JP7841897B2 - マッチング装置およびプログラム - Google Patents

Description

本発明はマッチング装置およびプログラムに関する。

プロジェクト型事業を行う企業では、人手不足の解消や自社で保持していない技術の調達のために、他社の人材がパートナとして自社のプロジェクトに一時的に参画することが多い。特に、高いスキルを持つパートナはプロジェクトの中核を担っていることが多く、そのようなパートナと一時的な連携にとどまらず、長期に渡って連携していくことは、経営上の重要な課題である。

パートナとの連携を長期に渡って継続させるためには、特定の部門での利用にとどまらず、部門を越えて全社で連携していくことが求められる。しかし、部門を越えたパートナとの連携は進んでいないのが現状である。これは、部門ごとに求められるスキルや顧客の特徴が異なることから、異なる部門に所属するパートナが自部門のプロジェクトに適合しているかを判断することが難しいためである。

パートナとプロジェクトの適合度を予測するための技術として、特許文献１に、過去のパートナとプロジェクトのマッチング実績から、適合度の計算方法を学習する技術が開示されている。

具体的には、深層ニューラルネットワーク（ＤＮＮ）を用いて、パートナとプロジェクトの属性値から、適合度の計算に有用な特徴量を抽出し、その特徴量にもとづいてパートナとプロジェクトの適合度を計算する。過去のマッチング実績におけるパートナとプロジェクトに対して、ＤＮＮが予測した適合度と実際の適合度が一致するようにパラメータを学習することで、適合度を正確に予測できるようになる。

特許第６３６９０５３号公報

しかしながら、従来の技術では、ある部門に所属するパートナと、異なる部門に所属するプロジェクトとの適合度を正確に予測することは難しいという課題があった。

特許文献１に記載の技術を用いてこれを実現するためには、予測対象と類似の特徴を持つ学習データとして、それぞれ異なる部門に所属するパートナとプロジェクトのマッチング実績が必要となる。しかし、パートナ連携の現状として、そのようなマッチング実績は少なく、十分な量の学習データが得られない。したがって、先行技術では、異なる部門に所属するパートナとプロジェクトの適合度を正確に予測することは難しい。

本発明はこのような課題を解決するためになされたものであり、異なる部門に所属するパートナとプロジェクトの適合度を、より正確に予測できるマッチング装置およびプログラムを提供することを目的とする。

本発明に係るマッチング装置の一例は、
パートナとプロジェクトの適合度を予測するマッチング装置であって、
前記マッチング装置は、学習手段および予測手段を備え、
前記学習手段は、パートナ属性値、プロジェクト属性値、パートナ正解部門、プロジェクト正解部門、および正解適合度に基づいて機械学習処理を行うことにより学習済みモデルを生成し、
前記機械学習処理は、
‐前記パートナ属性値および前記プロジェクト属性値を入力とし、前記正解適合度により近い予測適合度を出力するように学習する、第１学習処理と、
‐前記パートナ属性値および前記プロジェクト属性値を入力とし、どの部門の適合度の予測にも使える共通の予測方法を学習する、第２学習処理と、
を含み、
前記予測手段は、前記学習済みモデルを用いて、パートナに関する情報およびプロジェクトに関する情報に基づいて適合度を予測する。

一例において、前記第１学習処理は、
前記パートナ属性値に基づいてパートナ特徴量を計算する処理と、
前記プロジェクト属性値に基づいてプロジェクト特徴量を計算する処理と、
前記パートナ特徴量および前記プロジェクト特徴量に基づいて前記予測適合度を計算する処理と、
前記正解適合度と前記予測適合度との誤差である適合度誤差がより小さくなるように学習を行う処理と、
を含む。

一例において、前記第２学習処理は、
前記パートナ特徴量に基づいて、パートナが所属するパートナ予測部門を予測する処理と、
前記パートナ予測部門と、前記パートナ正解部門との誤差として、パートナ部門誤差を計算する処理と、
前記パートナ部門誤差がより大きくなるように学習を行う処理と、
を含む。

一例において、前記第２学習処理は、
前記プロジェクト特徴量に基づいて、プロジェクトが所属するプロジェクト予測部門を予測する処理と、
前記プロジェクト予測部門と、前記プロジェクト正解部門との誤差として、プロジェクト部門誤差を計算する処理と、
前記プロジェクト部門誤差がより大きくなるように学習を行う処理と、
を含む。

一例において、前記パートナ特徴量および前記プロジェクト特徴量はベクトルによって表され、
前記機械学習処理は深層ニューラルネットワークを用いて行われる。

一例において、前記予測適合度は、二乗誤差またはコサイン類似度を用いて計算される。

一例において、前記パートナ予測部門は、当該パートナが各部門に属する尤度を表すベクトルによって表され、
前記パートナ正解部門は、当該パートナが当該部門に属する尤度を１とし、当該パートナが他の部門に属する尤度を０とするベクトルによって表され、
前記パートナ部門誤差は、交差エントロピー誤差関数を用いて計算される。

一例において、前記機械学習処理は、
‐前記パートナ属性値を入力とし、前記パートナ特徴量を出力とする第１深層ニューラルネットワークと、
‐前記プロジェクト属性値を入力とし、前記プロジェクト特徴量を出力とする第２深層ニューラルネットワークと、
‐前記パートナ特徴量を入力とし、前記パートナが所属するパートナ予測部門を出力とする第３深層ニューラルネットワークと、
‐前記プロジェクト特徴量を入力とし、前記プロジェクトが所属するプロジェクト予測部門を出力とする第４深層ニューラルネットワークと、
を用いて行われ、
前記第１学習処理において、前記第１深層ニューラルネットワークおよび前記第２深層ニューラルネットワークの学習が行われ、
前記第２学習処理において、前記第１深層ニューラルネットワーク、前記第２深層ニューラルネットワーク、前記第３深層ニューラルネットワークおよび前記第４深層ニューラルネットワークの学習が行われる。

一例において、前記第１学習処理において、
‐前記適合度誤差をより小さくするように前記第１深層ニューラルネットワークのパラメータを更新し、
‐前記適合度誤差をより小さくするように前記第２深層ニューラルネットワークのパラメータを更新し、
前記第２学習処理において、
‐前記パートナ部門誤差をより大きくするように前記第１深層ニューラルネットワークのパラメータを更新し、
‐前記プロジェクト部門誤差をより大きくするように前記第２深層ニューラルネットワークのパラメータを更新し、
‐前記パートナ部門誤差をより小さくするように前記第３深層ニューラルネットワークのパラメータを更新し、
‐前記プロジェクト部門誤差をより小さくするように前記第４深層ニューラルネットワークのパラメータを更新する。

本発明に係るプログラムの一例は、コンピュータを、上述のマッチング装置として機能させる。

本発明によれば、異なる部門に所属するパートナとプロジェクトの適合度を、より正確に予測できる。

本発明の実施形態１に係るマッチング装置１００の機能ブロック図。 マッチング装置１００のハードウェア構成。 マッチング装置１００の動作を示す概略フローチャート。 パートナテーブルＴ１の構成例。 プロジェクトテーブルＴ２の構成例。 マッチング実績テーブルＴ３の構成例。 学習手段１０１による学習処理の概要。 共通特徴量学習処理の効果の概要。 学習手段１０１による計算処理の詳細を説明する数式。 学習手段１０１による計算処理の詳細を説明する図。 学習手段１０１の動作のフローチャート。 学習結果テーブルＴ４の構成例。 予測対象テーブルＴ５の構成例。 予測手段１０２の動作のフローチャート。 予測結果テーブルＴ６の構成例。

まず、本発明の概略を説明する。本明細書では、十分な量の学習データが得られる、同一部門に所属するパートナとプロジェクトのマッチング実績から、部門ごとに固有の特徴を除外し、どの部門の適合度の予測にも使える共通の予測方法を学習することで、異なる部門に所属するパートナとプロジェクトの適合度を正確に予測できるマッチング装置を開示する。

具体的には、特徴量からパートナやプロジェクトが所属する部門を予測できなくなるように学習し、その特徴量に基づいて適合度を予測する。部門を予測できないということは、異なる部門のパートナやプロジェクトも同じ特徴を持っているということであり、どの部門にも共通の特徴であると言える。

以下、本発明の実施形態について、図面を参照しながら詳細に説明する。以下では、本発明の一実施形態を用いて、あるプロジェクトのパートナ調達担当者が、企業内で利用しているパートナ一覧から、そのプロジェクトで利用するパートナを選択する例を示す。

［実施形態１］
図１は、本発明の実施形態１に係るマッチング装置１００の機能ブロック図を示す。マッチング装置１００は、パートナとプロジェクトの適合度を予測する装置である。パートナとはたとえば人材を意味し、プロジェクトとはたとえば企業においてある目的のために編成される人材のグループを意味するが、パートナは企業の人材でなくともよく、また、プロジェクトは企業内のグループでなくともよい。

マッチング装置１００は、学習手段１０１および予測手段１０２を備える。

図２は、マッチング装置１００のハードウェア構成を示す。マッチング装置１００は、公知のコンピュータとしてのハードウェア構成を有し、入力装置１０３、出力装置１０４、演算装置１０５および記憶装置１０６を備える。

入力装置１０３は、キーボード、マウス、ネットワークインタフェース、等を含む。出力装置１０４は、表示装置（ディスプレイ等）、印刷装置（プリンタ等）、ネットワークインタフェース、等を含む。演算装置１０５はたとえばプロセッサを含む。記憶装置１０６は、たとえば半導体メモリ装置および磁気ディスク装置等の記憶媒体を含む。記憶装置１０６は、主記憶装置および補助記憶装置を備えてもよい。

記憶装置１０６は、パートナテーブルＴ１、プロジェクトテーブルＴ２、マッチング実績テーブルＴ３、学習結果テーブルＴ４、予測対象テーブルＴ５および予測結果テーブルＴ６を記憶する。これらのテーブルの内容については後述する。

記憶装置１０６は、図示しないプログラムを記憶してもよい。演算装置１０５がこのプログラムを実行することにより、コンピュータはマッチング装置１００として機能してもよい。すなわち、このプログラムは、コンピュータをマッチング装置１００として機能させるものであってもよい。

図３に、マッチング装置１００の動作を示す概略フローチャートを示す。ステップＳ１において、マッチング装置１００は処理を開始する。ステップＳ２において、マッチング装置１００は、学習モードで動作するか、または、予測モードで動作するかを決定する。この決定は、たとえばユーザである調達担当者からの指示に応じて行われる。

マッチング装置１００が学習モードで動作する場合には、ステップＳ３において、マッチング装置１００の学習手段１０１が、過去のマッチング実績に基づいて、パートナとプロジェクトの適合度の計算方法を学習する。

マッチング装置１００が予測モードで動作する場合には、ステップＳ４において、マッチング装置１００の予測手段１０２が、学習処理で学習した適合度の計算方法に基づいて、ユーザが指定したパートナとプロジェクトの適合度を予測する。なお、ステップＳ４の処理は学習結果テーブルＴ４を用いて行われるが、初期状態では学習結果テーブルＴ４にはデータが格納されていないため、マッチング装置１００は少なくとも一度は学習モード（ステップＳ３）で動作する必要がある。

ステップＳ３の後およびステップＳ４の後は、ステップＳ５において処理が終了する。

＜実施形態１における学習処理＞
以下、ステップＳ３について、より詳細に説明する。ステップＳ３の学習処理では、過去のマッチング実績に基づいて、パートナとプロジェクトの適合度の計算方法を学習する。

学習処理を実行する前に、ユーザは、入力装置１０３を用いて、パートナテーブルＴ１、プロジェクトテーブルＴ２、マッチング実績テーブルＴ３に必要なデータを格納しておく。

図４に、パートナテーブルＴ１の構成例を示す。パートナテーブルＴ１は、パートナに関連する教師パートナ情報を格納する。教師パートナ情報は、パートナに関連する情報であり、図４の例では、パートナを識別する情報（パートナＩＤ）をキーとし、そのパートナが所属する部門、そのパートナのスキルの有無（Ｃ言語のスキルおよびＪａｖａ言語のスキル）、そのパートナの性格（明るいか否か、および、穏やかか否か）、そのパートナの雇用単価、そのパートナの経験年数、等を表す情報を関連付ける。

本実施形態では、教師パートナ情報は、必須の項目として、パートナＩＤおよび部門を表す情報を含む。これら以外の項目は、当業者が適宜変更可能であり、図示する項目以外にも様々な項目を含むことが好ましい。

教師パートナ情報は、学習に適した形式であることが好ましい。本実施形態ではＤＮＮを用いるので、教師パートナ情報はＤＮＮに入力できる数値データであることが好ましい。図４の例では説明の便宜上、「部門」をテキストデータとして表しているが、実際には部門も数値データとして表される。

図４に示す情報のうち、Ｃ言語のスキルの有無、Ｊａｖａ言語のスキルの有無、性格が明るいか否か、性格が穏やかか否か、雇用単価、および経験年数は、パートナに関する属性値を表す。

図５に、プロジェクトテーブルＴ２の構成例を示す。プロジェクトテーブルＴ２は、プロジェクトに関連する教師プロジェクト情報を格納する。教師プロジェクト情報は、プロジェクトに関連する情報であり、図５の例では、プロジェクトを識別する情報（プロジェクトＩＤ）をキーとし、そのプロジェクトが所属する部門、そのプロジェクトにおけるパートナの技術の要否（Ｃ言語の技術およびＪａｖａ言語の技術）、プロジェクトに関連する顧客の特徴（新規顧客または継続顧客）、プロジェクトに関連する社員の性格（明るいか否か、および、穏やかか否か）、等を表す情報を関連付ける。なお「社員」とはパートナを含んでもよいし、パートナか否かに関わらず定義されてもよい。

本実施形態では、教師プロジェクト情報は、必須の項目として、プロジェクトＩＤおよび部門を表す情報を含む。これら以外の項目は、当業者が適宜変更可能であり、図示する項目以外にも様々な項目を含むことが好ましい。

図５に示す情報のうち、Ｃ言語の技術の要否、Ｊａｖａ言語の技術の要否、新規顧客か否か、継続顧客か否か、社員の性格が明るいか否か、および、社員の性格が穏やかか否か、は、プロジェクトに関する属性値を表す。

教師プロジェクト情報は、学習に適した形式であることが好ましい。本実施形態ではＤＮＮを用いるので、教師プロジェクト情報はＤＮＮに入力できる数値データであることが好ましい。図５の例では説明の便宜上、「部門」をテキストデータとして表しているが、実際には部門も数値データとして表される。

図６に、マッチング実績テーブルＴ３の構成例を示す。マッチング実績テーブルＴ３は、現在または過去の各プロジェクトと、そのプロジェクトに所属した各パートナとのペアをキーとし、そのペアについて、プロジェクトとパートナとの適合度（正解適合度）を関連付けて格納する。正解適合度はたとえば０以上１以下の実数で表され、大きいほどプロジェクトとパートナがよく適合していたことを示す。

たとえば図６の１行目は、パートナＩＤ「ＰＴＮ０００１」のパートナが、プロジェクトＩＤ「ＰＲＪ０００１」のプロジェクトに所属したことがあり、これらのペアに対して担当者（たとえばマッチング装置１００のユーザ）が入力した適合度が０．９であったことを意味する。

図７に、学習手段１０１による学習処理の概要を示す。本実施形態の学習手段１０１は、ＤＮＮを用いて、過去のマッチング実績からパートナとプロジェクトの適合度の計算方法を学習する。ＤＮＮに関する処理は、特徴量計算処理、適合度計算処理、適合度誤差計算処理、部門計算処理、部門誤差計算処理、を含む。

図７において、白い正方形はスカラー値を表し、白い正方形が３つ連結された図形はベクトル値を表す。

ＤＮＮの入力は、パートナテーブルＴ１とプロジェクトテーブルＴ２に格納された情報（属性値）である。属性値を直接比較して適合度を予測することは難しいため、特徴量抽出計算処理で、複数の属性値に基づき、適合度の予測に適した形式の情報（特徴量）に変換する。

適合度計算処理では、パートナとプロジェクトの特徴量を比較することで、そのペアの適合度を計算する。適合度誤差計算処理では、適合度計算処理で予測した適合度と、マッチング実績テーブルＴ３に格納された正解適合度との誤差（適合度誤差）を計算する。この誤差を小さくするように特徴抽出計算処理のパラメータを更新することで、学習手段１０１は適合度の計算方法を学習する。

部門計算処理と部門誤差計算処理は、同一部門に所属するパートナとプロジェクトのマッチング実績から、部門ごとに固有の特徴を除外し、どの部門の適合度の予測にも使える共通の予測方法を学習するための処理である。

部門計算処理と部門誤差計算処理を合わせて、「共通特徴量学習処理」と呼ぶことにする。部門計算処理では、パートナとプロジェクトの特徴量から、部門ごとに固有の特徴を抽出することで、それぞれが属する部門を予測する。部門誤差計算処理では、部門計算処理で予測した部門と、パートナテーブルＴ１またはプロジェクトテーブルＴ２に格納された正解の部門との誤差（部門誤差）を計算する。この誤差を大きくするように（特徴量から部門を予測できないように）特徴量計算処理のパラメータを更新することで、部門ごとに固有の特徴が除外された特徴量が学習される。その結果、どの部門の適合度の計算にも使える共通の特徴量が学習され、異なる部門のパートナとプロジェクトの適合度を正確に予測できるようになる。また、各学習の段階における特徴量から部門ごとに固有の特徴を抽出するために、部門計算処理についてもパラメータを逐次更新する。具体的には、部門誤差を小さくするようにパラメータを更新する。

図８を用いて、共通特徴量学習処理の効果の概要を説明する。図８において、白い人形およびハッチングが付された人形は、それぞれ異なる部門に属するパートナを表す。

図８（ａ）は、共通特徴量学習処理を適用しない場合の概念図である。一般的には、マッチング実績テーブルＴ３に含まれるペアデータのほとんどが、同一部門に属するパートナとプロジェクトのペアであることが多い。このため、各部門のペアの適合度のみを正確に予測できるような、各部門で異なる分布の特徴量が学習されてしまう。

図８（ｂ）は、共通特徴量学習処理を適用した場合の概念図である。特徴量から部門を予測できなくなるように特徴量を学習することで、特徴量から部門ごとに固有の特徴が除外され、部門ごとの特徴量の分布が重なる（互いに類似した値となる）ようになる。この場合、特徴量空間において、ある部門のパートナの特徴量の近くには、異なる部門のパートナの特徴量も配置されているため、複数の部門に共通する特徴量が抽出されていると言える。

以下、学習手段１０１による学習処理について説明する。学習手段１０１は、４つのＤＮＮを用い、パートナ属性値、プロジェクト属性値、パートナ正解部門、プロジェクト正解部門、および正解適合度に基づいて機械学習処理を行うことにより、学習済みモデルを生成する。なお、本実施形態では４つのＤＮＮを用いているが、ＤＮＮの数は当業者が適宜変更可能である。例えば、部門ごとに得られるパートナまたはプロジェクトの属性値が異なる場合には、特徴量計算処理のＤＮＮを部門ごとに作成してもよい。

図９に示す数式および図１０に示す図を用いて、学習手段１０１による計算処理の詳細を説明する。以下では、パートナをｉ∈Ｓ_ｐｔｎで表し、プロジェクトをｊ∈Ｓ_ｐｒｊで表す。Ｓ_ｐｔｎはパートナの集合であり、Ｓ_ｐｒｊはプロジェクトの集合である。ｔ∈｛ｐｔｎ，ｐｒｊ｝は、パートナ（ｐｔｎ）またはプロジェクト（ｐｒｊ）を表す添字である。

パートナｉの属性値をｘ_ｉ（パートナの属性値の要素数に等しい次元のベクトル）で表し、プロジェクトｊの属性値をｘ_ｊ（プロジェクトの属性値の要素数に等しい次元のベクトル）で表す。

学習手段１０１は、パートナ特徴量計算ＤＮＮ２０１（第１深層ニューラルネットワーク）、プロジェクト特徴量計算ＤＮＮ２０２（第２深層ニューラルネットワーク）、パートナ部門計算ＤＮＮ２０３（第３深層ニューラルネットワーク）およびプロジェクト部門計算ＤＮＮ２０４（第４深層ニューラルネットワーク）を備える。パートナ特徴量計算ＤＮＮ２０１およびプロジェクト特徴量計算ＤＮＮ２０２は全結合のＤＮＮであり、ｎ∈｛１，…，Ｎ｝は層番号を表し、Ｎは層数である。パートナ部門計算ＤＮＮ２０３およびプロジェクト部門計算ＤＮＮ２０４は全結合のＤＮＮであり、ｍ∈｛１，…，Ｍ｝は層番号を表し、Ｍは層数である。

特徴量計算処理では、パートナ特徴量計算ＤＮＮ２０１が、式（１）（２）を用いて、パートナｉの属性値ｘ_ｉに基づいてパートナ特徴量ｙ_ｉ ^Ｎを計算する。ｙ_ｉ ^Ｎはパートナ特徴量の要素数に等しい次元のベクトルである。Ａ_ｐｔｎはパートナ特徴量計算ＤＮＮ２０１のニューロン間接続の重み付け係数であり、Ａ_ｐｔｎ ^０は［パートナ特徴量の要素数］次元×［パートナ属性値の要素数］次元の行列であり、Ａ_ｐｔｎ ^ｎは［パートナ特徴量の要素数］次元×［パートナ特徴量の要素数］次元の行列である。ａ_ｐｔｎ（すなわちａ_ｐｔｎ ^０とａ_ｐｔｎ ^ｎ）は各層のバイアスであり、パートナ特徴量の要素数に等しい次元のベクトルである。ＬｅａｋｙＲｅＬＵは漏洩正規化線形ユニットである。

式（２）を各層について計算することにより、出力として適合度の予測に用いるパートナ特徴量ｙ_ｉ ^Ｎが計算される。このように、パートナ特徴量計算ＤＮＮ２０１は、パートナｉの属性値ｘ_ｉを入力とし、パートナ特徴量ｙ_ｉ ^Ｎを出力とする。

同様に、式（１）（２）の添字ｉをｊに変更した数式を用いて、プロジェクト特徴量計算ＤＮＮ２０２が、プロジェクトｊの属性値ｘ_ｊに基づいてプロジェクト特徴量ｙ_ｊ ^Ｎを計算する。ｙ_ｊ ^Ｎはプロジェクト特徴量の要素数に等しい次元のベクトルである。Ａ_ｐｒｊはプロジェクト特徴量計算ＤＮＮ２０２のニューロン間接続の重み付け係数であり、Ａ_ｐｒｊ ^０は［プロジェクト特徴量の要素数］次元×［プロジェクト属性値の要素数］次元の行列であり、Ａ_ｐｒｊ ^ｎは［プロジェクト特徴量の要素数］次元×［プロジェクト特徴量の要素数］次元の行列である。ａ_ｐｒｊ（すなわちａ_ｐｒｊ ^０とａ_ｐｒｊ ^ｎ）は各層のバイアスであり、プロジェクト特徴量の要素数に等しい次元のベクトルである。

式（２）を各層について計算することにより、出力として適合度の予測に用いるプロジェクト特徴量ｙ_ｊ ^Ｎが計算される。このように、プロジェクト特徴量計算ＤＮＮ２０２は、プロジェクトｊの属性値ｘ_ｊを入力とし、プロジェクト特徴量ｙ_ｊ ^Ｎを出力とする。

各特徴量の要素数および各ＤＮＮの層数は、外部から任意に変更できるように構成することが好ましい。

適合度計算処理では、学習手段１０１が、式（３）を用いて、パートナｉとプロジェクトｊの特徴量のペア（ｙ_ｉ ^Ｎ，ｙ_ｊ ^Ｎ）から、そのペアの予測される適合度として、予測適合度ｐ_ｉｊを計算する。予測適合度ｐ_ｉｊは実数（スカラー値）である。ＭＳＥは二乗誤差関数であり、ｔａｎｈは双曲線関数である。予測適合度ｐ_ｉｊは０以上１以下の値として計算され、１は適合度が高いことを意味し、０は適合度が低いことを意味する。

なお、本実施形態では、予測適合度ｐ_ｉｊは二乗誤差を用いて計算されるが、（ｙ_ｉ ^Ｎ，ｙ_ｊ ^Ｎ）の間のコサイン類似度を用いて計算されてもよく、他の計算方法を用いてもよい。

適合度誤差計算処理では、学習手段１０１が、式（４）を用いて、予測適合度ｐ_ｉｊと、マッチング実績テーブルＴ３に格納される正解適合度＾ｐ_ｉｊとの誤差として、適合度誤差ｅ_ｉｊ ^ｅｖｌを計算する。なお表記の都合上、ハット記号＾をｐの左に付記しているが、ハット記号＾は正しくは式（４）に示すようにｐの上に付される。以下同じである。

適合度誤差ｅ_ｉｊ ^ｅｖｌは実数（スカラー値）である。適合度誤差ｅ_ｉｊ ^ｅｖｌが小さくなるようにパートナ特徴量計算ＤＮＮ２０１およびプロジェクト特徴量計算ＤＮＮ２０２のパラメータを更新することにより、予測適合度ｐ_ｉｊを計算するための計算方法が、各ＤＮＮのパラメータとして学習されることになる。

このように、学習手段１０１による機械学習処理は、パートナ属性値およびプロジェクト属性値を入力とし、正解適合度により近い予測適合度を出力するように学習する処理（第１学習処理）を含む。より具体的には、第１学習処理は、以下の処理を含む：
‐パートナｉの属性値ｘ_ｉに基づいてパートナ特徴量ｙ_ｉ ^Ｎを計算する処理、
‐プロジェクトｊの属性値ｘ_ｊに基づいてプロジェクト特徴量ｙ_ｊ ^Ｎを計算する処理、
‐パートナ特徴量ｙ_ｉ ^Ｎおよびプロジェクト特徴量ｙ_ｊ ^Ｎに基づいて予測適合度ｐ_ｉｊを計算する処理、
‐マッチング実績テーブルＴ３に格納される正解適合度＾ｐ_ｉｊと、予測適合度ｐ_ｉｊとの誤差である適合度誤差ｅ_ｉｊ ^ｅｖｌがより小さくなるように、パートナ特徴量計算ＤＮＮ２０１およびプロジェクト特徴量計算ＤＮＮ２０２の学習を行う処理。

本実施形態では、この第１学習処理において、パートナ特徴量計算ＤＮＮ２０１およびプロジェクト特徴量計算ＤＮＮ２０２の学習が行われるが、パートナ部門計算ＤＮＮ２０３およびプロジェクト部門計算ＤＮＮ２０４の学習は行われない。（なお、変形例において、パートナ部門計算ＤＮＮ２０３およびプロジェクト部門計算ＤＮＮ２０４についても学習を行ってもよい。）

部門計算処理では、パートナ部門計算ＤＮＮ２０３が、式（５）～（８）を用いて、パートナ特徴量ｙ_ｉ ^Ｎに基づいてパートナ予測部門ｑ_ｉを計算する。ｑ_ｉは部門の数に等しい次元のベクトルであり、各要素は、パートナｉが各部門に属する確率または尤度を表す。Ｂ_ｐｔｎはパートナ部門計算ＤＮＮ２０３のニューロン間接続の重み付け係数であり、Ｂ_ｐｔｎ ^ｍは［パートナ特徴量の要素数］次元×［パートナ特徴量の要素数］次元の行列であり、Ｂ_ｐｔｎ ^Ｍ＋１は［部門数］次元×［パートナ特徴量の要素数］次元の行列である。ｂ_ｐｔｎは各層のバイアスであり、とくにｂ_ｐｔｎ ^ｍはパートナ特徴量の要素数に等しい次元のベクトルであり、ｂ_ｐｔｎ ^Ｍ＋１は部門数に等しい次元のベクトルである。Ｓｏｆｔｍａｘはソフトマックス関数を表す。

このように、パートナ部門計算ＤＮＮ２０３は、パートナ特徴量ｙ_ｉ ^Ｎを入力とし、パートナ予測部門ｑ_ｉを出力とする。

同様に、式（５）～（８）の添字ｉをｊに変更した数式を用いて、プロジェクト部門計算ＤＮＮ２０４が、プロジェクト特徴量ｙ_ｊ ^Ｎに基づいてプロジェクト予測部門ｑ_ｊを計算する。ｑ_ｊは部門の数に等しい次元のベクトルであり、各要素は、プロジェクトｊが各部門に属する確率または尤度を表す。Ｂ_ｐｒｊはプロジェクト部門計算ＤＮＮ２０４のニューロン間接続の重み付け係数であり、Ｂ_ｐｒｊ ^ｍは［プロジェクト特徴量の要素数］次元×［プロジェクト特徴量の要素数］次元の行列であり、Ｂ_ｐｒｊ ^Ｍ＋１は［部門数］次元×［プロジェクト特徴量の要素数］次元の行列である。ｂ_ｐｒｊは各層のバイアスであり、とくにｂ_ｐｒｊ ^ｍはプロジェクト特徴量の要素数に等しい次元のベクトルであり、ｂ_ｐｒｊ ^Ｍ＋１は部門数に等しい次元のベクトルである。

このように、プロジェクト部門計算ＤＮＮ２０４は、プロジェクト特徴量ｙ_ｊ ^Ｎを入力とし、プロジェクト予測部門ｑ_ｊを出力とする。

部門誤差計算処理では、学習手段１０１が、式（９）を用いて、パートナｉについて予測された部門（パートナ予測部門ｑ_ｉ）と、正解の部門（パートナ正解部門＾ｑ_ｉ）との誤差として、パートナ部門誤差ｅ_ｉ ^ｄｐｔを計算する。パートナ正解部門＾ｑ_ｉは、パートナｉが所属する部門を表すワンホットベクトル（パートナｉが当該部門に属する確率または尤度を１とし、パートナｉが他の部門に属する確率または尤度を０とするベクトル）である。ＣｒｏｓｓＥｎｔｒｏｐｙは交差エントロピー誤差関数を表す。

同様に、学習手段１０１は、式（９）の添字ｉをｊに変更した数式を用いて、プロジェクトｊについて予測された部門（プロジェクト予測部門ｑ_ｊ）と、正解の部門（プロジェクト正解部門＾ｑ_ｊ）との誤差として、プロジェクト部門誤差ｅ_ｊ ^ｄｐｔを計算する。プロジェクト正解部門＾ｑ_ｊは、プロジェクトｊが所属する部門を表すワンホットベクトル（プロジェクトｊが当該部門に属する確率または尤度を１とし、プロジェクトｊが他の部門に属する確率または尤度を０とするベクトル）である。

学習手段１０１は、パートナ部門誤差ｅ_ｉ ^ｄｐｔおよびプロジェクト部門誤差ｅ_ｊ ^ｄｐｔを大きくするように、パートナ特徴量計算ＤＮＮ２０１およびプロジェクト特徴量計算ＤＮＮ２０２のパラメータを更新する。このような学習処理により、部門間に共通の特徴量のみを効率的に学習することができる。
また、学習手段１０１は、パートナ部門誤差ｅ_ｉ ^ｄｐｔおよびプロジェクト部門誤差ｅ_ｊ ^ｄｐｔを小さくするように、パートナ部門計算ＤＮＮ２０３およびプロジェクト部門計算ＤＮＮ２０４のパラメータを更新する。このような学習処理により、パートナ部門計算ＤＮＮ２０３およびプロジェクト部門計算ＤＮＮ２０４は、各学習の段階における特徴量から部門ごとに固有の特徴を抽出できるようになる。

なお、上述のように、パートナ特徴量計算ＤＮＮ２０１は、適合度誤差ｅ_ｉｊ ^ｅｖｌが小さくなるような学習と、パートナ部門誤差ｅ_ｉ ^ｄｐｔが大きくなるような学習との、２種類の学習処理において更新される。同様に、プロジェクト特徴量計算ＤＮＮ２０２は、適合度誤差ｅ_ｉｊ ^ｅｖｌが小さくなるような学習と、プロジェクト部門誤差ｅ_ｊ ^ｄｐｔが大きくなるような学習との、２種類の学習処理において更新される。このため、適合度に関する学習と部門に関する学習との影響度を調整するために、式（９）に示すように、部門誤差の計算には重みｗ（実数）が乗算される。

このように、学習手段１０１による機械学習処理は、パートナ属性値およびプロジェクト属性値を入力とし、パートナが所属する部門およびプロジェクトが所属する部門の間の予測をより困難にする処理（第２学習処理）を含む。より具体的には、第２学習処理は、以下の処理を含む：
‐パートナ特徴量ｙ_ｉ ^Ｎに基づいて、パートナｉが所属するパートナ予測部門ｑ_ｉを予測する処理、
‐パートナ予測部門ｑ_ｉと、パートナ正解部門＾ｑ_ｉとの誤差として、パートナ部門誤差ｅ_ｉ ^ｄｐｔを計算する処理、
‐パートナ部門誤差ｅ_ｉ ^ｄｐｔがより大きくなるように、パートナ特徴量計算ＤＮＮ２０１の学習を行う処理、
‐パートナ部門誤差ｅ_ｉ ^ｄｐｔがより小さくなるように、パートナ部門計算ＤＮＮ２０３の学習を行う処理、
‐プロジェクト特徴量ｙ_ｊ ^Ｎに基づいて、プロジェクトｊが所属するプロジェクト予測部門ｑ_ｊを予測する処理、
‐プロジェクト予測部門ｑ_ｊと、プロジェクト正解部門＾ｑ_ｊとの誤差として、プロジェクト部門誤差ｅ_ｊ ^ｄｐｔを計算する処理、
‐プロジェクト部門誤差ｅ_ｊ ^ｄｐｔがより大きくなるように、プロジェクト特徴量計算ＤＮＮ２０２の学習を行う処理、
‐プロジェクト部門誤差ｅ_ｊ ^ｄｐｔがより小さくなるように、プロジェクト部門計算ＤＮＮ２０４の学習を行う処理。

本実施形態では、この第２学習処理において、パートナ特徴量ｙ_ｉ ^Ｎおよびプロジェクト特徴量ｙ_ｊ ^Ｎの計算方法について、部門ごとに固有の特徴を除外し、どの部門の適合度の予測にも使える共通の予測方法を学習することができる。これによって、異なる部門に所属するパートナとプロジェクトの適合度を、より正確に予測できるような学習が行われる。

図１１に、学習手段１０１の動作のフローチャートを示す。このフローチャートは、図３のステップＳ３の詳細を表す。

ステップＳ１１において、学習手段１０１が処理を開始する。次に、ステップＳ１２において、学習手段１０１は、マッチング実績テーブルＴ３から、パートナとプロジェクトのペアと、そのペアの適合度（正解適合度＾ｐ_ｉｊ）を取得する。

次に、ステップＳ１３において、学習手段１０１はパートナテーブルＴ１およびプロジェクトテーブルＴ２から、パートナの属性値ｘ_ｉおよびプロジェクトの属性値ｘ_ｊを取得する。また、それぞれが所属する部門（正解部門）として、パートナ正解部門＾ｑ_ｉおよびプロジェクト正解部門＾ｑ_ｊを取得する。これらの正解部門はワンホットベクトルに加工される。

次に、ステップＳ１４において、学習手段１０１は、各ＤＮＮのパラメータを初期化する。たとえばすべてのパラメータの初期値を、－１以上１以下の一様乱数を用いて決定してもよいが、この方法に限らない。

次に、学習手段１０１は、ステップＳ１５～Ｓ２３の処理を所定回数だけ繰り返す。繰り返しの回数は、マッチング装置１００のユーザが入力または変更できるように構成することが好ましい。ステップＳ１５において、学習手段１０１は繰り返し単位を開始する。

ステップＳ１６において、学習手段１０１は、ステップＳ１３で取得したパートナの属性値ｘ_ｉおよびプロジェクトの属性値ｘ_ｊに基づき、パートナ特徴量ｙ_ｉ ^Ｎおよびプロジェクト特徴量ｙ_ｊ ^Ｎを計算する。

次に、ステップＳ１７において、学習手段１０１は、ステップＳ１６において計算されたパートナ特徴量ｙ_ｉ ^Ｎおよびプロジェクト特徴量ｙ_ｊ ^Ｎに基づき、そのペア（ｉ，ｊ）について予測適合度ｐ_ｉｊを計算する。

次に、ステップＳ１８において、学習手段１０１は、適合度誤差計算処理を用いて、ステップＳ１７で計算した予測適合度ｐ_ｉｊと、ステップＳ１２で取得した正解適合度＾ｐ_ｉｊから、適合度誤差ｅ_ｉｊ ^ｅｖｌを計算する。

次に、ステップＳ１９において、学習手段１０１は、部門予測処理を用いて、ステップＳ１６において計算されたパートナ特徴量ｙ_ｉ ^Ｎおよびプロジェクト特徴量ｙ_ｊ ^Ｎに基づき、パートナ予測部門ｑ_ｉおよびプロジェクト予測部門ｑ_ｊを計算する。

次に、ステップＳ２０において、学習手段１０１は、部門誤差計算処理を用いて、ステップＳ１９で計算したパートナ予測部門ｑ_ｉおよびプロジェクト予測部門ｑ_ｊと、ステップＳ１３で取得したパートナ正解部門＾ｑ_ｉおよびプロジェクト正解部門＾ｑ_ｊとに基づき、パートナ部門誤差ｅ_ｉ ^ｄｐｔおよびプロジェクト部門誤差ｅ_ｊ ^ｄｐｔを計算する。

次に、ステップＳ２１において、学習手段１０１は、ステップＳ１８で計算した適合度誤差ｅ_ｉｊ ^ｅｖｌと、ステップＳ２０で計算したパートナ部門誤差ｅ_ｉ ^ｄｐｔおよびプロジェクト部門誤差ｅ_ｊ ^ｄｐｔとに基づき、各ＤＮＮのパラメータの勾配を計算する。勾配の計算には、たとえば誤差逆伝播法を用いることができるが、これに限らない。

次に、ステップＳ２２において、学習手段１０１は、各ＤＮＮのパラメータを以下のように更新する。
‐パートナ特徴量計算ＤＮＮ２０１：適合度誤差ｅ_ｉｊ ^ｅｖｌを最小化、パートナ部門誤差ｅ_ｉ ^ｄｐｔを最大化
‐プロジェクト特徴量計算ＤＮＮ２０２：適合度誤差ｅ_ｉｊ ^ｅｖｌを最小化、プロジェクト部門誤差ｅ_ｊ ^ｄｐｔを最大化
‐パートナ部門計算ＤＮＮ２０３：パートナ部門誤差ｅ_ｉ ^ｄｐｔを最小化
‐プロジェクト部門計算ＤＮＮ２０４：プロジェクト部門誤差ｅ_ｊ ^ｄｐｔを最小化

なお、Ｓ２２におけるパラメータの具体的な更新差分の計算には、Ａｄａｍ等の規則を用いることができる。

次に、ステップＳ２３において、学習手段１０１は繰り返し単位を終了する。繰り返し単位として、パートナとプロジェクトのペアが１つ処理されるたびにパラメータを更新するようにしてもよいし、パートナとプロジェクトのペアが所定数処理されるたびにパラメータを更新するようにしてもよいし、他の基準に基づいてパラメータの更新タイミングを決定してもよい。

ステップＳ１５～Ｓ２３の繰り返し処理が終了した時点で、機械学習処理が完了し、各ＤＮＮは学習済みモデルとして生成される。次に、ステップＳ２４において、学習手段１０１は、ステップＳ１５～Ｓ２３において学習が行われた結果のパラメータを、学習結果テーブルＴ４に格納する。次に、ステップＳ２５において、学習手段１０１は処理を終了する。

図１２に、学習結果テーブルＴ４の構成例を示す。この例はパートナ特徴量計算ＤＮＮ２０１を定義するパラメータの一部を示す。パラメータ名「Ａ_ｐｔｎ ^０」によって特定される行列について、その行列の各要素を特定する行番号と列番号とのペアが定義され、各ペアについて数値が格納される。パートナ特徴量計算ＤＮＮ２０１の他のパラメータについても、他のＤＮＮについても、同様の形式で表現可能である。

＜実施形態１における予測処理＞
以下、図３のステップＳ４について、より詳細に説明する。ステップＳ４の予測処理では、ステップＳ３の学習処理で学習した適合度の計算方法に基づいて、ユーザが指定したパートナとプロジェクトの適合度を予測する。

マッチング装置１００のユーザは、ステップＳ４が実行される前に、入力装置１０３を用いて予測対象テーブルＴ５を生成しておく。

図１３に、予測対象テーブルＴ５の構成例を示す。予測対象テーブルＴ５には、適合度を予測したいパートナとプロジェクトのペアが格納される。具体例として、パートナＩＤとプロジェクトＩＤがキーとなる。

ここで、特定のプロジェクトで利用するパートナを探している場合には、すべてのパートナと、その特定のプロジェクトとのペアを入力すればよい。同様に、特定のパートナに対して、推薦するプロジェクトを探したい場合には、すべてのプロジェクトと、その特定のパートナとのペアを入力すればよい。図１３では、プロジェクトＰＲＪ１００１で利用するパートナを探している場面を想定し、プロジェクトＰＲＪ１００１とすべてのパートナとのペアが入力されている。

図１４に、予測手段１０２の動作のフローチャートを示す。このフローチャートは、図３のステップＳ４の詳細を表す。

ステップＳ３１において、予測手段１０２は処理を開始する。次に、ステップＳ３２において、予測手段１０２は、予測対象テーブルＴ５から、予測対象となるパートナとプロジェクトのペアを取得する。

次に、ステップＳ３３において、予測手段１０２は、ステップＳ３２で取得したパートナとプロジェクトについて、属性値を取得する。属性値は、たとえばパートナテーブルＴ１およびプロジェクトテーブルＴ２から取得することができるが、他の情報源から取得してもよい（すなわち教師パートナ情報および教師プロジェクト情報とは異なる情報であってもよい）。

次に、ステップＳ３４において、予測手段１０２は、学習結果テーブルＴ４から、各ＤＮＮのパラメータを取得して各ＤＮＮに設定することにより、各ＤＮＮを学習済みモデルとして再現する。

次に、ステップＳ３５において、予測手段１０２は、特徴量計算処理を用いて、ステップＳ３３で取得したパートナの属性値およびプロジェクトの属性値から、パートナ特徴量およびプロジェクト特徴量を計算する。この計算はパートナ特徴量計算ＤＮＮ２０１およびプロジェクト特徴量計算ＤＮＮ２０２によって行われる。

次に、ステップＳ３６において、予測手段１０２は、適合度計算処理を用いて、ステップＳ３５で計算したパートナ特徴量およびプロジェクト特徴量から、ペアの適合度を計算する。

次に、ステップＳ３７において、予測手段１０２は、ステップＳ３６で計算した適合度を、予測結果テーブルＴ６に書き込む。次に、ステップＳ３８において、予測手段１０２は処理を終了する。

図１５に、予測結果テーブルＴ６の構成例を示す。予測結果テーブルＴ６には、ステップＳ３２で取得されたすべてのペアをキーとし、各ペアについて、ステップＳ３６において計算された適合度を関連付けて格納する。たとえば図１５の１行目は、パートナＰＴＮ０００１とプロジェクトＰＲＪ１００１との適合度が０．２３４であることを示す。

マッチング装置１００のユーザ（たとえば調達担当者）は、予測結果テーブルＴ６に格納されたパートナとプロジェクトの適合度をもとに、プロジェクトで利用するパートナを選択することができる。たとえば、各プロジェクトについて、適合度が最も高いパートナを選択することができる。

ここで、上述のように各ＤＮＮのパラメータは部門に依存しない共通の予測方法を学習しているため、異なる部門に所属するパートナとプロジェクトが入力された場合でも、それらの適合度をより正確に予測することができる。

１００…マッチング装置
１０１…学習手段
１０２…予測手段
１０３…入力装置
１０４…出力装置
１０５…演算装置
１０６…記憶装置
Ｔ１…パートナテーブル
Ｔ２…プロジェクトテーブル
Ｔ３…マッチング実績テーブル
Ｔ４…学習結果テーブル
Ｔ５…予測対象テーブル
Ｔ６…予測結果テーブル
２０１…パートナ特徴量計算ＤＮＮ（第１深層ニューラルネットワーク）
２０２…プロジェクト特徴量計算ＤＮＮ（第２深層ニューラルネットワーク）
２０３…パートナ部門計算ＤＮＮ（第３深層ニューラルネットワーク）
２０４…プロジェクト部門計算ＤＮＮ（第４深層ニューラルネットワーク）

Claims (7)

1. パートナとプロジェクトの適合度を予測するマッチング装置であって、
   前記マッチング装置は、学習手段および予測手段を備え、
   前記学習手段は、パートナ属性値、プロジェクト属性値、パートナ正解部門、プロジェクト正解部門、および正解適合度に基づいて機械学習処理を行うことにより学習済みモデルを生成し、
   前記機械学習処理は、
   ‐前記パートナ属性値および前記プロジェクト属性値を入力とし、前記正解適合度により近い予測適合度を出力するように学習する、第１学習処理と、
   ‐前記パートナ属性値および前記プロジェクト属性値を入力とし、どの部門の適合度の予測にも使える共通の予測方法を学習する、第２学習処理と、
   を含み、
   前記予測手段は、前記学習済みモデルを用いて、パートナに関する情報およびプロジェクトに関する情報に基づいて適合度を予測し、
   前記第１学習処理は、
   前記パートナ属性値に基づいてパートナ特徴量を計算する処理と、
   前記プロジェクト属性値に基づいてプロジェクト特徴量を計算する処理と、
   前記パートナ特徴量および前記プロジェクト特徴量に基づいて前記予測適合度を計算する処理と、
   前記正解適合度と前記予測適合度との誤差である適合度誤差がより小さくなるように学習を行う処理と、
   を含み、
   前記第２学習処理は、
   前記パートナ特徴量に基づいて、パートナが所属するパートナ予測部門を予測する処理と、
   前記パートナ予測部門と、前記パートナ正解部門との誤差として、パートナ部門誤差を計算する処理と、
   前記パートナ部門誤差がより大きくなるように学習を行う処理と、
   を含み、
   前記第２学習処理は、
   前記プロジェクト特徴量に基づいて、プロジェクトが所属するプロジェクト予測部門を予測する処理と、
   前記プロジェクト予測部門と、前記プロジェクト正解部門との誤差として、プロジェクト部門誤差を計算する処理と、
   前記プロジェクト部門誤差がより大きくなるように学習を行う処理と、
   を含む、
   マッチング装置。
2. 請求項１に記載のマッチング装置であって、
   前記パートナ特徴量および前記プロジェクト特徴量はベクトルによって表され、
   前記機械学習処理は深層ニューラルネットワークを用いて行われる、
   マッチング装置。
3. 請求項１に記載のマッチング装置であって、
   前記予測適合度は、二乗誤差またはコサイン類似度を用いて計算される、
   マッチング装置。
4. 請求項１に記載のマッチング装置であって、
   前記パートナ予測部門は、当該パートナが各部門に属する尤度を表すベクトルによって表され、
   前記パートナ正解部門は、当該パートナが当該部門に属する尤度を１とし、当該パートナが他の部門に属する尤度を０とするベクトルによって表され、
   前記パートナ部門誤差は、交差エントロピー誤差関数を用いて計算される、
   マッチング装置。
5. 請求項２に記載のマッチング装置であって、
   前記機械学習処理は、
   ‐前記パートナ属性値を入力とし、前記パートナ特徴量を出力とする第１深層ニューラルネットワークと、
   ‐前記プロジェクト属性値を入力とし、前記プロジェクト特徴量を出力とする第２深層ニューラルネットワークと、
   ‐前記パートナ特徴量を入力とし、前記パートナが所属するパートナ予測部門を出力とする第３深層ニューラルネットワークと、
   ‐前記プロジェクト特徴量を入力とし、前記プロジェクトが所属するプロジェクト予測部門を出力とする第４深層ニューラルネットワークと、
   を用いて行われ、
   前記第１学習処理において、前記第１深層ニューラルネットワークおよび前記第２深層ニューラルネットワークの学習が行われ、
   前記第２学習処理において、前記第１深層ニューラルネットワーク、前記第２深層ニューラルネットワーク、前記第３深層ニューラルネットワークおよび前記第４深層ニューラルネットワークの学習が行われる、
   マッチング装置。
6. 請求項５に記載のマッチング装置であって、
   前記第１学習処理において、
   ‐前記適合度誤差をより小さくするように前記第１深層ニューラルネットワークのパラメータを更新し、
   ‐前記適合度誤差をより小さくするように前記第２深層ニューラルネットワークのパラメータを更新し、
   前記第２学習処理において、
   ‐前記パートナ部門誤差をより大きくするように前記第１深層ニューラルネットワークのパラメータを更新し、
   ‐前記プロジェクト部門誤差をより大きくするように前記第２深層ニューラルネットワークのパラメータを更新し、
   ‐前記パートナ部門誤差をより小さくするように前記第３深層ニューラルネットワークのパラメータを更新し、
   ‐前記プロジェクト部門誤差をより小さくするように前記第４深層ニューラルネットワークのパラメータを更新する、
   マッチング装置。
7. コンピュータを、請求項１～６のいずれか一項に記載のマッチング装置として機能させるプログラム。