adb和特定工作db的数据库被构建，并且通过使用这种数据库执行再学习。
[0520]
对于用户a，应用了再学习后的数据库(ai)的机器人是适于新处理的操作，尽管其行为与往常相同。因此，用户a即使在新处理中也能够以熟悉的操作执行工作而不感觉到不适。
[0521]
《第九应用示例》
[0522]
将描述信息处理系统1被应用于机器人控制的情况下的另一应用示例。
[0523]
构建针对特定用户优化的数据库(被描述为用户db)。特定用户为例如女性用户，并且用户db是在女性使用数据库时优化的数据库。此外，为通过使用机器人执行工作的工人a构建数据库(被描述为工人adb)。工人adb针对工人a被ai优化。
[0524]
例如，工人a是男性，工人adb是适于男性操作机器人时的数据库。当女性使用这种机器人时，工人adb和用户db被整合。换句话说，用户db反映在为工人a优化的ai中。其中整合工人adb和用户db的数据库被构建，并且，通过使用这种数据库执行再学习。
[0525]
即使在再学习前的机器人针对男性被优化并且女性难以使用的情况下，再学习后的机器人也变为女性易于使用的机器人。因此，即使在机器人的用户改变的情况下，也能够优化以使改变后的用户易于使用。
[0526]
第七到第九应用示例是信息处理系统1被应用于机器人控制的情况，但是该机器人可以是工业机器人或个人机器人。例如，信息处理系统1可以被应用于用于个人的通用帮助机器人，并且也可以应用第七到第九应用示例。并且，第七到第九应用示例也可以被应用于如在第一和第二应用示例中所述的车辆控制。
[0527]
《第十应用示例》
[0528]
将描述信息处理系统1被应用于信息管理的情况下的应用示例。
[0529]
例如，作为示例，将描述信息处理系统1被应用于预测股票价格的ai的情况。例如，当公司a收购公司b的业务x时，从预测公司b的自有公司股票的ai的数据库提取与业务x相关的数据。与业务x相关的提取的数据反映在预测股票价格的ai(信息处理系统1)的db中。
[0530]
通过反映与业务x相关的数据，能够更准确地预测公司a收购公司b的业务x后的股价预测。
[0531]
这里，信息管理被描述为管理关于经济的信息的示例，但是信息处理系统也可以被应用于管理关于工厂的信息、进行用于提高工作效率的预测、制定工作计划、或者预测要装运的产品数量的情况。此外，信息处理系统也可以被应用于管理关于农业的信息、预测农药的施用定时和施用量等、以及预测收获量的情况。
[0532]
《第十一应用示例》
[0533]
将描述信息处理系统1被应用于行为识别、认证、监视系统和安全相关系统等的情况下的应用示例。
[0534]
例如，作为示例，将描述信息处理系统1被应用于对作为认证目标的特定人执行认证处理的系统的情况。例如，将考虑将人a设定为认证目标并且人a遭受骨折的情况。在这种情况下，由于人a的行为在骨折前和骨折后是不同的，因此在使用为认证骨折前的人a优化的数据库的处理中，存在出现骨折后的人a不能被认证的情况的可能性。
[0535]
为了验证一般行为，构建了数据库(被描述为一般行为db)。骨折的人的行为模式也被记录在一般行为db中。在确定人a已经遭受骨折的情况下，从一般行为db提取骨折的人的行为模式的数据，并且将提取的数据反映在信息处理系统1的数据库中。
[0536]
通过在为特定人(在这种情况下，为人a)的认证而优化的ai中反映骨折的人的行为模式的数据库，即使在要认证的人a遭受骨折且行为模式突然改变的情况下，也可以鉴于骨折的人的一般模式执行认证。因此，即使存在认证目标人的变化，也可以毫无问题地执行认证。
[0537]
《包括多个设备的信息处理系统》
[0538]
在上述的第一和第二实施例中，信息处理设备10或信息处理设备11构成信息处理系统。本发明不限于此，并且，信息处理系统可以包括多个设备。图44是示出包括多个设备的信息处理系统2的示例的示图。如图44所示，信息处理系统2包括信息处理设备12和数据服务器15。并且，信息处理设备12和数据服务器15经由网络30被连接。
[0539]
将参照图44描述信息处理设备12的配置。图44是示出信息处理设备12的配置的功能框图。与根据第一和第二实施例的信息处理设备10和11不同，图44所示的信息处理设备12不包括对应于知识db、推荐db、交互db或学习db等的数据库。这些数据库被记录在数据服务器15中。在这种情况下，信息处理设备12可以根据需要从连接到网络的数据服务器获取信息，并且对算法执行再学习等。注意，尽管在图44中未示出，但是信息处理设备12包括存储各种类型的处理所需的信息的存储单元。
[0540]
《硬件配置》
[0541]
接下来，将参照图45详细描述构成根据本公开的实施例的信息处理系统1的信息处理设备10、11和12或用户终端20的硬件配置的示例。图45是示出根据本公开的实施例的
构成用户终端20或信息处理系统1的信息处理设备10、11和12的硬件配置的配置示例的功能框图。
[0542]
构成根据本实施例的信息处理系统1的信息处理设备10主要包括cpu 601、rom 602和ram 603。并且，信息处理设备10包括主机总线604、桥路605、外部总线606、接口607、输入设备608、输出设备609、存储设备610、驱动器612、连接端口614和通信设备616。
[0543]
cpu 601用作算术处理设备和控制设备，并且根据记录在rom 602、ram 603、存储设备610或可移动记录介质613中的各种程序控制信息处理设备10中的动作中的全部或一部分。rom 602存储由cpu 601使用的程序和计算参数等。ram 603临时存储由cpu 601使用的程序和在程序执行期间适当改变的参数等。它们通过由诸如cpu总线的内部总线形成的主机总线604被互连。例如，图3所示的处理单元120、分析单元130、生成单元140、输出控制单元150和通信控制单元160可以由cpu 601配置。
[0544]
主机总线604经由桥路605连接到诸如外围组件互连/接口(pci)总线的外部总线606。并且，输入设备608、输出设备609、存储设备610、驱动器612、连接端口614和通信设备616经由接口607连接到外部总线606。
[0545]
输入设备608为例如由用户操作的操作手段，例如鼠标、键盘、触摸面板、按钮、开关、操纵杆和踏板。并且，输入设备608可以是例如使用红外线或其它无线电波的远程控制手段(称为远程控制器)，或者可以是外部连接的设备615，诸如对应于信息处理设备10的操作的移动电话或pda。并且，输入设备608包括例如基于由用户通过使用上述操作手段输入的信息生成输入信号并将输入信号输出到cpu 601的输入控制电路等。通过操作输入设备608，信息处理设备10、11或12或用户终端20的用户可以向信息处理设备10、11或12或用户终端20输入各种数据或给出关于处理操作的指令。
[0546]
输出设备609包括能够在视觉或听觉上通知用户所获取的信息的设备。这种设备包括诸如crt显示设备、液晶显示设备、等离子体显示设备、el显示设备和灯的显示设备、诸如扬声器和耳机的音频输出设备或打印机设备等。输出设备609输出例如通过由信息处理设备10、11或12或用户终端20执行的各种处理获得的结果。具体地，显示设备将通过由信息处理设备10、11或12或用户终端20执行的各种处理获得的结果显示为文本或图像。另一方面，音频输出设备将包括再现的语音数据和声音数据等的音频信号转换为模拟信号并输出模拟信号。
[0547]
存储设备610是用于存储数据的设备，该设备被配置为信息处理设备10的存储单元的示例。存储设备610包括例如诸如硬盘驱动器(hdd)的磁存储单元设备、半导体存储设备、光存储设备或磁光存储设备等。存储设备610存储由cpu 601执行的程序和各种数据等。例如，图3所示的存储单元110可以由存储设备610配置。
[0548]
驱动器612是用于记录介质的读写器，并且被内置于或外部连接到信息处理设备10。驱动器612读取记录在诸如安装的磁盘、光盘、磁光盘或半导体存储器的可移动记录介质613上的信息，并将该信息输出到ram 603。并且，驱动器612也可以将记录写入到诸如安装的磁盘、光盘、磁光盘或半导体存储器的可移动记录介质613。可移动记录介质613为例如dvd介质、hd-dvd介质或蓝光(注册商标)介质等。并且，可移动记录介质613可以是小型闪存(注册商标)(cf)、快擦写存储器或安全数字存储卡(sd存储卡)等。并且，可移动记录介质613可以是例如集成电路(ic)卡或安装有非接触式ic芯片的电子器件等。
[0549]
连接端口614是用于直接连接到信息处理设备10、11或12或用户终端20的端口。连接端口614的示例包括通用串行总线(usb)端口、ieee 1394端口和小型计算机系统接口(scsi)端口等。连接端口614的其它示例包括rs-232c端口、光音频终端和高清晰度多媒体接口(注册商标)(hdmi)端口等。通过将外部连接的设备615连接到连接端口614，信息处理设备10直接从外部连接的设备615获取各种数据或向外部连接的设备615提供各种数据。
[0550]
通信设备616为例如包括用于连接到通信网络(网络)917的通信设备的通信接口等。通信设备616为例如用于有线或无线局域网(lan)、蓝牙(注册商标)或无线usb(wusb)等的通信卡。此外，通信设备616可以是用于光通信的路由器、用于非对称数字用户线(adsl)的路由器或用于各种通信的调制解调器等。通信设备616可以根据诸如tcp/ip的预先确定的协议向因特网和其它通信设备传送例如信号等以及从其接收信号等。此外，连接到通信设备616的通信网络617包括通过有线或无线连接的网络等，并且可以是例如因特网、家庭lan、红外通信、无线电波通信或卫星通信等。
[0551]
上面已经描述了能够实现构成根据本公开的实施例的用户终端20或信息处理系统1的信息处理设备10、11和12的功能的硬件配置的示例。以上组件中的每一个可以通过使用通用构件形成，或者可以由专用于各组件的功能的硬件形成。因此，能够在每次实施本实施例时根据技术水平适当地改变要使用的硬件配置。注意，尽管在图21中未示出，但是自然地包括对应于构成用户终端20或信息处理系统1的信息处理设备10、11和12的各种配置。
[0552]
注意，可以在个人计算机等上创建和安装如上所述的用于实现构成根据本实施例的信息处理系统1的信息处理设备10、11和12的各功能的计算机程序。并且，可以提供存储有这种计算机程序的计算机可读记录介质。记录介质为例如磁盘、光盘、磁光盘或快擦写存储器等。另外，以上的计算机程序可以例如在不使用记录介质的情况下经由网络分发。此外，执行计算机程序的计算机的数量没有特别限制。例如，多台计算机(例如，多台服务器等)可以相互协作执行计算机程序。
[0553]
注意，由计算机执行的程序可以是以在本说明书中描述的次序按时序处理的程序，或者是用于并行或在必要定时(诸如当进行调用时)进行处理的程序。
[0554]
此外，在本说明书中，系统代表包括多个设备的整个设备。
[0555]
注意，本文描述的效果仅为示例且不受限制，并且，可以提供其它效果。
[0556]
注意，本技术的实施例不限于上述实施例，并且在不脱离本技术要点的情况下可以进行各种修改。
[0557]
本技术可以具有如下的配置：
[0558]
(1)
[0559]
一种信息处理设备，包括：
[0560]
对于基于第一学习数据的累积而改变的算法，
[0561]
使得基于第一学习数据和形成基于学习数据的累积而改变的其它算法的第二学习数据当中的特定学习数据执行再学习。
[0562]
(2)
[0563]
根据以上的(1)所述的信息处理设备，其中，
[0564]
第一学习数据包括与基于对算法的输入信息的来自算法的输出信息相关的数据。
[0565]
(3)
[0566]
根据以上的(1)或(2)所述的信息处理设备，其中，
[0567]
第一学习数据基于在使用算法的环境下累积的数据。
[0568]
(4)
[0569]
根据以上的(1)～(3)中的任一项所述的信息处理设备，其中，
[0570]
特定学习数据是通过基于记录与对另一算法的输入信息相关的数据的数据库从算法的学习历史提取满足预先确定的条件的特定学习历史获得的学习数据。
[0571]
(5)
[0572]
根据以上的(1)～(4)中的任一项所述的信息处理设备，其中，
[0573]
第一学习数据是基于使用算法的第一环境下的输入信息的学习数据，并且
[0574]
第二学习数据是基于使用另一算法的第二环境下的输入信息的学习数据。
[0575]
(6)
[0576]
根据以上的(1)～(5)中的任一项所述的信息处理设备，其中，
[0577]
第一学习数据的一部分被特定学习数据的至少一部分替换，并且执行再学习。
[0578]
(7)
[0579]
根据以上的(1)～(6)中的任一项所述的信息处理设备，其中，
[0580]
特定学习数据被转换为预先确定的数据格式，并且然后执行再学习。
[0581]
(8)
[0582]
根据以上的(1)～(7)中的任一项所述的信息处理设备，其中，
[0583]
在第一学习数据和特定学习数据之间调整影响程度，并且执行再学习。
[0584]
(9)
[0585]
根据以上的(1)～(8)中的任一项所述的信息处理设备，其中，
[0586]
第一学习数据和第二学习数据是针对输入信息以预先确定的推荐信息作为输出信息的学习数据。
[0587]
(10)
[0588]
根据以上的(1)～(9)中的任一项所述的信息处理设备，其中，
[0589]
特定学习数据是加密数据。
[0590]
(11)
[0591]
根据以上的(1)～(10)中的任一项所述的信息处理设备，其中，
[0592]
特定学习数据是被转换成预先确定的特征量的数据。
[0593]
(12)
[0594]
根据以上的(1)～(11)中的任一项所述的信息处理设备，其中，
[0595]
特定学习数据是从其它信息处理设备接收的数据。
[0596]
(13)
[0597]
根据以上的(1)～(12)中的任一项所述的信息处理设备，其中，
[0598]
使其它信息处理设备执行再学习。
[0599]
(14)
[0600]
根据以上的(13)所述的信息处理设备，其中，
[0601]
第一学习数据被传送到所述其它信息处理设备，以及
[0602]
使所述其它信息处理设备执行再学习。
[0603]
(15)
[0604]
一种信息处理方法，包括：
[0605]
通过信息处理设备，
[0606]
对于基于第一学习数据的累积而改变的算法，
[0607]
使得基于第一学习数据和形成基于学习数据的累积而改变的其它算法的第二学习数据当中的特定学习数据执行再学习。
[0608]
附图标记列表
[0609]
1、2 信息处理系统
[0610]
10、11、12 信息处理设备
[0611]
15 数据服务器
[0612]
20 用户终端
[0613]
30 网络
[0614]
40 学习历史数据
[0615]
110 存储单元
[0616]
117 推荐数据库
[0617]
118 存储单元
[0618]
120 处理单元
[0619]
121 更新单元
[0620]
122 提取单元
[0621]
123 确定单元
[0622]
124 校正单元
[0623]
125 学习单元
[0624]
128 处理单元
[0625]
130 分析单元
[0626]
131 分析单元
[0627]
140 生成单元
[0628]
141 确认信息生成单元
[0629]
142 推荐信息生成单元
[0630]
143 生成单元
[0631]
144 确认信息生成单元
[0632]
145 推荐信息生成单元
[0633]
150 输出控制单元
[0634]
160通信控制单元
[0635]
210 通信控制单元
[0636]
220 输出控制单元
[0637]
301～304 db切换单元
[0638]
331 密钥
[0639]
351 特征量转换单元
[0640]
352 更新参数计算单元