信息处理设备、提问倾向设定方法和程序的制作方法

专利名称：信息处理设备、提问倾向设定方法和程序的制作方法
技术领域：
本发明涉及信息处理设备、提问倾向设定方法和程序。
背景技术：
随着信息处理技术的进步，所谓的电子学习系统已获得普及，在所述电子学习系统中，个人能够利用他们的大部分空闲时间，以他们自己的步调进行学习。许多这样的电子学习系统都具有向用户讲授某些内容的类似教科书的部分，以及要求用户解答问题，以便加深理解并检查理解程度的类似习题集的部分。例如，下面列出的日本特许公开No. 2008-90117 (下面称为专利文献1)公开了一种系统，所述系统被配置成当用户选择执行选择相似问题或课文的处理时，检测与过去设定的问题或课文类似的问题或课文。

发明内容
然而，就上面的专利文献1公开的技术来说，是否解答相似问题被留给每个用户决定；用户必须自己考虑学习的过程，以及要求检测相似问题等。这带来如下问题即便用户客观上处于他们/她们应通过解答相似的问题来加深理解，但在用户未要求检测相似的问题的状况下，设定相似问题的可能性较低，从而使用户不能有效地继续进行其学习。于是，本发明致力于与现有技术的方法和设备相关的上述问题和其它问题，通过提供配置成进一步提高用户的学习效率的信息处理设备、提问倾向设定方法和程序，来解决上述问题。在实现本发明时，按照本发明的一个实施例，提供一种信息处理设备。所述信息处理设备具有用户回答评估部分，被配置成确定用户对从多个问题中选择的问题的回答是否正确；用户回答分析部件，被配置成利用用户回答评估部分计算的用户回答正确/错误评估结果，至少计算用户错误回答率；提问条件设定部件，被配置成根据用户回答分析部件计算的错误回答率，计算多个问题之间的相似度，同时利用计算的相似度，计算多个问题中的每一个的评估值；和问题选择部分，被配置成根据提问条件设定部件计算的评估值，和在预定时段内或在预定数目的问题中的用户正确回答率，从多个问题中选择要设定的问题。上述问题选择部分最好计算问题正确回答率和在预定时段内或在预定数目的问题中的用户正确回答率之间的差值的绝对值，以按照绝对值的升序选择预定数目的问题， 并按照评估值的降序从所选择的预定数目的问题中提供要设定的问题。上述用户回答分析部件最好 对于每个用户，针对每个问题产生将用户的最后回答日期与回答次数关联的信息，并利将用户的最后回答日期与回答次数关联的信息，对于各个回答次数和各个经过时间，产生正确回答的数目与问题的数目关联的信息。上述提问条件设定部件可利用针对各次回答和各个经过时间生成的将正确回答的数目与问题的数目关联的信息，计算每个问题的正确回答率阈值，并根据正确回答率阈值和用户正确回答率，校正评估值。
上述提问条件设定部件可利用正确回答率阈值和正确/错误评估结果，校正用户正确回答率。在实现本发明时，按照本发明的另一个实施例，提供一种提问倾向设定方法。所述方法具有下述步骤确定用户对从多个问题中选择的问题的回答是否正确；利用用户回答评估部分计算的用户回答正确/错误评估结果，至少计算用户错误回答率；根据计算的错误回答率，计算多个问题之间的相似度，同时利用计算的相似度，计算多个问题中的每一个的评估值；和根据计算的评估值，和在预定时段内或在预定数目的问题中的用户正确回答率，从多个问题中选择要设定的问题。在实现本发明时，按照本发明的又一个实施例，提供一种程序。所述程序使计算机实现下述功能确定用户对从多个问题中选择的问题的回答是否正确；利用用户回答评估功能计算的用户回答正确/错误评估结果，至少计算用户错误回答率；根据用户回答分析功能计算的错误回答率，计算多个问题之间的相似度，同时利用计算的相似度，计算多个问题中的每一个的评估值；和根据提问条件设定功能计算的评估值，和在预定时段内或预定数目的问题中的用户正确回答率，从多个问题中选择要设定的问题。如上所述并且按照本发明，能够进一步提高用户的学习效率。


参考附图，根据实施例的下述说明，本发明的其它特征和优点将变得明显，其中图1是图解说明作为本发明的第一实施例实现的信息处理设备的例证结构的方框图；图2是图解说明与第一实施例相关的课文选择部分的例证结构的方框图；图3是图解说明用户的行动模式(上下文)的一个例子的示图；图4到图9是表示行动模式的不同例子的流程图；图10是表示行动模式检测方法的一个例子的流程图；图11是图解说明用户行动日志信息的一个例子的示图；图12到图16是用于说明不同的课文分析方法的示图；图17是图解说明课文数据库的一个例子的示图；图18是表示课文分析方法的一个例子的流程图；图19是表示与第一实施例相关的课文选择方法的处理流程的一个例子的流程图；图20是表示与第一实施例相关的另一种课文选择方法的处理流程的一个例子的流程图；图21是图解说明作为本发明的第二实施例实现的信息处理设备的例证结构的方框图；图22是图解说明与第二实施例相关的提问倾向设定部分的例证结构的方框图；图23是图解说明与第二实施例相关的正确回答率表格的一个例子的示图；图M是图解说明与第二实施例相关的错误回答矩阵的一个例子的示图；图25是图解说明与第二实施例相关的关于最后回答日期和回答次数的表格的一个例子的示图沈是图解说明与第二实施例相关的忘却率表格组的一个例子的示图；图27是图解说明忘却曲线的一个例子的示图；图观是图解说明与第二实施例相关的提问倾向设定方法的一个例子的示图；图四是图解说明与第二实施例相关的另一种提问倾向设定方法的一个例子的示图；图30是表示与第二实施例相关的提问倾向设定方法的处理流程的流程图；图31是图解说明作为本发明的第三实施例实施的信息处理设备的例证结构的方框图；图32是图解说明与本发明的实施例相关的计算机的例证硬件结构的方框图。
具体实施例方式下面参考附图，利用本发明的实施例，进一步详细说明本发明。应注意在说明书和附图中，具有基本相同功能的组件用相同的附图标记表示，重复的说明将被省略。将按照下述顺序进行说明(1)第一实施例(1-1)信息处理设备的结构；(1-2)信息处理方法的处理流程；(2)第二实施例(2-1)信息处理设备的结构；(2-2)提问倾向设定方法的处理流程；(3)第三实施例(3-1)信息处理设备的结构，以及(4)与本发明的实施例相关的信息处理设备(计算机)的硬件结构。(1)第一实施例首先参考图1到20，详细说明与本发明的第一实施例相关的信息处理设备和课文选择方法。如下详细所述，作为第一实施例实现的信息处理设备10是配置成利用从各个传感器输出的传感器信息，分析用户的当前状态，当前位置等，从而选择与获得的用户的当前状态和位置匹配的课文的设备。(1-1)信息处理设备的例证结构现在参考图1，详细说明信息处理设备10的例证结构。图1是图解说明信息处理设备10的例证结构的方框图。与第一实施例相关的信息处理设备10主要具有传感器信息获取部分101，课文选择部分103，显示控制部分105，用户回答获取部分107，用户回答评估部分109，和存储部分 111，如图1中所示。传感器信息获取部分101用CPU(中央处理器)，R0M(只读存储器)，RAM(随机存取存储器)和通信设备等实现。传感器信息获取部分101获得从各个传感器，包括用于检测用户运动的传感器(下面称为运动传感器)，和用于检测用户的当前位置的传感器(下面称为位置传感器)输出的传感器信息。运动传感器可包括三轴加速度传感器(例如，包括加速度传感器，重力检测传感器和下落检测传感器)，三轴陀螺传感器(例如，包括角速度传感器，手抖动校正传感器和地磁传感器)。位置传感器可以是用于接收从GPS(全球定位系统)输出的数据的GPS传感器。应注意，可从RFID (射频识别)装置和Wi-Fi(无线保真)装置的接入点，和从无线基站输出的信息获得当前位置的经度和纬度，以便这些检测装置可被用作位置传感器。上面提及的各种传感器可被安装在与第一实施例相关的信息处理设备10中，或者被布置在信息处理设备10的外部。当用户移动时，加速度发生变化，上面提及的运动传感器检测围绕重力轴的旋转。 运动传感器输出与检测到的变化和旋转有关的信息。传感器信息获取部分101获得从运动传感器输出的关于所述变化和旋转的信息，作为传感器信息。同时，响应用户行动，位置传感器获得指示用户所位于的地方(当前位置)的位置信息(例如，经度和纬度)，并输出获得的位置信息。传感器信息获取部分101输出从位置传感器输出的位置信息，作为传感器 fn息ο应注意如果在获得从各个传感器输出的信息时，日期信息未与获得的信息相关联，那么传感器信息获取部分101可把表示获取日期的信息与获得的信息联系起来。传感器信息获取部分101把获得的各种传感器信息输出给课文选择部分103。另外，传感器信息获取部分101可把获得的各种信息作为日志信息，保存到后面说明的存储部分111中。课文选择部分103用例如CPU，ROM, RAM等实现。根据从传感器信息获取部分101 输出的传感器信息，课文选择部分103从保存在将在后面说明的存储部分111等中的两个以上的课文中，选择要向用户提供的课文。当从两个以上的课文中选择了要向用户提供的课文时，课文选择部分103把与选择的课文对应的信息输出给将在后面说明的显示控制部分105。另外，例如，如果选择的课文像是提示用户输入回答的问句，那么课文选择部分103向将在后面说明的用户回答评估部分109输出与选择的课文相关的信息。应注意课文选择部分103可把与选择的课文相关的信息作为日志信息，保存到后面说明的存储部分111中。下面说明与第一实施例相关的课文选择部分103的详细结构。显示控制部分105用例如CPU，ROM，RAM等实现。显示控制部分105是用于控制要显示在信息处理设备10的显示部分(未示出)上的显示屏幕内容的显示的处理部件。更具体地说，显示控制部分105参照与从课文选择部分103输出的课文对应的信息，把与所述信息对应的课文(或者句子)显示在显示部分的显示屏幕上。如果课文选择部分103选择的课文像是用于提示用户输入回答的问句，那么显示控制部分105在显示屏幕上，显示由将在后面说明的用户回答评估部分109执行的用户回答的评估结果(或者回答的正确/错误评估)。在控制显示屏幕的显示时，显示控制部分105能够利用保存在将在后面说明的存储部分111等中的各种对象(例如图标)，或者参照保存在存储部分111等中的各种数据库。用户回答获取部分107可用例如CPU，ROM, RAM和输入设备实现。如果课文选择部分103选择的课文像是用于提示用户输入回答的问句，那么用户回答获取部分107获得关于所选课文的用户回答。可通过键盘或触摸面板直接输入用户回答，或者可通过例如操作鼠标来选择与回答对应的诸如图标之类的对象，来输入用户回答。用户回答获取部分107 获得与用任意各种手段输入的用户回答对应的信息，并把获得的信息输出给将在后面说明的用户回答评估部分109。用户回答评估部分109可用例如CPU，ROM, RAM等实现。如果课文选择部分103选择的课文像是用于提示用户输入回答的问句，那么用户回答评估部分109对从用户回答获取部分107输出的用户回答执行正确/错误评估。更具体地说，当被提供关于所选课文的信息时，用户回答评估部分109参照与获得的课文有关的信息，并从保存在存储部分111等中的数据库获得与所选课文(或者问题) 的正确回答有关的信息。随后，用户回答评估部分109比较从用户回答获取部分107输出的用户回答和正确回答，以判定用户回答是否正确。当完成关于用户回答的正确/错误评估时，用户回答评估部分109可把评估结果输出给显示控制部分105。用显示控制部分105把评估结果显示在显示屏幕上使得信息处理设备10的用户能够知道用户的回答是否正确。另外，当完成关于用户回答的正确/错误评估时，用户回答评估部分109可向课文选择部分103输出指示正确/错误评估的完成的信息。向课文选择部分103输出该信息使课文选择部分103可以把该信息的获得用作新的处理操作的触发信号。这使课文选择部分 103可以开始新的处理操作，比如请求显示控制部分105显示新选择的课文。用户回答评估部分109可把与用户回答评估结果相关的日志保存在将在后面说明的存储部分111等中。存储部分111是与第一实施例相关的信息处理设备10的存储设备的一个例子。存储部分111保存供课文选择部分103和用户回答评估部分109在执行各种处理操作时使用的各种数据库和各种数据。另外，存储部分111可以保存各种日志信息。此外，存储部分111可适当地保存当与第一实施例相关的信息处理设备10执行处理时需要被保存的各种参数，关于处理的进展的信息以及各种数据库。信息处理设备10的各个组件部件可访问存储部分111，以便进行读/写操作。课文选择部分的结构下面参考图2，详细说明与第一实施例相关的课文选择部分103的结构。图2是图解说明与第一实施例相关的课文选择部分103的例证结构的方框图。如图2中所示，与第一实施例相关的课文选择部分103具有条件设定部件121，行动模式检测部件123，位置信息分析部件125，课文分析部件127，关键字变换部件1 和课文提取部件131。条件设定部件121可用例如CPU，ROM, RAM,输入设备等实现。条件设定部件121是根据用户操作，设定用于由将在后面说明的课文提取部件131从两个以上的课文中选择课文的条件的处理部件。当用户通过例如键盘，鼠标，触摸面板或按钮输入课文选择条件时， 条件设定部件121把输入的信息输出给将在后面说明的课文提取部件131。可适当地设定课文选择条件。然而，如果课文选择部分103从两个以上的课文中选择例如语言学习用问句或者例句，那么设定下述条件
要学习语言的种类；要学习语言的语言等级；用户的移动和状态(将在后面说明的上下文)；位置的种类(当前位置，常去的地方，下次要去的地方，等等)；和其它。设定上述条件使用户可以自动浏览与用户期望的状况相适应的课文(或句子)。行动模式检测部件123可用例如CPU，ROM, RAM等实现。利用从运动传感器输出的传感器信息，行动模式检测部件123检测用户运动模式和状态模式。行动模式检测部件 123可检测的运动和状态模式包括例如“步行”，“奔跑”，“静止”，“跳跃”，“火车”(搭乘/未搭乘)，“电梯(搭乘/未搭乘/上行/下行”)等。应注意，行动模式检测部件123检测运动和状态模式的方法将在后面详述。另外应注意，检测运动和状态模式的方法并不局限于后面说明的那些方法；例如，利用机器学习也是可行的。行动模式检测部件123检测的运动和状态模式被输入将在后面说明的课文提取部件131。下面参考图3到图10，详细说明行动模式检测部件123的功能。图3到图10表示行动模式检测部件123的功能和操作。输入/输出数据的结构如上所述，从运动传感器输出的传感器信息被输入行动模式检测部件123中。将要由行动模式检测部件123获得的传感器信息包括例如加速度波形数据(下面称为加速度数据)。应注意，加速度数据包括χ方向的加速度数据(x-acc)，y方向的加速度数据 (y-acc)和ζ方向的加速度数据(z-acc)。这里，x，y和ζ表示正交的方向。如果安装陀螺传感器，那么输入三维陀螺仪数据(X-gyro，y-gyro和z-gyro)作为传感器信息。理想的是这些传感器数据被校准，因为传感器的灵敏度随着例如温度和大气压力等变化。当被供给传感器信息时，行动模式检测部件123根据供给的传感器信息，检测用户的运动和状态模式。行动模式检测部件123能够检测的运动和状态模式包括例如“步行”，“奔跑”，“静止”，“暂时静止”，“跳跃”，“姿势变化”，“转向”，“火车(搭乘/未搭乘)”， “电梯(上行/下行)”，“汽车(搭乘)”，“自行车(搭乘)”等(参见图3)。考察例如检测步行状态的算法。通常，当人步行时检测到的加速度数据的频率约为2Hz (大约1秒两步)。于是，行动模式检测部件123分析加速度数据的频率，以检测频率接近2Hz的部分。利用这种处理检测出的部分等同于运动和状态模式“步行”。另外，行动模式检测部件123能够从加速度数据中，检测出“步行”运动和状态模式的发生时间和持续时间。此外，行动模式检测部件123能够从加速度数据的振幅中检测出“步行”强度。从而，根据通过分析传感器信息而获得的诸如频率、强度之类的数据，能够提取每种运动和状态模式的特征量(下面称为运动和状态特征量)。应注意的是，在“步行”运动和状态模式的情况下，只使用加速度数据；取决于运动和状态模式的种类，还使用陀螺仪数据。通过获得运动和状态特征量的随时间的变化，行动模式检测部件123逐次从运动和状态特征量判定运动和状态模式，从而输出随时间变化的运动和状态模式。由行动模式检测部件123这样获得的运动和状态模式被输入课文提取部件131。应注意行动模式检测部件123还可与将在后面说明的位置信息分析部件125或关键字变换部件129协作检测用户的行动模式。例如，根据用户在几秒钟到几分钟的较短时
9间中执行的行动模式，比如“步行”，“奔跑”，“跳跃”，“静止”等，和从位置信息分析部件125 或关键字变换部件1 提供的各种信息，行动模式检测部件123能够识别在更长的时间中， 比如“进餐”，“购物”和“工作”中执行的行动模式。例如，与位置信息分析部件125或关键字变换部件1 的协作使得可以识别用户的当前位置在例如，饭店中。于是，如果用户当前位置在饭店中移动，那么判定用户在步行， 并且仍然在饭店中。从而，对于这样的行动模式，行动模式检测部件123能够识别表示“进餐”的行动模式。如果用户当前位置在公司拥有的建筑物或者所谓的商业街中移动，那么行动模式检测部件123能够把用户行动模式识别为“工作”。另外，通过进一步考虑关于日期的信息，行动模式检测部件123能够考虑行动模式检测的定时是平日还是假日，从而更准确地检测行动模式。此外，如果保存用户的个人信息(例如，家庭地址，办公地址等)以供使用，那么参考所述个人信息可以更准确地检测行动模式。在执行下面说明的检测算法，并将检测结果输出给课文提取部件131之前，执行诸如上面提及的“进餐”，“购物”和“工作”之类的长期行动模式的检测。下面更详细地说明图3中所示的一些运动和状态模式的检测算法。识别暂停/静止状态的方法首先参考图4，说明识别用户是暂停还是静止的方法。图4表示识别用户是暂停还是静止的方法。首先，当用户移动时，对应的传感器信息被输入行动模式检测部件123中。这里， 输入三维方向的加速度数据(x-acc，y-acc和z-acc)。当输入传感器信息时，行动模式检测部件123以FIFO格式记录传感器数据(S1001)。当记录了预定数量的数据时，行动模式检测部件123分别计算x-acc，y-acc和z-acc的方差(SlOO； )。随后，行动模式检测部件 123提取用于静止状态评估的最大方差(det) (S1005)，所述最大方差(det)是这些方差中的最大的方差。当检测出用于静止状态评估的最大方差时，行动模式检测部件123判定提取的用于静止状态评估的最大方差是否等于或小于表示静止状态的静止状态识别值D1 (S1007)。 如果发现用于静止状态评估的最大方差既不等于又不小于D1，那么行动模式检测部件123 判定用户不是静止的。如果做出这种判定，那么估计用户在移动。从而，行动模式检测部件 123把表示用户不是静止的信息输入课文提取部件131 (S1009)。另一方面，如果发现用于静止状态评估的最大方差小于D1,那么行动模式检测部件123判定最大方差小于D1的状态的持续时间是否大于静止状态识别时间Tl (SlOll)。 这里，Tl是表示用户被视为静止的最短时间。如果最大方差延续超过Tl的时间，那么行动模式检测部件123判定用户是静止的，把表示用户是静止的信息输入课文提取部件 131(S1013)。如果最大方差未延续超过Tl的时间，那么行动模式检测部件123判定用户是暂停的，并把表示暂停状态的信息输入课文提取部件131 (S1015)。如上所述，执行按照图4中所示的例子的判定处理使得可以判定静止状态，暂停状态和非静止状态。识别步行/奔跑的方法下面参考图5，说明识别用户是在步行还是在奔跑的方法。图5表示识别用户是在步行还是在奔跑的方法。首先，当用户移动时，对应的传感器信息被输入行动模式检测部件123中。这里， 输入三维方向的加速度数据(x-acc，y-acc和z-acc)。当输入传感器信息时，行动模式检测部件123利用带通滤波器(BPF)，从加速度数据(x-acc，y-acc和z-acc)中除去在其中用户被识别为步行或奔跑的频率范围之外的频率(SllOl)。随后，行动模式检测部件123以 FIFO格式，记录通过BPF的加速度数据(x-acc，y-acc和z_acc) (Si 103)。之后，行动模式检测部件123读取在通过BPF之后记录的预定数据量的加速度数据(x-acc，y-acc和z-acc)，以计算读取的数据的SACF(累加自相关函数)(S1105)。SACF 峰值的时序对应于在步行或奔跑期间发生的用户的周期运动。然而，SACF包括与步行或奔跑对应的频率的谐波分量。于是，根据计算的SACF，行动模式检测部件123计算ESACF(增强累加自相关函数)(Si 107)。之后，行动模式检测部件123根据ESACF，计算自相关峰值 (Si 109)，以获得步行/奔跑评估频率(freq)。另外，行动模式检测部件123以FIFO格式，记录在步骤SllOl中通过BPF前的加速度数据(X-aCC，y-aCC和z-acc) (Sllll)。之后，行动模式检测部件123读取预定数据量的加速度数据(x-acc，y-acc和z-acc)，以计算每个方差(S1113)。随后，行动模式检测部件123从计算的方差中提取最大的方差，并输出提取的方差，作为步行/奔跑评估最大方差 (var)(Si115)。之后，行动模式检测部件123把上面提及的步行/奔跑评估频率(freq)乘以上面提及的步行/奔跑评估最大方差(var)(S1117)。单位时间中的步数用freq表示。运动的幅度用var表示。此外，根据步数和运动的幅度，行动模式检测部件1 能够判定用户是在步行还是在奔跑。于是，通过判定freq和var之间的乘积是否在预定区域的范围内，行动模式检测部件123能够判定用户是在步行还是在奔跑。首先，为了提高这种评估的准确性， 行动模式检测部件123通过低通滤波器(LPF)，从freq和var之间的乘积中，除去其中易于错误识别步行或奔跑的频率区域，从而计算步行/奔跑评估数据det (Si 119)。之后，行动模式检测部件123判定步行/奔跑状态评估数据是否等于或大于最小步行状态识别值D2,并且等于或小于最大步行状态识别值D3 (Si 121)，最小步行状态识别值 D2是用户被识别为在步行的下限值，最大步行状态识别值D3是用户被识别为在步行的上限值。如果发现步行/奔跑状态评估数据等于或大于D2,并且等于或小于D3,那么行动模式检测部件123判定用户在步行，并把表示步行的信息输入课文提取部件131(S112;3)。另一方面，如果A ( det ( D3不成立，那么行动模式检测部件123进入步骤Sl 125，判定步行/奔跑状态评估数据det是否等于或大于D3 (Si 125)。如果发现步行/奔跑状态评估数据大于D3，那么行动模式检测部件123判定用户在奔跑，把表示奔跑的信息输入课文提取部件131(S1127)。另一方面，如果发现步行/奔跑状态评估数据小于D2,那么行动模式检测部件123判定既未步行，又未奔跑，从而把表示步行/奔跑模式既不是步行，又不是奔跑的信息输入课文提取部件131 (S1129)。应注意通过对freq积分，能够获得与由用户在与积分时间相同的时间中产生的步数有关的信息。于是，行动模式检测部件123计算关于步数的信息(S1131)，并把计算的信息输入课文提取部件 131(S1133)。从而，通过执行按照图5中所示例子的评估处理，能够实现步行状态，奔跑状态和非步行/非奔跑状态的识别。识别跳跃的方法下面参考图6，说明识别用户是否在跳跃的方法。图6表示识别用户是否在跳跃的方法。首先，当用户移动时，对应的传感器信息被输入行动模式检测部件123。这里，输入三维方向的加速度数据(x-aCC，y-aCC和z-acc)。当输入传感器信息时，行动模式检测部件 123计算用x-acc，y-acc和z-acc的大小表示的跳跃加速度(S1201)。之后，行动模式检测部件123通过带通滤波器(BPF)，除去在其中用户被识别为在跳跃的跳跃状态识别值区域之外的频率(S1203)。之后，行动模式检测部件123计算通过BPF的值的绝对值，并输出计算的绝对值，作为校正的跳跃加速度(S1205)。与利用跳跃加速度的情况相比，获得如上所述的绝对值使得可以除去由用户的跳跃运动造成的壳体的摆动或振动引起的噪声分量。之后，通过低通滤波器(LPF)，行动模式检测部件123从校正的跳跃加速度中除去易于错误识别跳跃的频率范围(S1207)。然后，行动模式检测部件123根据通过LPF的数据，计算用于评估用户是否在跳跃的跳跃状态评估值(det)。之后，行动模式检测部件123 判定跳跃状态评估值是否等于或大于最小跳跃状态识别值D4(S1209)，最小跳跃状态识别值队是用户被识别为在跳跃的下限值。如果发现跳跃状态评估值等于或大于最小跳跃状态识别值D4，那么行动模式检测部件123判定用户在跳跃，并把表示跳跃状态的信息输入课文提取部件131(S1211)。另一方面，如果发现跳跃状态评估值小于最小跳跃状态识别值D4, 那么行动模式检测部件123判定用户未在跳跃，并把表示用户未在跳跃的信息输入课文提取部件 131(S1213)。如上所述，执行按照图6中所示例子的评估处理使得可以判定跳跃状态或非跳跃状态。识别姿势变化的方法下面参考图7，说明识别用户是坐着还是站着的方法。图7表示识别用户是坐着还是站着的方法。应注意坐着或站着的识别是坐着的用户站起来，或者站着的用户坐下来的识别。即，这种识别涉及用户的姿势变化。首先，当用户移动时，对应的传感器信息被输入行动模式检测部件123。这里，输入三维方向的加速度数据(x-acc，y-acc和z-acc)。当输入传感器信息时，通过低通滤波器 (LPF)，行动模式检测部件123从加速度数据(X-aCC，y-aCC和z-acc)中除去易于错误识别用户姿势变化的频率区域(S1301)。随后，根据加速度数据(x-acc，y-acc和z-acc)，行动
123 j^MifW x-grav, y-grav 禾口 z—grav。 χ-grav, y-grav 禾口 z—grav 施加重力的方向的重力数据。之后，行动模式检测部件123计算表示x-grav的变化的值δ (χ-grav)，表示 y-grav的变化的值δ (y-grav)，和表示z-grav的变化的值δ (z-grav) (S1303)。然后，行动模式检测部件123计算表示δ (x-grav), δ (y-grav)和δ (z-grav)的大小的姿势变化值(S130Q。之后，通过低通滤波器(LPF)，行动模式检测部件123从计算的姿势变化值中， 除去易于错误识别用户姿势变化的区域(S1307)，以计算用于判定是否发生姿势变化的姿势变化评估值(det)。之后，行动模式检测部件123判定姿势变化评估值是否等于或大于最小姿势变化CN 102236984 A
说明书
10/28 页
识别值D5(S1309)，最小姿势变化识别值D5是用户被识别为姿势变化的下限值。如果发现姿势变化评估值小于D5，那么行动模式检测部件123判定不存在姿势变化，从而把表示无姿势变换的信息输入课文提取部件131(S1311)。另一方面，如果发现姿势变化评估值等于或大于D5,那么行动模式检测部件123进入步骤S1313，判定用户目前是站着还是坐着的 (S1313)。如果发现用户先前是站着的，那么行动模式检测部件123判定用户已坐下来，从而把表示坐下的信息输入课文提取部件131 (S1315)。另一方面，如果用户先前是坐着的，那么行动模式检测部件123判定用户已站起来，从而把表示站起来的信息输入课文提取部件 131(S1317)。如上所述，执行按照图7中所示例子的评估处理使得可以判定是否发生了用户姿势的变化。识别乘电梯上行/下行的方法下面参考图8，说明识别用户是否在乘电梯的方法。图8表示识别用户是否在乘电梯的方法。首先，当用户移动时，对应的传感器信息被输入行动模式检测部件123。这里，输入三维方向的加速度数据(x-acc，y-acc和z-acc)。当输入传感器信息时，通过低通滤波器(LPF)，行动模式检测部件123根据加速度数据(x-acc，y-acc和z-acc)，除去易于错误识别重力方向加速度的频率区域(S1401)。之后，行动模式检测部件123根据通过LPF的加速度数据(x-acc，y-acc和z-acc)，计算重力方向加速度传感器数据(acc) (S1403)。另外，为了使重力值可调整，行动模式检测部件123计算用加速度数据(x-acc， y-acc和z-acc)的大小表示的重力调整数据，并按FIFO格式记录计算的重力调整数据 (S1405，S1407)。之后，行动模式检测部件123读取预定数据量的重力调整数据，以计算作为重力调整数据的方差的重力调整方差(var) (S1409)。此外，行动模式检测部件123读取预定数据量的重力调整数据，以计算作为重力调整数据的平均值的重力调整平均数据 (S1409)。之后，行动模式检测部件123判定上面提及的重力调整方差是否等于或小于最大许可重力方差V(SHll)，最大许可重力方差V是允许重力调整的最大方差(S1411)。如果发现上面提及的重力调整方差大于V，那么行动模式检测部件123不更新重力值(S1413)。另一方面，如果发现上面提及的重力调整方差等于或小于最大许可重力方差V，那么行动模式检测部件123判定上面提及的重力调整平均数据是否等于或大于最小许可重力平均值A1, 并且等于或小于最大许可重力平均值A2 (S1415)，最小许可重力平均值A1是允许重力调整的最小平均值，最大许可重力平均值A2是允许重力调整的最大平均值。如果发现上面提及的重力调整平均数据等于或大于A1,并且等于或小于A2,那么行动模式检测部件123进入步骤S1419。否则，行动模式检测部件123不更新重力值 (S1417)。在步骤S1419，通过低通滤波器(LPF)，行动模式检测部件123除去易于被错误地识别为重力的下部区域(S1419)，从而计算校正的重力调整平均数据。之后，行动模式检测部件123计算上面提及的重力方向加速度传感器数据和上面提及的校正的重力调整平均数据之间的差值(S1421)。之后，行动模式检测部件123从计算的差值中，除去易于被错误地识别成用户在搭乘电梯的频率区域，从而计算电梯上行/下行状态评估数据(S1423)。之后，行动模式检测部件123判定电梯上行/下行状态评估数据是否等于或大于预定值D6 (S1425)。如果发现电梯上行/下行状态评估数据等于或大于预定值D6,那么行动模式检测部件123进入步骤S1427。另一方面，如果发现电梯上行/下行状态评估数据小于预定值D6，那么行动模式检测部件123进入步骤S1433。应注意预定值D6是能够识别电梯中的用户开始上升的下限值。在步骤S1427，行动模式检测部件123判定电梯上行/下行状态评估数据是否首次超过预定值D6 (步骤S1427)。如果发现电梯上行/下行状态评估数据首次超过预定值D6, 那么行动模式检测部件123进入步骤S1429，判定用户正在电梯中上行，从而把表示在电梯中上行的信息输入课文提取部件131 (S1429)。另一方面，如果发现电梯上行/下行状态评估数据不是首次超过预定值D6，那么行动模式检测部件123进入步骤S1431，判定电梯中的下行已结束，从而把表示电梯中的下行的结束的信息输入课文提取部件131 (S1431)。在步骤S1433，行动模式检测部件123判定电梯上行/下行状态评估数据是否等于或小于预定值D7 (步骤S143!3)。应注意预定值D7是能够识别电梯中的用户开始下行的上限值。如果发现电梯上行/下行状态评估数据等于或小于预定值D7,那么行动模式检测部件123进入步骤S1435。另一方面，如果发现电梯上行/下行状态评估数据大于预定值D7, 那么行动模式检测部件123进入步骤S1441。在步骤S1435，行动模式检测部件123判定电梯上行/下行状态评估数据是否首次低于预定值D7 (S1435)。如果发现电梯上行/下行状态评估数据首次低于预定值D7,那么行动模式检测部件123进入步骤S1437，判定用户正在电梯中下行，从而把表示电梯中的用户的下行的信息输入课文提取部件131 (S1437)。另一方面，如果发现电梯上行/下行状态评估数据不是首次低于预定值D7，那么行动模式检测部件123判定电梯中的用户的上行已结束，从而把表示电梯中的用户上行的结束的信息输入课文提取部件131 (S1439)。在步骤S1441，行动模式检测部件123判定用户目前是否正在乘电梯(S1441)。 如果发现用户目前正在乘电梯，那么行动模式检测部件123进入步骤S1443，判定电梯不处于加速或减速状态，从而把表示电梯不处于加速或减速状态的信息输入课文提取部件 131(S144;3)。另一方面，如果发现用户未在乘电梯，那么行动模式检测部件123进入步骤 S1445，从而把表示用户未在乘电梯的信息输入课文提取部件131 (S1445)。如上所述，执行按照图8中所示例子的评估处理可以判定用户是否正在电梯中上行或下行。识别用户是否在搭乘火车的方法下面参考图9，说明识别用户是否在搭乘火车的方法。图9表示识别用户是否在搭乘火车的方法。首先，当用户移动时，对应的传感器信息被输入行动模式检测部件123。这里，输入三维方向的加速度数据(x-acc，y-acc和z-acc)。当输入传感器信息时，通过低通滤波器 (LPF)，行动模式检测部件123根据加速度数据(X-aCC，y-aCC和z-acc)，除去易于错误识别用户在搭乘火车的频率区域(S1501)。之后，根据除去上述频率区域的加速度数据(x-acc， y-acc和z-acc)，行动模式检测部件123计算水平方向和垂直方向的加速度数据(S1503， S1505)。应注意水平方向和垂直方向表示相对于火车正在上面行进的地面的方向。之后，行动模式检测部件123以FIFO格式，分别记录预定数据量的上述水平方向加速度数据和上述垂直方向加速度数据(S1507，S1509)。随后，行动模式检测部件123读取预定数据量的水平方向加速度数据，以计算水平方向方差(h-var) (S1511)，水平方向方差(h-var)是水平方向加速度数据的方差。另外，行动模式检测部件123读取预定数据量的垂直方向加速度数据，以计算垂直方向方差(v-var) (S1513)，垂直方向方差(v-var)是垂直方向加速度数据的方差。水平方向方差(h-var)指示当火车行驶时，检测到的水平摆动或振动的程度。垂直方向方差(v-var)指示当火车行驶时，检测到的垂直摆动或振动的程度。随后，行动模式检测部件123判定垂直方向方差(v-var)是否等于或大于最小许可垂直方差V1,并且等于或小于最大许可垂直方差V2 (S1515)，最小许可垂直方差V1是许可的最小垂直方向方差，最大许可垂直方差V2是许可的最大垂直方向方差。如果发现垂直方向方差(v-var)小于V1或者大于V2，那么行动模式检测部件123把火车搭乘评估数据(det) 设定为0 (S1517)。另一方面，如果发现垂直方向方差等于或大于V1，并且等于或小于V2,那么行动模式检测部件123进入步骤S1519。在步骤S1519，行动模式检测部件123判定垂直方向方差或水平方向方差中的哪一个更小(S1519)。如果发现垂直方向方差(v-var)较小，那么行动模式检测部件123按预定数据量，对垂直方向方差(v-var)积分，以计算积分值(S1521)。另一方面，如果发现水平方向方差(h-var)较小，那么行动模式检测部件123按预定数据量，对水平方向方差 (h-var)积分，以计算积分值(S1523)。随后，在步骤S1521和S1523中获得的积分值被设定成用于判定用户是否在搭乘火车的火车搭乘评估数据(det)。之后，行动模式检测部件123判定火车搭乘评估数据是否等于或大于最小火车搭乘识别值D8(S1525)，最小火车搭乘识别值D8是用户被识别为在搭乘火车的下限值。如果发现火车搭乘评估数据等于或大于D8，那么行动模式检测部件123判定用户在搭乘火车，从而把表示用户在搭乘火车的信息输入课文提取部件131 (S1527)。另一方面，如果发现火车搭乘评估数据小于D8，那么行动模式检测部件123判定用户未搭乘火车，从而把表示用户未搭乘火车的信息输入课文提取部件131 (S1529)。如上所述，执行按照图9中所示例子的评估处理使得可以判定用户是否在搭乘火车。通过考虑火车的行驶状态，即，从加速状态到减速状态，行动模式检测部件123能够判定用户乘坐在停在车站的火车上，用户乘坐在停下来的火车上，用户离开到达车站的火车， 和用户开始步行离开火车，以及其它状态。这些评估结果可被提供给结构中的课文提取部件 131。识别右转/左转的方法下面参考图10，说明识别用户是否向左转或向右转的方法。图10表示识别用户是否向左转或向右转的方法。首先，当用户移动时，对应的传感器信息被输入行动模式检测部件123。这里，输入三维方向的加速度数据(x-aCC，y-aCC和z-acc)和三维陀螺仪数据(x-gyro，y-gyro和 z-gyro)。当输入传感器信息时，通过低通滤波器(LPF)，行动模式检测部件123从输入的传感器信息中除去易于错误地识别用户在向左转或向右转的频率区域(S1601)。之后，行动模式检测部件123根据除去上述频率区域的三维方向的加速度数据(X-aCC，y-aCC和z-acc) 和三维陀螺仪数据(x-gyro，y-gyro和z-gyro)，计算重力方向的角速度(S1603)。之后，通过带通滤波器(BPF)，行动模式检测部件123从计算的角速度中除去在用于识别用户在向左转或向右转的转向识别区域之外的值，从而计算校正的角速度(det) (S1605)。然后，行动模式检测部件123判定校正的角速度是否等于或小于最大右转识别值D9(S1607)，最大右转识别值D9是识别用户在向右转的上限值。如果发现角速度等于或小于D9,那么行动模式检测部件123判定用户在向右转，并把评估结果输入课文提取部件131(S1609)。另一方面，如果发现角速度大于D9，那么行动模式检测部件123进入步骤 S1611。在步骤S1611，行动模式检测部件123判定校正的角速度是否等于或大于最小左转识别值D1CI(S1611)，最小左转识别值Dltl是识别用户在向左转的下限值。如果发现角速度等于或大于Dltl，那么行动模式检测部件123判定用户在向左转，并把表示用户在向左转的信息输入课文提取部件131(S1613)。另一方面，如果发现角速度小于Dltl，那么行动模式检测部件123判定用户未向左转或向右转，并把评估结果输入课文提取部件131(S1615)。如上所述，执行按照图10中所示例子的评估处理使得可以确定用户是否在向右转或向左转。已经说明了行动模式检测部件123的功能的细节。如上所述，运动和状态模式并不表示用户的具体生活行为。这里，运动和状态模式表示用户在某一时刻(或者较短时间) 的状态。现在返回图2，说明与第一实施例相关的课文选择部分103的结构。位置信息分析部件125由例如CPU，ROM, RAM等实现。位置信息分析部件125把从传感器信息获取部分101输入的位置信息输出给将在后面说明的课文提取部件131。另外，位置信息分析部件 125利用从传感器信息获取部分101输出的位置信息和保存在存储部分111中的用户行动日志信息133，来分析位置信息。更具体地说，位置信息分析部件125利用输入的位置信息更新位置信息的日志， 所述位置信息的日志是一种用户行动日志信息。这样做时，位置信息分析部件125把用户独有的标识信息(用户ID)和输入的位置信息联系起来，以更新位置信息的日志。另外，如果写入到输入的位置信息中的经度和纬度的组合表示新地点，那么位置信息分析部件125 可把只有该地点信息才有的标识信息(地点ID)和对应的位置信息联系起来，以记录这些信息。此外，位置信息分析部件125可参照与位置信息关联的日期信息，以识别包括记载时间的时区，从而关联对应于该时区的标识信息(时区ID)，以记录这些信息。此外，通过利用输入的位置信息，和位置信息的日志，位置信息分析部件125分析经常去的地点，或者在当前位置之后要去的地点。经常去的地点的分析是例如通过计算用户前往写入位置信息日志中的每个地点的频度，从而根据计算的频度确定得分来执行的。 接下来要去的地点的分析是例如通过计算用户从当前位置转移到写入位置信息日志中的每个地点的条件概率，从而根据获得的条件概率确定得分来执行的。这些得分的值越大，对应事件越确实。参见图11，图中表示保存在与本发明的第一实施例相关的存储部分111中的用户行动日志信息133的一个例子。用户行动日志信息133保存位置信息日志，和由位置信息分析部件125执行的各种处理操作产生的信息。在执行每个处理部件的处理时，课文选择部分103的每个处理部件能够参照该用户行动日志信息133。课文分析部件127用例如CPU，ROM, RAM,通信设备等实现。课文分析部件127分析保存在课文数据库(下面称为课文DB)中的每种课文，课文DB保存在存储部分111中。 课文分析部件127进行的分析向包括在课文(或句子)中的每个单词赋予属性，同时，把课文表示的运动和状态(上下文)赋予课文本身。这种分析处理使何时使用各个课文(上下文)，和课文中的每个单词指示什么(单词属性)变得清晰。首先，课文分析部件127获得保存在课文DB 135中的每个课文，并对获得的课文执行所谓的形态分析。在执行形态分析时，课文分析部件127利用包括在课文分析数据库 (下面称为课文分析DB) 137中的各种辞典，课文分析DB 137保存在存储部分111中。从而，课文被分解成构成课文的一个或多个单词。与第一实施例相关的课文选择部分103把如上所述产生的这些单词视为关键字。另外，课文分析部件127参照供形态分析之用的辞典，以向每个单词赋予属性。应注意除了形态分析之外，课文分析部件127可酌情进行结构分析或语义分析。另外应注意的是取决于单词，可向一个单词赋予各种属性。例如，单词“惠比须 (Ebisu) ”是东京的一个地名，日本的神名(七福神之一)，和火车站名。如同这个例子一样，当可赋予两种以上的属性时，课文分析部件127向单词赋予两个以上的属性，而不仅仅是一种属性。从而，课文分析部件127能够多面地理解一个单词。当向构成课文的单词赋予属性时，课文分析部件127利用赋予的属性分配课文的上下文(课文表示的运动或状态)。同样在这种情况下，当可赋予两种以上的上下文时，课文分析部件127向单词赋予两种以上的上下文，而不仅仅是一种上下文。从而，课文分析部件127多面地掌握一个句子的上下文。当完成课文到单词的分解，及随后的属性和上下文的赋予时，课文分析部件127 执行对每个单词(即，关键字)和属性的组合的评分和对上下文的评分。从而，能够使关于包括在课文中的每个单词的属性的概率和上下文的概率数值化。在特定的定时执行由课文分析部件127执行的上述课文分析处理。例如，当未分析的课文被添加到课文DB 135等中时，课文分析部件127可执行上面说明的课文分析处理。另外，课文分析部件127可每隔一定时间(例如一天一次)提取未分析的课文，并对提取的未分析课文执行上面提及的课文分析处理。下面参考图12到图16，具体说明由课文分析部件127执行的课文分析处理。图 12到图16是用于说明由课文分析部件127执行的课文分析处理的示图。首先参考图12，图中表示由课文分析部件127执行的课文分析处理的概况。在图 12中所示的例子中，课文分析部件127对课文(或句子)Inthe Hotel station area, there was a beer factory in the past.，，执行课文分析处理。这种情况下，课文分析部件127对关心的句子进行形态分析，以把该句子分成两个以上的单词。在图12中所示的例子中，关心的句子被分成名词“H0tei”，“Stati0n”， “area”，“past”，“beer”，“factory”，动词 “be”，介词 “in”，冠词 “a” 和 “the”，和副词 “there”。课文分析部件127向这些单词赋予标识信息(关键字ID)，并且根据参照的辞典等，向这些关键字赋予属性。在图12中所示的例子中，关键字“Hotei”被赋予属性“建筑物铁路车站”，“地名”，“专有名词日本的神”，和“食物啤酒”。如图12中所示，除了诸如“车站”之类的下位概念之外，要被赋予的属性可以与上位概念，比如“铁路”和“建筑物” 关联。另外，课文分析部件127计算关键字和属性的每种组合的得分，并把计算的得分和对应的组合联系起来。此外，课文分析部件127赋予关心的每个句子独有的标识信息(句子ID)，同时， 赋予被认为对应于关心的句子的上下文。在图12中所示的例子中，诸如“陈述”、“移动中 步行”和“移动中火车”等上下文被赋给关心的句子，并且关于每种上下文计算得分。如图 12中所示，除了诸如“步行”和“火车”之类的下位概念之外，可以使诸如“移动中”之类的上位概念与每种上下文关联。图13A和图1 表示对于构成课文的各个单词，根据存在于课文中的每个单词的属性的频度，估计整个课文的属性，以确定每个单词的属性的可能性的方法。在图13A中所示的例子中，使用注意力放在句子‘In the Hotei station area, there was a beer factory in the past”上的情况。课文分析部件127对关心的句子执行形态分析，以把句子分成语素"Hotei", "station", "area", "past", "beer", "factory" 和“be”。另外，通过参照保存在文本分析DB 137中的辞典，课文分析部件127向“Hotei” 赋予四种属性“车站”，“地名”，“神”和“饮料”，同时，按照相同的方式向每个单词赋予属性。就关心的整个句子来说，属性“车站”和“饮料”分别有两次，其它属性分别有一次。 于是，在整个句子中，能够判定关心的句子很可能与“车站”和“饮料”有关。于是，根据该评估结果，课文分析部件127能够计算每种关键字属性的得分。在图13A中所示的例子中，向关键字“Hotei ”赋予得分“车站(得分0. 4) ”，“饮料(得分0. 4) ”，神(得分0. 1)，，和“地名(得分0. 1) ”。在图13B中所示的例子中，分析句子“Hotei is the next station”。就这个句子来说，课文分析部件127按照和图13A中所示的例子相同的方式进行分析，从而确定该句子很可能与“车站”有关。于是，根据该评估结果，课文分析部件127能够计算每种关键字属性的得分。在图13B中所示的例子中，向关键字“Hotei”赋予得分“车站(得分0. 8)”， “饮料(得分0. 66)，，，神(得分0. 66)，，和“地名(得分0. 66) ”。如图13A和图1 中所示，关于属性计算的得分因关心的句子而异。在图14中所示的例子中，预先分析具有大量句子的集合，以产生构成句子的单词的聚类，这样产生的单词聚类被用于分配单词属性。这种情况下，课文分析部件127判定通过形态分析而获得的两个以上单词分别属于单词聚类中的哪个聚类。例如，图14中所示的单词“Hotei ”属于单词“福禄寿”所属的聚类“神”，饮料生产者名称“花梨”所属的聚类“饮料”，和聚类“车站”。在这种情况下，课文分析部件127可认为聚类“车站”和“饮料”中的活性较高，从而分配“车站”和“饮料”作为“Hotei ”的属性。应注意向单词赋予属性的方法并不局限于上面所示的方法；也可采用其它方法。 此外，如果在关心的句子前后存在句子，构成彼此相关的一系列句子，那么课文分析部件 127可利用关联句子的分析结果向单词分配属性。下面参考图15和图16，说明向课文赋予上下文的方法。图15和图16表示与本发明的第一实施例相关的向课文赋予上下文的方法。参考图15，图中表示利用句子中的属性频度，和保存在课文分析DB137中的辞典文件，向课文赋予上下文的方法。在图15中所示的例子中，使用注意力放在句子“In the Hotei station area, there was a beer factory in the past”上的情况。在这种方法中，如果对关心的课文设定某种分类类别，则课文分析部件127利用该分类类别。在图15中所示的例子中，预先对例句“In the Hotei station area，there wasa beer factory in the past，，设定类另lj “陈述”，以便课文分析部件127利用该分类类别(或者例句类别)。应注意类别“陈述”是分配给描述某事的课文(或句子)的分类类别。另外，在上面说明的方法中，课文分析部件127对课文执行形态分析，从而向存在于课文中的单词(或关键字)赋予属性。根据这种赋予，课文分析部件127参照保存在课文分析DB 137中的辞典文件，以提取所赋予属性的上位概念。应注意如果不存在所赋予属性的上位概念，那么原样使用所赋予的属性。在图15中所示的例子中，通过分析课文，赋予属性“车站”，“地名”，“神”，“饮料”， “时间”，“工厂”和“存在”。课文分析部件127通过利用所赋予的属性和辞典文件，改变存在上位概念的属性，从而提取属性“铁路”，“食品”，“专有名词”，“时间”，“建筑物”和“存在”。随后，课文分析部件127利用列出保存在课文分析DB 137等中的属性和上下文之间的相关性的映射表，从提取的(上位概念的)属性识别上下文。在图15中所示的例子中， 利用所述映射表，使上位概念“铁路”的属性与上下文“移动中火车”关联。同样地，使上位概念“食品，，的属性与上下文“进餐”关联，使上位概念“专有名词，，的属性与上下文“陈述”关联。课文分析部件127利用用映射表关联的上下文，和关心的课文的例句类别(如果有的话)，确定关心的课文的上下文。例如在图15中，课文分析部件127根据两者的比较， 确定上下文“移动中火车”，“进餐”和“陈述”的概率较高。从而，课文分析部件127判定关心的课文的句子上下文为“移动中火车”，“进餐” 和“陈述”。另一方面，在图16中所示的例子中，在学习用户通过条件设定部件121等设定的上下文的时候，课文分析部件127记录在预先设定的上下文条件下使用的句子的日志。在图16中所示的例子中，从如图中所示的日志信息(或使用日志)中可看出，句子X常常用在上下文“移动中火车”中。于是，课文分析部件127判定很可能关心的句子X是上下文 “移动中火车”。从而，图16中所示的例子是通过机器学习上下文的日志，并反馈获得的学习结果，来判定关心的句子的上下文的方法。应注意，基于上面所示的反馈技术的方法可以与其它句子上下文赋予方法一起使用。另外应注意，由课文分析部件127对其进行分析的课文并不局限于记录到课文DB 135的那些课文。课文分析部件127能够分析记录到外部连接的装置，或者与信息处理设备 10连接的可拆卸记录介质中的文本，或者保存在与因特网或本地网络连接的各种装置中的文本。如果从关键字变换部件1 输入各种关键字，那么课文分析部件127对输入的关键字进行分析处理，并分配与所分析的关键字对应的属性。当完成对关键字的属性分配时， 课文分析部件127把表示分配给关键字的属性的信息输出给关键字变换部件129上述处理的执行建立如图17中所示的课文DB 135。如图17中所示，课文DB 135 保存与所保存的句子相关的信息、与提取的关键字相关的信息、与句子和关键字之间的关联性相关的信息等。
例如，与句子相关的信息包含与保存在课文DB 135中的课文相关的信息。该信息包含句子独有的标识信息(句子ID)、表示句子种类的信息、表示句子本身的信息、与表示句子的难度级别的水平相关的信息和表示语言种类的标识信息(语言ID)。每个句子与表示相关句子的标识信息(相关句子ID)关联。将在后面说明的课文提取部件131能够利用上面说明的课文DB 135，正确地提取适合于用户的当前位置或行动模式的课文。关键字变换部件129用例如CPU，ROM, RAM,通信设备等实现。关键字变换部件129 把从传感器信息获取部分101输出的位置信息变换成与该位置信息指示的地点相关的关键字。例如，可利用保存在课文分析DB 137中的各种辞典和数据库，或者控制网络搜索引擎的各种服务器执行这种关键字变换。通过执行这种关键字变换处理，关键字变换部件129 能够获得各种关键字，比如地址，地名，附近建筑物，道路和商店的名称等。另外，关键字变换部件129不仅可参照从传感器信息获取部分101供给的位置信息，而且可以参照由位置信息分析部件125分析和更新的用户行动日志信息133，以对例如，常去的地点或者接下来要去的地点执行关键字变换处理。从而，能够获得与用户要去的，并且可和从传感器信息获取单元101供给的位置信息指示的地点关联的地点相关的关键字。关键字变换部件129把这样获得的关键字输出给课文分析部件127，以请求课文分析部件127向获得的关键字赋予属性。同时，如果属性被赋给变换的关键字，那么关键字变换部件129把被赋予属性的关键字输出给课文提取部件131。课文提取部件131用例如CPU，ROM, RAM等实现。根据从行动模式检测部件123输出的上下文、从位置信息分析部件125输出的位置信息和从关键字变换部件129输出的关键字，课文提取部件131从保存在课文DB 135中的两个以上的课文中提取适当的课文。在课文提取中，课文提取部件131还考虑由条件设定部件121设定的各种条件。更具体地说，根据输入的上下文，设定条件、关键字、属性等，课文提取部件131执行与保存在课文DB 135中的课文(及赋予课文的属性和上下文)的匹配。根据所述匹配， 课文提取部件131向用户呈现最适合于输入的条件等的课文，作为用户呈现课文。从而，最适合于用户的当前位置或状态(上下文)的句子被呈现给用户，使用户能够参照提供更强的临场感的句子。应注意的是，在课文提取中，例如，可以提取属性匹配但关键字失配的句子。如果发生这种情况，那么课文提取部件131可以适当地用从关键字变换部件129输入的属性匹配关键字替换所提取课文中的关键字。这种关键字替换使得能够向用户呈现具有更强临场感的句子。应注意的是，在上面的说明中，根据位置信息、从位置信息得到的信息、由条件设定部件121设定的条件和由行动模式检测部件123检测的用户状态(或上下文)，执行课文提取处理。然而，如果课文选择部分103没有行动模式检测部件123，那么可根据位置信息、从位置信息得到的信息和由条件设定部件121设定的条件执行课文提取处理。从而，已经说明了与本发明的第一实施例相关的信息处理设备10的功能的一个例子。每个上述组成元件可用电路用通用部件，或者专用于每个组成元件的功能的硬件装置构成。每个组成元件的功能都可全部由例如CPU等实现。于是，可按照在实践本实施例时可达到的技术水平，适当改变要使用的结构。可行的是编写用于实现作为本发明的第一实施例而实施的信息处理设备的每种功能的计算机程序，并把编写的计算机程序安装到例如个人计算机等中。另外，可以提供保存这种计算机程序的计算机可读记录介质。所述记录介质可包括例如磁盘，光盘，磁光盘和闪速存储器。另外，上面提及的计算机程序也可通过网络而不是记录介质分发。(1-2)信息处理方法的处理流程下面参考图18到图20，简要说明与本实施例相关的信息处理方法的例证处理流程。课文分析方法的处理流程首先参考图18，简要说明由课文分析部件127执行的课文分析方法的处理流程。 图18是表示与本发明的第一实施例相关的课文分析方法的处理流程的流程图。首先，课文分析部件127从保存在课文DB 135中的按语言的例句和问题中获得一个未分析的句子(SlOl)。之后，课文分析部件127对获得的未分析句子进行形态分析，以按照前述方式确定要赋予例句和问题的关键字属性以及上下文(S10;3)。然后，课文分析部件 127把获得的关键字属性和上下文写到课文DB 135的对应位置(S105)。随后，课文分析部件127确定是否存在任何其它未分析的句子(S107)。如果发现未分析的句子，那么课文分析部件127返回步骤S101，重复上述处理。如果没有发现未分析的句子，那么课文分析部件127结束课文分析处理。课文选择方法的处理流程下面参考图19和图20，简要说明由与本发明的第一实施例相关的信息处理设备 10执行的课文选择方法。图19和图20是表示与第一实施例相关的课文选择方法的处理流程的流程图。首先参考图19，传感器信息获取部分101获得从各个传感器输出的传感器信息 (Slll)。传感器信息获取部分101把获得的传感器信息输出给课文选择部分103的行动模式检测部件123，位置信息分析部件125和关键字变换部分129。根据从传感器信息获取部分101供给的传感器信息(从运动传感器输出的传感器信息)，行动模式检测部件123检测用户状态，以确定用户上下文(SlU)。当确定了上下文时，行动模式检测部件123把关于确定的上下文的信息输出给课文提取部件131。另外，根据从传感器信息获取部分101输出的传感器信息(位置信息)，位置信息分析部件125执行与常去的地点或者接下来要去的地点相关的各种分析(S115)。随后，位置信息分析部件125把获得的分析结果和位置信息反映到用户行动日志信息133上 (S117)。利用各种数据库和网络搜索引擎，关键字变换部件1 把从传感器信息获取部分 101输出的位置信息变换成关键字，比如地址和地名，以及附近建筑物、道路、商店等的名称等(S119)。随后，关键字变换部件1 把作为变换结果获得的关键字输出给课文分析部件 127。课文分析部件127分析从关键字变换部件1 供给的关键字(S121)，从而向分析的关键字赋予属性。当完成属性的赋予时，课文分析部件127把表示赋予每个关键字的属性的信息输出给关键字变换部件129。当收到表示赋予每个关键字的属性的信息时，关键字变换部件1 把获得的关键字和赋予所述关键字的属性输出给课文提取部件131。
根据从各个处理部件输出的上下文、设定条件、关键字、属性、位置信息等，课文提取部件131从保存在课文DB 135中的两个以上的例句和问题中，提取适当的例句或问题 (S123)。如果提取的例句或问题在属性和上下文方面匹配，但是在关键字方面失配，那么可按照关键字来编辑所提取的例句或问题(S125)。随后，课文提取部件131把提取的例句或问题输出给显示控制部分105(S127)。显示控制部分105把从课文提取部件131接收的例句或问题显示在信息处理设备10的显示部件，比如显示监视器上。从而，信息处理设备10 的用户能够浏览由课文选择部分103选择的适合于用户的当前位置和上下文的例句或问题。参考图19，说明了其中按照用户的当前位置、属性、关键字、上下文等，提取例句和问题的例子。下面参考图20，说明在不利用用户的上下文的情况下，提取例句和问题的例子。首先，信息处理设备10的传感器信息获取部分101获得从各个传感器输出的传感器信息(S131)。传感器信息获取部分101把获得的传感器信息输出给课文选择部分103的位置信息分析部件125和关键字变换部件129。根据从传感器信息获取部分101接收的传感器信息(位置信息)，位置信息分析部件125执行与常去的地点或者接下来要去的地点相关的各种分析(S133)。随后，位置信息分析部件125把获得的分析结果和位置信息反映到用户行动日志信息133上(S135)。另外，利用各种数据库和网络搜索引擎，关键字变换部件129把从传感器信息获取部分101接收的位置信息变换成地址和地名，以及附近建筑物、道路、商店等的名称等关键字(S137)。之后，关键字变换部件129把作为变换结果获得的关键字输出给课文分析部件127。课文分析部件127分析从关键字变换部件129接收的关键字(S139)，并向关键字赋予属性。当完成属性赋予时，课文分析部件127把表示赋予每个关键字的属性的信息输出给关键字变换部件129。当收到表示赋予每个关键字的属性的信息时，关键字变换部件 129把表示获得的关键字，和赋予所述关键字的属性的信息输出给课文提取部件131。根据从各个处理部件输出的设定条件、关键字、属性、位置信息等，课文提取部件 131从保存在课文DB 135中的两个以上的例句和问题中，提取适当的例句或问题(S141)。 如果提取的例句或问题在属性等方面匹配，但是在关键字方面失配，那么可按照关键字来编辑所提取的例句或问题(S143)。随后，课文提取部件131把提取的例句或问题输出给显示控制部分105(S145)。显示控制部分105把从课文提取部件131接收的例句或问题显示在信息处理设备10的显示部件，比如显示监视器上。从而，信息处理设备10的用户能够浏览由课文选择部分103选择的适合于用户的当前位置和上下文的例句或问题。如上所述，与本发明的第一实施例相关的信息处理设备10能够向用户呈现适合于例如与用户的当前位置、常去的地点、接下来要去的地点和用户的上下文相关的情形的、 实际上更可能使用的例句、询问和问题。从而，与本发明的第一实施例相关的信息处理设备 10使用户对学习感兴趣，从而把用户的学习动力维持在较高的水平。结果，用户能够进行有效的学习。另外，与本发明的第一实施例相关的信息处理设备10允许按照用户的位置信息自动选择句子。于是，把与本发明的第一实施例相关的信息处理设备10应用于例如语言学习等，使得可以在例如旅行的时候，自动向用户呈现必需的句子。这使用户可以获得适合于具体情形的外语会话句子，而不用搜索两个以上的句子。应注意在特别关注位置信息的情况下进行了上述说明。然而，代替位置信息或者除了位置信息之外，通过关注与时间相关的信息，进行句子选择也是可行的。这种结构使用户可以按照用户操作信息处理设备10的时间选择句子，从而提供适时句子的自动选择。另外，不仅获得时间信息，而且例如从网络搜索引擎获得例如与当前天气相关的信息，允许自动选择反映当前天气的句子。(2)第二实施例下面参考图21到图30，说明按照本发明的第二实施例的信息处理设备和提问倾向设定方法。与本发明的第一实施例相关的信息处理设备具有自动选择适合于用户的位置信息和上下文的课文的功能。与下面要说明的本发明的第二实施例相关的信息处理设备10 具有自动设定与用户的学习水平匹配的问题的提问倾向的功能。与第二实施例相关的信息处理设备10的使用使用户可以有效地进行其学习。(2-1)信息处理设备的例证结构首先参考图21，详细说明与第二实施例相关的信息处理设备10的例证结构。图 21示出图解说明与第二实施例相关的信息处理设备10的例证结构的方框图。如图21中所示，与第二实施例相关的信息处理设备10具有显示控制部分105、用户回答获取部分107、用户回答评估部分109、存储部分111、提问倾向设定部分141和问题选择部分143。应注意显示控制部分105、用户回答获取部分107和存储部分111在结构和效果方面，和第一实施例的显示控制部分105、用户回答获取部分107和存储部分111大体相同，从而将省略第二实施例的这些功能部件的详细说明。与第二实施例相关的用户回答评估部分109在结构和效果方面，和与第一实施例相关的用户回答评估部分109大体相同，除了与第二实施例相关的用户回答评估部分109 判定对问题选择部分143设定的问题的用户回答，和向提问倾向设定部分141输出正确/ 错误信息之外。于是，将省略与第二实施例相关的用户回答评估部分109的详细说明。提问倾向设定部分141用例如CPU，ROM, RAM等实现。按照用户的学习水平(或者用户在学习方面的熟练程度)，提问倾向设定部分141自动设定提问的倾向。除了问题的难度级别之外，提问倾向设定部分141设定的提问倾向还包括例如与特定问题类似的问题的优先提问，或者未被熟练回答的问题的反复提问。提问倾向设定部分的详细结构下面参考图22，进一步详细说明提问倾向设定部分141的结构。图22是图解说明与本发明的第二实施例相关的提问倾向设定部分141的例证结构的方框图。如图22中所示，与第二实施例相关的提问倾向设定部分141还具有用户回答分析部件151、忘却曲线生成部件153和提问条件设定部件155。用户回答分析部件151用例如CPU，ROM，RAM等实现。通过利用在用户回答评估部分109中获得的用户回答正确/错误评估结果，用户回答分析部件151计算用户产生的回答的正确回答率和错误回答率。另外，通过利用计算的用户回答正确率，用户回答分析部件 151计算问题的难度级别。
下面具体说明用户回答分析部件151的功能。当从用户回答评估部分109收到用户回答正确/错误评估结果时，用户回答分析部件151更新如图23中所示的正确回答率表格，并计算与正确/错误评估结果对应的问题的正确回答率。如图23中所示，对于针对各个用户进行的每个提问所独有的标识信息(提问ID)， 正确回答率表格列出正确回答的数目和问题的数目。该正确回答率表格被保存在例如，存储部分111的预定区域中。例如，对用户A的问题IDl的正确回答的数目为5，问题的数目为20。这种情况下，假定用户A已再次解答了与提问IDl对应的问题。从而，如果用户回答是正确的，那么正确回答的数目和问题的数目都被加1，从而分别变成6和21。正确回答率变成0. 29。应注意的是，正确回答率越低，用户感到对关注的问题的回答越困难。于是，用户回答分析部件151能够利用计算的正确回答率的倒数作为问题的难度的数值形式。例如， 就正确回答的数目和问题的数目分别为5和20的问题来说，正确回答率为0. 25，难度为 4. 00。此外，用户回答分析部件151利用正确/错误评估结果，更新如图24中所示的错误回答矩阵。如图24中所示，错误回答矩阵具有关于每个用户的每个提问ID的错误回答的数目和问题的数目。所述错误回答矩阵被保存在例如，存储部分111的预定区域中。根据正确回答的数目+错误回答的数目=问题的数目的关系，用户回答分析部件151能够容易地产生错误回答矩阵。另外，通过利用错误回答矩阵，用户回答分析部件151计算错误回答率。此外，通过利用正确/错误评估结果，用户回答分析部件151更新如图25中所示的与最后回答日期和回答的数目相关的表格。如图25中所示，该表格列出对于每个用户的每个提问ID的最后回答日期和回答的数目。该与最后回答日期和回答的数目相关的表格被保存在例如，存储部分111的预定区域中。该与最后回答日期和回答的数目相关的表格将由在后面说明的忘却曲线生成部件153用于生成忘却曲线。依据这些表格的更新，用户回答分析部件151更新如图26中所示的两个以上的忘却率表格(下面称为忘却率表格组)。对于每个回答次数，提供一个忘却率表格，并且每经过一段时间(例如，每经过一天)，各个忘却率表格列出正确回答的数目和问题的数目。为每个用户管理图23到图25中所示的表格。以所作出的回答的次数为基准(在不区分用户的情况下)生成图26中所示的忘却率表格。图26中所示的忘却率表格表示在所作出的回答的次数为q的情况下，对于每经过一段时间(每经过一天)，正确回答的数目的变化。应注意由用户回答分析部件151生成的忘却率表格组并不局限于如图26中所示的在各个回答次数中针对每个提问生成的那些表格组；针对每组问题(例如，七年级水平的英语词汇量)生成的那些表格也是可行的。生成每个问题组的这些忘却率表格允许以更宽的视野判断用户的回答倾向。当包括各种表格的更新在内的用户回答分析处理结束时，用户回答分析部件151 把关于该结束的信息通知忘却曲线生成部件153和提问条件设定部件155。当收到关于该结束的信息时，忘却曲线生成部件153和提问条件设定部件155开始它们的处理。忘却曲线生成部件153用例如CPU，ROM, RAM等实现。通过利用由用户回答分析部件151更新的忘却率表格组，忘却曲线生成部件153生成表示正确回答率随时间的变化的忘却曲线。图27中表示了忘却曲线的一个例子。如图27中所示，利用水平轴和垂直轴绘制出忘却曲线，水平轴是直到用户忘却的时间(即，经过的时间)，垂直轴是用户记得关注的事物的百分率(即，正确回答率)。这里，用于垂直轴的正确回答率是例如关于每个问题(或者一组问题)的正确回答率的平均值。由于忘却曲线是利用图26中所示的忘却率表格组生成的，因此如图27中所示，曲线是关于各次回答而生成的。忘却曲线生成部件153把生成的忘却曲线保存到例如存储部分111的预定区域中。从而，与第二实施例相关的提问倾向设定部分141和问题选择部分143在执行这些部分的处理时，能够利用生成的忘却曲线。当结束忘却曲线的生成时，忘却曲线生成部件153把表示忘却曲线的生成结束的信息，通知给提问条件设定部件155。应注意的是，如果数据不足，或者存在许多噪声，那么忘却曲线生成部件153可使生成的忘却曲线回归到参数函数。提问条件设定部件155用例如CPU，ROM, RAM等实现。根据由用户回答分析部件 151计算的错误回答率，提问条件设定部件155计算两个以上问题之间的相似性，同时利用计算的相似性，计算两个以上问题的评估值。另外，提问条件设定部件155利用用上面提及的忘却率表格组计算的正确回答率阈值，更新由用户回答分析部件151计算的用户正确回答率。下面具体说明正确回答率的更新。如果下述条件中任意一个满足的话，那么提问条件设定部件155利用用户正确回答率和保存在存储部分111中的忘却率表格组，来根据下面的等式101更新用户正确回答率P。在下面的等式101中，ρ表示用户正确回答率，r表示根据忘却率表格组计算的正确回答率阈值。此外，η表示用户的学习程度的系数(学习率)，它是预先适当确定的参数。 应注意的是，在下面的等式101中，为了方便起见，更新后的正确回答率被写为P'。条件1 用户回答是错误的，并且ρ < r条件2 用户回答是正确的，并且ρ >rρ' = ρ+ η (r-p) (101)应注意的是，如果首次使用与本发明的第二实施例相关的信息处理设备10，那么提问条件设定部件155假定用户正确回答率ρ是整个信息处理设备的正确回答率(即，例如，所有注册用户的正确回答率的平均值)。此外，如果用户回答问题m次，并且第m次回答是在最后一次回答的日期之后η天进行的，那么提问条件设定部件155假定正确回答率阈值r是根据记载在第m个忘却率表格中η日之后的一列中的正确回答的数目和问题的数目计算的正确回答率。这样更新的用户回答率可用于设定一直到再次设定问题为止的时期，如例如图28 中所示。更具体地说，在与本发明的第二实施例相关的信息处理设备10中，图28中用阴影表示的问题(即，从最后进行回答的时间开始，图28中所示的时期已过去或正在过去的问题)被自动选择。另外，如上所述，如果预定条件被满足，那么根据上面的等式101，更新正确回答率Ρ(更具体地说，在错误回答的情况下，正确回答率P被更新，从而增大；在正确回答的情况下，正确回答率P被更新，从而减小)。从而，在与第二实施例相关的信息处理设备10中，一直到再次提问为止的时期也被动态改变。更具体地说，如图四中所示，当正确回答率P变得更高时(图中的(a))，无时间间隔地再次进行提问；当正确回答率P变得较低时(图中的(b))，有时间间隔地再次进行提问。当要求由与第二实施例相关的信息处理设备10设定的问题考虑忘却时，最好执行在上面的等式101中所示的正确回答率的更新。然而，如果不要求由与第二实施例相关的信息处理设备10设定的问题考虑忘却，那么不需要执行正确回答率的上述更新。另外，通过利用由用户回答分析部件151更新的错误回答矩阵，提问条件设定部件巧5根据下面的等式(102)计算问题j和问题k之间的相似度sim(j，k)。在下面的等式(102)中，M(i，j)是用户i关于问题j的错误回答率，它是通过利用错误回答矩阵(或者用户i的问题j的正确回答率)计算的值。在下面的等式(102)中，参数N表示注册用户的数目。
权利要求
1.一种信息处理设备，包括用户回答评估部分，被配置成确定用户对从多个问题中选择的问题的回答是否正确； 用户回答分析部件，被配置成利用所述用户回答评估部分计算的用户回答正确/错误评估结果，至少计算用户错误回答率；提问条件设定部件，被配置成根据所述用户回答分析部件计算的错误回答率，计算所述多个问题之间的相似度，同时利用计算的相似度，计算所述多个问题中的每一个的评估值；和问题选择部分，被配置成根据所述提问条件设定部件计算的评估值，和在预定时段内或在预定数目的问题中的用户正确回答率，从所述多个问题中选择要设定的问题。
2.根据权利要求1所述的信息处理设备，其中所述问题选择部分计算问题正确回答率和在预定时段内或在预定数目的问题中的所述用户正确回答率之间的差值的绝对值，以按照所述绝对值的升序选择预定数目的问题，和按照所述评估值的降序从所选择的所述预定数目的问题中提供要设定的问题。
3.根据权利要求2所述的信息处理设备，其中所述用户回答分析部件对于每个用户，针对每个问题产生将用户的最后回答日期与回答次数关联的信息，和利用将用户的最后回答日期与回答次数关联的所述信息，对于各个回答次数和各个经过时间，产生正确回答的数目与问题的数目关联的信息。
4.根据权利要求3所述的信息处理设备，其中所述提问条件设定部件利用针对各个回答次数和各个经过时间生成的将正确回答的数目与问题的数目关联的所述信息，计算每个问题的正确回答率阈值，和根据所述正确回答率阈值和所述用户正确回答率，校正所述评估值。
5.根据权利要求4所述的信息处理设备，其中所述提问条件设定部件利用所述正确回答率阈值和所述正确/错误评估结果，校正所述用户正确回答率。
6.一种提问倾向设定方法，包括下述步骤确定用户对从多个问题中选择的问题的回答是否正确；利用用户回答评估部分计算的用户回答正确/错误评估结果，至少计算用户错误回答率；根据计算的错误回答率，计算所述多个问题之间的相似度，同时利用计算的相似度，计算所述多个问题中的每一个的评估值；和根据计算的评估值，和在预定时段内或在预定数目的问题中的用户正确回答率，从所述多个问题中选择要设定的问题。
7.一种使计算机实现下述功能的程序确定用户对从多个问题中选择的问题的回答是否正确；利用用户回答评估功能计算的用户回答正确/错误评估结果，至少计算用户错误回答率；根据用户回答分析功能计算的错误回答率，计算所述多个问题之间的相似度，同时利用计算的相似度，计算所述多个问题中的每一个的评估值；和根据提问条件设定功能计算的评估值，和在预定时段内或在预定数目的问题中的用户正确回答率，从所述多个问题中选择要设定的问题。
8. 一种信息处理设备，包括用户回答评估装置，用于确定用户对从多个问题中选择的问题的回答是否正确； 用户回答分析装置，用于利用所述用户回答评估装置计算的用户回答正确/错误评估结果，至少计算用户错误回答率；提问条件设定装置，用于根据所述用户回答分析装置计算的错误回答率，计算所述多个问题之间的相似度，同时利用计算的相似度，计算所述多个问题中的每一个的评估值；和问题选择装置，用于根据所述提问条件设定装置计算的评估值，和在预定时段内或在预定数目的问题中的用户正确回答率，从所述多个问题中选择要设定的问题。
全文摘要
公开一种信息处理设备，提问倾向设定方法和程序，包括用户回答评估部分，被配置成确定用户对从多个问题中选择的问题的回答是否正确；用户回答分析部件，被配置成利用用户回答评估结果，至少计算用户错误回答率；提问条件设定部件，被配置成根据错误回答率，计算多个问题之间的相似度，同时利用相似度，计算多个问题中的每一个的评估值；和问题选择部分，所述问题选择部分被配置成根据评估值，和在预定时段或在预定数目的问题中的用户正确回答率，从多个问题中选择要设定的问题。
文档编号G09B7/04GK102236984SQ20111010054
公开日2011年11月9日 申请日期2011年4月19日 优先权日2010年4月26日
发明者右田隆仁, 坪井直人, 增田弘之, 金本胜吉 申请人:索尼公司