図面 (/)

技術 記事解析装置、および、記事解析方法

出願人 株式会社日立産業制御ソリューションズ
発明者 加藤健吉北村慎吾花岡駿介
出願日 2018年9月21日 (2年7ヶ月経過) 出願番号 2018-177743
公開日 2020年3月26日 (1年1ヶ月経過) 公開番号 2020-047229
状態 特許登録済
技術分野 検索装置
主要キーワード 計算単位 改善案 試作段階 スコア合計 予想データ 機械認識 広告記事 視覚モデル
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年3月26日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (8)

課題

過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすること。

解決手段

記事解析装置1は、過去記事データ11の文字データ101として取得された各単語の出現頻度集計した結果を、文字特徴データとして特徴DB13に記憶する機械学習部21と、入力された予測記事データ12の文字データ201として取得された各単語について、文字特徴データの単語との類似度が高いほど、かつ、文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、予測記事データ12の各単語について、スコアが高い文字特徴データの単語を書き換え候補として、予測記事データ12の単語の書き換えを促す旨を提示する改善計算部23と、を有する。

概要

背景

近年、深層学習(Deep Learning)を活用することによる、人工知能AI:Artificial Intelligence)の発展が注目されている。ネットワーク技術の進歩により大量のデータを効率的に収集できるようになったため、そのデータから何らかの知見を機械学習させることで、人間と同等の作業をさせる計算モデル構築に期待がかかる。

人工知能の主要な適用分野として、画像データを入力データとして、その画像データをいずれかのカテゴリ分類する画像認識処理が挙げられる。例えば、非特許文献1には、人間がどのようにして芸術的な画像を視覚的に知覚するかを示す視覚モデルを、ディープニューラルネットワークとしてモデル化する試みが記載されている。ディープニューラルネットワークは、視覚情報を階層的に処理する小さな計算単位の層により構成される畳み込みニューラルネットワークである。

概要

過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすること。記事解析装置1は、過去記事データ11の文字データ101として取得された各単語の出現頻度集計した結果を、文字特徴データとして特徴DB13に記憶する機械学習部21と、入力された予測記事データ12の文字データ201として取得された各単語について、文字特徴データの単語との類似度が高いほど、かつ、文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、予測記事データ12の各単語について、スコアが高い文字特徴データの単語を書き換え候補として、予測記事データ12の単語の書き換えを促す旨を提示する改善計算部23と、を有する。

目的

本発明は、過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすることを、主な課題とする

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

過去記事データ文字データとして取得された各単語の出現頻度集計した結果を、文字特徴データとして記憶部に記憶する機械学習部と、入力された予測記事データの文字データとして取得された各単語について、前記文特徴データの単語との類似度が高いほど、かつ、前記文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、前記予測記事データの各単語について、前記スコアが高い前記文字特徴データの単語を書き換え候補として、前記予測記事データの単語の書き換えを促す旨を提示する改善計算部と、を有することを特徴とする記事解析装置

請求項2

前記機械学習部は、前記過去記事データの前記文字特徴データに加えて、前記過去記事データの画像データから取得した画像特徴データも記憶部に記憶した上で、前記過去記事データの文字データおよび画像データの入力を受け付ける第1層と、前記文字特徴データおよび前記画像特徴データに対応する第2層と、前記第2層の前記文字特徴データおよび前記画像特徴データを結合し、前記過去記事データごとの評価点を出力する第3層と、を入力側から順に接続したニューラルネットワークを形成し、前記記事解析装置は、さらに、前記予測記事データの文字データおよび画像データを前記ニューラルネットワークの前記第1層に入力することで、前記第3層から出力された前記予測記事データの評価点を前記予測記事データの効果の予想データとして提示する効果予想部を有することを特徴とする請求項1に記載の記事解析装置。

請求項3

前記機械学習部は、前記過去記事データごとの評価点として、社会的ネットワークサービス投稿された前記過去記事データに対する読者からの反応数を用いることを特徴とする請求項2に記載の記事解析装置。

請求項4

記事解析装置は、機械学習部と、改善計算部と、を有しており、前記機械学習部は、過去記事データの文字データとして取得された各単語の出現頻度を集計した結果を、文字特徴データとして記憶部に記憶し、前記改善計算部は、入力された予測記事データの文字データとして取得された各単語について、前記文字特徴データの単語との類似度が高いほど、かつ、前記文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、前記予測記事データの各単語について、前記スコアが高い前記文字特徴データの単語を書き換え候補として、前記予測記事データの単語の書き換えを促す旨を提示することを特徴とする記事解析方法

技術分野

0001

本発明は、記事解析装置、および、記事解析方法に関する。

背景技術

0002

近年、深層学習(Deep Learning)を活用することによる、人工知能AI:Artificial Intelligence)の発展が注目されている。ネットワーク技術の進歩により大量のデータを効率的に収集できるようになったため、そのデータから何らかの知見を機械学習させることで、人間と同等の作業をさせる計算モデル構築に期待がかかる。

0003

人工知能の主要な適用分野として、画像データを入力データとして、その画像データをいずれかのカテゴリ分類する画像認識処理が挙げられる。例えば、非特許文献1には、人間がどのようにして芸術的な画像を視覚的に知覚するかを示す視覚モデルを、ディープニューラルネットワークとしてモデル化する試みが記載されている。ディープニューラルネットワークは、視覚情報を階層的に処理する小さな計算単位の層により構成される畳み込みニューラルネットワークである。

先行技術

0004

Leon A. Gatys他、「A Neural Algorithm of Artistic Style」、[online]、2015年8月26日、[2018年8月3日検索]、インターネット〈URL:https://arxiv.org/abs/1508.06576〉

発明が解決しようとする課題

0005

CM、看板ポスターなどの広告記事についても、人間がどのようにして知覚するかを示す広告認識モデルを、機械的に作成したいニーズがある。そして、広告代理店などの広告提供側のユーザが広告認識モデルを用いることで、作成した広告を実際にCMなどで世の中に公表して評判を得る前の段階で、広告の効果を予想することが期待される。

0006

非特許文献1などの従来の人工知能の研究では、類似する広告をグルーピングするなどの大まかな機械認識にとどまる。よって、広告提供側にとって、試作した広告案をどのように評価し、どのように改善するかという中身に踏み込んだ有益な提案をするシステムにまでは至っていなかった。

0007

そこで、本発明は、過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすることを、主な課題とする。

課題を解決するための手段

0008

前記課題を解決するために、本発明の記事解析装置は、以下の特徴を有する。
本発明は、過去記事データ文字データとして取得された各単語の出現頻度集計した結果を、文字特徴データとして記憶部に記憶する機械学習部と、
入力された予測記事データの文字データとして取得された各単語について、前記文特徴データの単語との類似度が高いほど、かつ、前記文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、
前記予測記事データの各単語について、前記スコアが高い前記文字特徴データの単語を書き換え候補として、前記予測記事データの単語の書き換えを促す旨を提示する改善計算部と、を有することを特徴とする。
その他の手段は、後記する。

発明の効果

0009

本発明によれば、過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすることができる。

図面の簡単な説明

0010

本発明の一実施形態に関する記事解析装置の構成図である。
本発明の一実施形態に関する記事解析装置の処理を示すフローチャートである。
本発明の一実施形態に関する過去記事データの文字データおよび画像データを対象とした、ニューラルネットワークの学習工程を示す説明図である。
本発明の一実施形態に関する予測記事データの文字データおよび画像データを対象とした、ニューラルネットワークの推論工程を示す説明図である。
本発明の一実施形態に関する過去記事データの文字データを対象とした、特徴DBの学習工程を示す説明図である。
本発明の一実施形態に関する予測記事データの文字データを対象とした、特徴DBの適用工程を示す説明図である。
本発明の一実施形態に関する図5および図6の文字データに関する具体例である。

実施例

0011

以下、本発明の一実施形態について、図面を参照して詳細に説明する。

0012

図1は、記事解析装置1の構成図である。
記事解析装置1は、過去記事データ11と、予測記事データ12と、特徴DB13とを記憶部に記憶する。記事解析装置1は、機械学習部21と、効果予想部22と、改善計算部23と、形態素解析部31と、スコア計算部32と、スコア合計部33とを処理部として有する。
記事解析装置1は、CPU(Central Processing Unit)と、メモリと、ハードディスクなどの記憶手段(記憶部)と、ネットワークインタフェースとを有するコンピュータとして構成される。
このコンピュータは、CPUが、メモリ上に読み込んだプログラムアプリケーションや、その略のアプリとも呼ばれる)を実行することにより、各処理部により構成される制御部(制御手段)を動作させる。

0013

過去記事データ11は、記事とその評価点とが対応付けられるデータであり、機械学習におけるラベル付きの教師データとして事前に入力される。過去記事データ11の記事とは、例えば、CM、看板、ポスターなどの広告を示す記事であり、社会的ネットワークサービス(SNS:social networking service)などのネット公開されているものである。
過去記事データ11の評価点とは、公開された記事に対する読者からの評価(効果)を定量的に示すラベルである。この評価点は、例えば、ネットからのアクセスデータとして、記事へのアクセス数や、記事に対する読者からの反応数であるいいね数、リツイート数、リプライ数などである。なお、「いいね」とは、読者が好印象と判断した記事に対して、1クリック(1タッチ)で記事を評価する操作であり、アプリによっては「お気に入り」や「ファボ(Favorite)」とも呼ばれる。
または、評価点は、記事で紹介された商品に対する市場からの反応としての、売上げデータでもよい。
以下、図2を参照して、記事解析装置1のうちの過去記事データ11以外の構成要素を説明する。

0014

図2は、記事解析装置1の処理を示すフローチャートである。
機械学習部21は、過去記事データ11を教師データとして機械学習し、その結果である回帰(Regression)の予測モデルを作成する。予測モデルは、例えば、過去記事データ11の特徴を示す単語(キーワード)として、特徴DB13に格納される(S11)。
なお、予測モデルは、例えば、入力層、中間層、出力層を順に接続し、それぞれの層を情報伝達させるニューラルネットワークとして構成される。中間層が多階層(複数階層)であるときは、機械学習部21は、ディープラーニングにより予測モデルを作成する。

0015

記事解析装置1は、予測記事データ12の入力を受け付ける(S12)。入力される予測記事データ12は、未公開の試作段階などで評価点が未定のものであり、予測モデルを用いて予測する対象の記事である。なお、予測記事データ12は、これから宣伝で使用しようとしている広告A案、広告B案、広告C案など複数のデータを事前に用意しておくことが望ましい。

0016

効果予想部22は、特徴DB13から読み出した予測モデルを用いて、S12で入力されたそれぞれの予測記事データ12の評価点を予想する(S13)。なお、評価点の高い記事だけでなく、評価点の低い記事も過去記事データ11として活用することが望ましい。これにより、効果予想部22は、例えば、読者に不快な単語を含む予測記事データ12を、「評価点の低い」と適切に予想することができる。

0017

改善計算部23は、過去記事データ11に記載される単語を特徴DB13から参照し、予測記事データ12の記事内容を改善する改善案を作成する(S14)。よって、今回入力された予測記事データ12を高評価の過去記事データ11に近づけるような改善案を作成するために、過去記事データ11として、過去にいいねを大量に獲得した記事など評価点の高い記事を事前に集めておくことが望ましい。

0018

記事解析装置1は、S13で予想した予測記事データ12の広告効果(評価点)と、S14で作成した予測記事データ12に対する改善案とを表示する(S15)。この表示により、ユーザは、最高点の評価点となる広告B案を採用するなどの意志決定を行ったり、広告B案に記載される単語を過去の人気記事に類似するように書き換えるなどの改善案を採用したりできる。つまり、ユーザは、評価点および改善案をもとに、売上に貢献する予測記事データ12を知ることができる。
なお、記事解析装置1は、効果予想部22の評価点と、改善計算部23の改善案とを同時に表示することとしたが、いずれか片方の表示だけでもユーザにとって有益である。よって、効果予想部22および改善計算部23のいずれか1つだけを備えた記事解析装置1として構成してもよい。

0019

図3は、過去記事データ11の文字データおよび画像データを対象とした、ニューラルネットワークの学習工程を示す説明図である。図3の学習工程は、図2ではS11の処理に該当する。
機械学習部21は、過去記事データ11を構文解析することで、文字データ101および画像データ102を抽出する。文字データ101として、過去記事データ11に記載されたテキストデータを抽出してもよいし、過去記事データ11に添付された音声データや動画データからテキストデータを音声認識により機械抽出してもよい。画像データ102は、1枚ずつの画像ファイルから構成されていてもよいし、過去記事データ11の動画データから抽出した画像ファイルの集合として構成されていてもよい。

0020

機械学習部21は、画像データ102を入力として、畳み込みニューラルネットワーク(畳込層)であるCNN(Convolutional Neural Network)データ112を作成する。そして、機械学習部21は、非特許文献1に記載されているように、CNNデータ112からスタイル情報を抽出し、そのスタイル情報を特徴DB13に登録する。スタイル情報は、画像データ102の学習結果であり、アドバイス画像図4改善画像データ232)を生成するための画像の特徴情報である。

0021

機械学習部21は、文字データ101から抽出した単語頻度データ111を、特徴DB13に登録する(詳細は図5)。機械学習部21は、単語頻度データ111と、CNNデータ112とを、全結合層データ121に結合させることで、ニューラルネットワークを作成する。機械学習部21は、全結合層データ121の出力先を記事効果データ131に対応付ける。
つまり、ニューラルネットワークの第1層(入力層)が文字データ101および画像データ102であり、第2層(中間層)が文字特徴データ(単語頻度データ111)および画像特徴データ(CNNデータ112)であり、第3層(出力層)が全結合層データ121である。
記事効果データ131とは、過去記事データ11に対応付けられている教師データのラベル(いいね数などの記事の評価点)である。機械学習部21は、このようにして生成したニューラルネットワークに対して、過去記事データ11を次々に入力(伝搬)させることで、ニューラルネットワークを学習させる。

0022

図4は、予測記事データ12の文字データおよび画像データを対象とした、ニューラルネットワークの推論工程を示す説明図である。図4の推論工程は、図2ではS13およびS14の処理に該当する。
効果予想部22は、入力された予測記事データ12を構文解析することで、文字データ201および画像データ202を抽出する。
効果予想部22は、抽出した文字データ201および画像データ202を図3で作成したニューラルネットワークに入力することで、予測記事データ12に対するラベル(いいね数などの記事の評価点)を予想する。具体的には、効果予想部22は、文字データ201および画像データ202を、それぞれのデータ形式に合った中間層に入力する。

0023

これにより、特徴DB13から読み出された単語頻度データ111の層と、特徴DB13からスタイル情報として読み出されたCNNデータ112の層から、それぞれ全結合層データ121への情報伝搬が発生し、その結果が記事効果データ131と同様の形式である効果予想データ231へと伝搬する。よって、ユーザは、予測記事データ12がどれだけいいね数を得られるかなどの予測を知ることができる。

0024

さらに、改善計算部23は、図6で後述するとおり、学習結果として特徴DB13に保存しておいた別の単語を文字データ201に適用した改善文字データ233を生成し、ユーザに提示する。
また、改善計算部23は、非特許文献1に記載されているように、学習結果として特徴DB13に保存しておいたスタイル情報を画像データ202に適用した改善画像データ232を生成し、アドバイス画像としてユーザに提示する。
例えば、過去記事データ11からいいね数が多い記事から、明るい配色のスタイル情報が抽出されたとする。そして、予測記事データ12の画像データ202からは暗い配色のスタイル情報が抽出されたとき、改善計算部23は、明るい配色のスタイル情報を参照して、画像データ202をより明るくした改善画像データ232を生成する。

0025

以上、図3図4を参照して、文字データおよび画像データを対象としたニューラルネットワークを用いた予測記事データ12の解析処理を説明した。非特許文献1では、画像データを対象としたニューラルネットワークだけが構築されていた。本実施形態では、この画像データのニューラルネットワークに対して、新たに文字データの層を組み込むことで、文字データも画像データも含む予測記事データ12の予測処理を精度よく行うことができる。

0026

図5は、過去記事データ11の文字データを対象とした、特徴DB13の学習工程を示す説明図である。図5の学習工程は、図2ではS11の処理に該当する。
機械学習部21は、過去記事データ11から抽出した文字データ101をもとに、単語頻度データ111を抽出するように、形態素解析部31に指示する。形態素解析部31は、文字データ101から形態素解析により分割された各単語に対して、その出現回数使用頻度)を集計して単語頻度データ111(詳細は図7)を作成し、その単語頻度データ111を過去記事データ11の集合から学習する特徴データとして、特徴DB13に登録する。

0027

図6は、予測記事データ12の文字データを対象とした、特徴DB13の適用工程を示す説明図である。図6の適用工程は、図2ではS13およびS14の処理に該当する。
形態素解析部31は、図5の学習工程と同様に、予測記事データ12の文字データ201に対して形態素解析により単語の集合に分割する。
スコア計算部32は、図5の学習工程で得た単語頻度データ111と、形態素解析部31による予測記事データ12の単語の集合とをもとに、単語ごとにスコアリングする。このスコアとは、予測記事データ12に出現する各単語について、スコアが高いほど、別の単語に書き換えた方がよい度合いを示す。そして、改善文字データ233とは、書き換え先となる別の単語のリストである。

0028

さらに、スコア合計部33は、スコアリングの結果を予測記事データ12ごと(記事のページごと)に合計し、その合計値を全結合層データ121への入力とする。図4で説明したように、効果予想部22は、全結合層データ121から効果予想データ231に対応付けることで、予測記事データ12ごとのいいね数などの記事の評価点を予想する。

0029

図7は、図5および図6の文字データに関する具体例である。
学習工程では、形態素解析部31は、過去記事データ11から単語頻度データ111を抽出する。単語頻度データ111は、「空前絶後が200回出現」、「浪漫が150回出現」、…などの単語ごとの出現頻度である。
適用工程では、まず、形態素解析部31は、予測記事データ12から単語の集合を抽出する。ここでは、前代未聞、ロマン、さっぱり、…などの単語が抽出されたとする。

0030

次に、スコア合計部33は、スコア計算部32が以下の式で計算した単語ごとのスコアを、予測記事データ12ごとに合計した集計スコアを求める。
(単語のスコア)=(予測記事データ12の単語)と(単語頻度データ111の単語)との類似度×(単語頻度データ111の使用頻度)
例えば、「前代未聞」と「空前絶後」との類似度が2.8なら、「前代未聞」のスコア=2.8×200=560となる。この単語ごとの集計スコアは、全結合層データ121に入力される。

0031

そして、改善計算部23は、予測記事データ12の単語ごとに、スコアが高い順に、単語頻度データ111の類似する単語のリスト(1位、2位、3位、…)を、改善文字データ233として抽出する。
例えば、今回試作した広告B案には、「前代未聞」という単語が記載されていた。しかし、人気の記事(過去記事データ11)には、「前代未聞」ではなく、意味が類似する「空前絶後」という単語が多く記載されていた。よって、改善計算部23は、「前代未聞」を高スコアの「空前絶後」や「画期的」などに書き換える旨の改善文字データ233をユーザに提示する。
これにより、広告B案を公開する前に「前代未聞」を「空前絶後」に書き換えさせることで、広告B案の趣旨を大きく変えることなく、広告B案の印象を改善できる。

0032

以上説明した本実施形態では、効果予想部22が過去記事データ11からニューラルネットワークを機械学習することで、予測記事データ12の効果を予測できる。ここで、過去記事データ11の学習データとして、いいね数などのSNSの口コミ効果の情報を用いることで、市場の評判を示すデータを手軽に入手できる。
さらに、改善計算部23が過去記事データ11から抽出した単語頻度データ111をもとに、予測記事データ12の単語を書き換える提案をすることで、予測記事データ12の内容に踏み込んだ改善をユーザに促すことができる。

0033

なお、本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
また、前記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。

0034

各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリや、ハードディスク、SSD(Solid State Drive)などの記録装置、または、IC(IntegratedCircuit)カードSDカード、DVD(Digital Versatile Disc)などの記録媒体に置くことができる。
また、制御線情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

0035

1記事解析装置
11 過去記事データ
12予測記事データ
13 特徴DB
21機械学習部
22 効果予想部
23 改善計算部
31形態素解析部
32スコア計算部
33スコア合計部
101文字データ
102 画像データ
111単語頻度データ
112CNNデータ
121 全結合層データ
131 記事効果データ
201 文字データ
202 画像データ
231 効果予想データ
232改善画像データ
233 改善文字データ

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • 株式会社日立製作所の「 計算機システム及び文書の分類方法」が 公開されました。( 2021/03/18)

    【課題】文書の分類結果とともに、分類の根拠をユーザに提示する計算機システム及び文書の分類方法を提供する。【解決手段】計算機システムは、文書のデータの入力を受け付け、文書及び文書の要素を構成要素とする非... 詳細

  • 大日本印刷株式会社の「 画像処理装置及び画像検索方法」が 公開されました。( 2021/03/18)

    【課題】適切な画像を用いて顔検索を行い、検索対象人物が写っている画像を精度良く検索する。【解決手段】画像処理装置は、複数のイベントの販売画像を記憶する記憶部と、検索対象人物が写った検索用画像をユーザ端... 詳細

  • 株式会社NTTドコモの「 情報提供システム」が 公開されました。( 2021/03/18)

    【課題】ユーザによって用いられる蓋然性が高いキーワードを精度良く提供する情報提供システムを提供する。【解決手段】情報提供システムは、対象ユーザを含む複数の閲覧者が第1情報源から提供される第1コンテンツ... 詳細

この 技術と関連性が強い技術

関連性が強い 技術一覧

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ