![[PukiWiki]](image/ibisforest.png "[PukiWiki]")
このページはしましまが人工知能学会全国大会2007に参加してとったメモです．私の主観や勘違いが含まれていたり，私が全く分かってなかったりしていますので，その点を注意してご覧ください．誤りがあれば，指摘してください．
佐久間 淳 (東京工業大学)，小林 重信 (東京工業大学)
k-means法をP2PでPPDMする．最初に公開鍵をブロードキャストするなど，大域的なサーバが一つ必要．
大久保 好章 (北海道大学 大学院情報科学研究科コンピュータサイエンス専攻)，原口 誠 (北海道大学大学院情報科学研究科 コンピュータサイエンス専攻)
SMFファイルの連続する一定数のデータの局所的な類似性が一定値以下の，特徴集合と事例の極大な集合を見つける．
小山 聡 (京都大学)，田中 克己 (京都大学)
停止するときのクラスタ数予測する関数を，訓練事例と，訓練集合を表す特徴量のペアから，回帰分析問題として予測する．
桑島 洋 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分野)，中西 耕太郎 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分 鷲尾 隆 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分野)
全部でn個ある全てのペアについて類似度を求める代わりに，k個とn個の類似度が分かっているときに，部分空間上にあることと，行列の半正定値性から残りの要素を予測
城戸 健太郎 (大阪大学産業科学研究所高次推論方式研究分野 知能システム科学研究部門高次推論方式研究分野)， 桑島 洋 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分野)， 中西 耕太郎 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分野)， 鷲尾 隆 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分野)
上記の方法をユークリッド距離の場合に適用
深田 健太 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分野)， E.Houle, Michael (国立情報学研究所)， 鷲尾 隆 (大阪大学産業科学研究所 知能システム科学研究部門高次推論方式研究分野)
集合間の類似度を二つ提案．最小値の幾何平均と，最小値の最小値などの類似度を提案．
土方 嘉徳 (大阪大学大学院 基礎工学研究科)，大坪 正典 (大阪大学大学院 基礎工学研究科)，Hung Bui Quang (大阪大学大学院 基礎工学研究科)，西田 正吾 (大阪大学大学院 基礎工学研究科)
目的ページにリンクしているアンカーに基づいて，目的ページを文書分類．local semantic portion (アンカーの周辺テキスト) とUSP(階層の上位ページの情報)を利用する．単独では後者が良いが，複合させて方がよりよい．
井上 龍太郎 (電気通信大学 システム工学科)，内海 彰 (電気通信大学 電気通信学部 システム工学科)
検索結果の文書集合中の重要文をヒューリスティックな基準で選んで，集めて要約文とする．
堤 公孝 (九州工業大学大学院 情報工学研究科 情報科学専攻)，嶋田 和孝 (九州工業大学 情報工学部 知能情報工学科)，遠藤 勉 (九州工業大学 情報工学部 知能情報工学科)
種類の異なる複数の文書分類器の予測結果を投票による多数決で統合する．
ボッレーガラ ダヌシカ (東京大学 情報理工学系研究科)，松尾 豊 (産業技術総合研究所／スタンフォード大学)，石塚 満 (東京大学大学院 情報理工学系研究科)
熱い/冷たいといった関係のある語の間の類似度．類似した語のペアと，類似していないペアで検索して，見つかったスニペットから特徴抽出．抽出された特徴量から，類似ペアと非類似ペアに分類する分類器をSVMで獲得．
折原 大 (電気通信大学大学院 電気通信学研究科 システム工学専攻)，内海 彰 (電気通信大学 電気通信学部 システム工学科)
HTML文書の木構造を二分木で表現．Binary Branchと呼ぶ，ノードとその二つの子の三つ組に分解．各Binary Branchのあるなしを特徴に使う．あと，タグのnグラムなどの特徴も使う．あとは，特徴ベクトル間のユークリッド距離と，一般的なクラスタリング手法を適用．
松原 靖子 (お茶の水女子大学)
定期的に利用者の生成したファイルやデータを集積，メタ情報から予測したイベントと関連付けしておき，タグをつけておく．クエリの種類に応じて，時間，データ型(メタ情報)，語に依存してデータの類似性きめる．さらに，事前知識に基づいて類似度を補正．
田村 和香子 (お茶の水女子大学)
検索でイベントのいつ・どこで・何がの情報を抽出．これは，年表は決まった形式であることが多いので，正規表現を使って抽出．さらに，この中から地名の情報を形態素解析結果と助詞を考慮してとりだして，地図上に表示．
岡嶋 穣 (東京大学 大学院情報理工学系研究科)，松尾 豊 (産業技術総合研究所／スタンフォード大学)，石塚 満 (東京大学大学院 情報理工学系研究科)
リンクと共に発生する語(素性)は，引用に関係していると仮定．リンク情報に基づいて素性の重要度を計算．素性の現れ方に応じて，引用されるかどうかが予測できる．
川口 俊明 (広島市立大学 情報科学部)，砂山 渡 (広島市立大学 情報科学部)
レポートの間の類似度をコサインで測る．最も類似しているレポートを元に独自性の指標を定め，独自性の高いものを中心に同心円上に表示．
櫻井 茂明 (株式会社 東芝 研究開発センター システム技術ラボラトリー)，折原 良平 (株式会社 東芝 研究開発センター システム技術ラボラトリー)
掲示板ごとに手作業で作ったラッパーで記事を抽出．辞書+学習で，利用者の意見を反映したイベントを抽出．イベントの状況から，評判に関して注意すべきスレッドを見つける．イベント抽出で，構文解析を導入．解析木の上位の方に重要な語が多いことから，単語の構文木中での深さを考慮するようにしたが，性能は向上しなかった．
竹内 広宜 (日本IBM株式会社 東京基礎研究所)，那須川 哲哉 (日本IBM株式会社 東京基礎研究所)，渡辺 日出雄 (日本IBM株式会社 東京基礎研究所)
商品の予約などの目的をもった会話を音声認識でテキスト化し，重要な発言箇所を特定する．会話ある時点までに現れた単語を用いて，目的を分類し，予測精度を調べる．この予測精度は，会話の進行と共に変化するが，その精度が上昇する区間を重要な発言箇所とする．
西原 陽子 (大阪大学大学院 基礎工学研究科／日本学術振興会)，砂山 渡 (広島市立大学 情報科学部)，谷内田 正彦 (大阪大学大学院 基礎工学研究科)
論文のタイトルを，わかりやすさ，難易度，斬新さ，有名な単語の四つの観点を評価する指標作る．これは，語の共起性や頻度に基づきヒューリスティックに定義．それぞれの尺度で順位付けし，順位を荷重和して最終的な評価を決める．
小野 智弘 (株式会社KDDI研究所)，本村 陽一 (産業技術総合研究所)，麻生 英樹 (産業技術総合研究所)
確率モデルに基づく内容ベース型の推薦．システムの評価をストリートキャッチ式のアンケート．171名に公開中の候補映画数48本．気分を考慮すると満足度は上がる．映画の選択に人気を重視するかどうかで，気分を考慮することの効果は変わる．よって，利用者をセグメント化して対応した方がよさそうである．
村上 知子 (株式会社東芝 研究開発センター)，森 紘一郎 (株式会社東芝 研究開発センター)，折原 良平 (株式会社東芝 研究開発センター)
あるアイテムについて，primitive推薦の嗜好よりも，評価する手法がより強い嗜好を予測し，そのアイテムが利用者にとって関心のあるものであるとき，価値があって意外性のある推薦であるとする．primitive推薦は幾つかの候補の中から，最もよいものを選ぶ．
中西 英之 (大阪大学大学院 工学研究科 知能・機能創成工学専攻)， 野上 大輔 (大阪大学大学院 工学研究科 知能・機能創成工学専攻)， 石黒 浩 (大阪大学大学院 工学研究科 知能・機能創成工学専攻)
コミュニケーション支援のリモコンロボットと，アウェアネス支援のテレビ電話が合体した感じのもの．
大澤 博隆 (慶應義塾大学 理工学研究科)， 向井 淳 (慶應義塾大学 理工学研究科)， 今井 倫太 (慶應義塾大学 理工学部)
ゴミ箱とか電子レンジに手や目を付けて擬人化したエージェントにする． エージェントが自身のおなかやおしりといった表現が意図したように人間に解釈されるかという調査？
高間 康史 (首都大学東京 大学院システムデザイン研究科／首都大学東京 大学院工学研究科／東京都立科学技術大学)，難波 広樹 (首都大学東京 大学院システムデザイン研究科)，岩瀬 徳宏 (首都大学東京 大学院工学研究科)，服部 俊一 (首都大学東京 大学院工学研究科)，武藤 優樹 (首都大学東京 大学院工学研究科)，庄司 俊寛 (東京都立科学技術大学)
パートナーロボットでの推薦技術：アラートのため & パートナーとしての親近感の増加．親近感のためにはあたりまえの推薦で良いので，タイミングよくが重要． 視聴時間の他に，視聴中の発話内容や発話頻度もロボットが収集する．これらを元に利用者プロファイルを作って，内容ベースの推薦．利用者の発話がつまらなさそうな場合に，推薦をする．
辻田 眸 (お茶の水女子大学)，塚田 浩二 (独立行政法人産業技術総合研究所)，椎尾 一郎 (お茶の水女子大学)
行動の連携の感覚を共有するため，調度品（ゴミ箱，ランプ，アロマポット，シンクスカイ(向こうの窓の景色)……)が同期して動く．
吉高 淳夫 (広島大学 大学院工学研究科)，脇山 孝貴 (広島大学 大学院工学研究科)，平嶋 宗 (広島大学 大学院工学研究科)
体験(絵画鑑賞)の情報から嗜好を抽出し，推薦システムを作る．眼球運動計測で，絵画中の注目領域を検出して興味モデルを作る．
藤本 和則 (同志社大学 技術・企業・国際競争力研究センター／有限会社フジモト・リサーチパーク 人工知能研究所)，庄司 裕子 (中央大学 理工学部)
経済的な効果が出るには，競争と共に，関連企業が連携している，組織創造が必要．CGIA(情報をcatch, パートナーをgather, 事業計画をinteraction, 事業をaction)モデル．創造的意思決定：インタラクションの過程で得た情報から，潜在的な目的に気づき，その目的に応じた意思決定．
渡邉 裕子 (お茶の水女子大学 理学部情報科学科)， 大西 加奈子 (お茶の水女子大学大学院 人間文化研究科数理・情報科学専攻)， 和泉 憲明 (産業技術総合研究所 情報技術研究部門知的コンテンツグループ)， 小林 一郎 (お茶の水女子大学 理学部情報科学科)， 橋田 浩一 (産業技術総合研究所 情報技術研究部門知的コンテンツグループ)
写真などは，関連イベントで人間は管理している．イベントに応じて，これらのデータを共有する．撮影位置と時刻の情報から，写真を階層的にクラスタリングし，各クラスタを階層構造化されたイベントとみなして抽出．
亀田 尭宙 (東京大学)， 大向 一輝 (国立情報学研究所／総合研究大学院大学)， 武田 英明 (東京大学／国立情報学研究所)
不必要な配信を抑制し，必要な情報だけを受信したい． 配信先は参加者などの情報を参照して決める．受信情報は検索のような感じで選ぶ． 配信先の決定には，人間関係の強さも考慮して決める．
神嶌 敏弘 (産業技術総合研究所 脳神経情報研究部門)
自分の発表：質疑応答
上田 洋 (大阪市立大学大学院工学研究科)， 村上 晴美 (大阪市立大学大学院創造都市研究科)
名前とともに，組織，地名，職業名など関連する固有表現を抽出し，それらを合わせることで同一性を判断．これらの副次的な情報を判断基準となるように，利用者に提示する，人物Web検索．
石川 雅之 (慶應義塾大学 理工学部管理工学科)， 森田 武史 (慶應義塾大学 理工学部管理工学科)， 和泉 憲明 (産業技術総合研究所 情報技術研究部門)， 山口 高平 (慶應義塾大学 理工学部管理工学科)
商品の普及は，緩く増加するアーリーアタプター，急激な上昇のアーリーマジョリティ，レイトマジョリティ，ラガードの4段階の累積正規分布関数のようになる．だが，サイバースペースでは，より急激に利用者の増加が始まる．これらの初期にアクセスした人々をイノベータと考え，イノベータのアクセス数が多いものをカギに，フォロワーに推薦をする時系列型の推薦モデル．
藤村 滋 (ＮＴＴサイバーソリューション研究所)， 藤村 考 (ＮＴＴサイバーソリューション研究所)， 片岡 良治 (日本電信電話，NTTサイバーソリューション研究所)
ブログのタグが付いている記事は40%だが，表記ゆれなどが多い．従来は，文書分類技術で既知の集合から選んだり，tf・idfの上位語を選ぶヒューリスティックなど．提案手法は，タグの有用性を判定し，有用と判定されたタグをクラスタリングで適宜統合したのち，これらをもつ文書を事例ベースのシードとして，他のブログ文書にタグ付けを行う． 一般の文書のマルチタグ付けより，
村田 真樹 (独立行政法人 情報通信研究機構 知識創成コミュニケーション研究センター)， 一井 康二 (広島大学 大学院 工学研究科)， 馬 青 (龍谷大学 理工学部／独立行政法人 情報通信研究機構 知識創成コミュニケーション研究センター)， 白土 保 (独立行政法人 情報通信研究機構 知識創成コミュニケーション研究センター)， 金丸 敏幸 (独立行政法人 情報通信研究機構 知識創成コミュニケーション研究センター)， 塚脇 幸代 (独立行政法人 情報通信研究機構 知識創成コミュニケーション研究センター)， 井佐原 均 (独立行政法人 情報通信研究機構 知識創成コミュニケーション研究センター)
記事から，台風の最大風速と気圧などの数値を抜き出して，グラフ化する．コーパスが大規模であることと，数値情報が3次元以上である点が新しい． 数値の項目，数値，単位の頻度を求め，高頻度のものを見つけてグラフとして可視化する．
林 亮介 (名古屋大学 情報科学研究科)， 土田 貴裕 (名古屋大学 情報科学研究科)， 大平 茂輝 (名古屋大学 エコトピア科学研究所)， 長尾 確 (名古屋大学 情報メディア教育センター)
論文の作成過程：創作(generate)，組織化(organize)，作文(compose)，推敲(revise)．創作のために類似論文を推薦する．共有可能なマーキング(論拠，対比，主張などを表す)の機能をもつ論文の閲覧支援．マーキングした部分を検索・引用できる機能を備えてた論文作成支援ツール．マーキングの違いを重みに反映させて，マーキングを投票とみなしたアイテム間型のメモリベース推薦．また，引用目的で変わる重みを反映させた共引用に基づく推薦機能ももつ．
神谷 祐樹 (東京工業大学 総合理工学研究科 知能システム科学専攻)， 石井 利明 (東京工業大学 総合理工学研究科 知能システム科学専攻)， 長谷川 修 (東京工業大学 理工学研究科 像情報工学研究施設)
オンラインの半教師あり学習手法 ssSOINN．グラフで記述したデータを使い，外れ値を除去し，高密度分布の領域を抽出する．グラフの疎な部分で分割することで，クラスタに分割し，同じクラスタのデータに同じラベルを付与する．
