語義推測裝置、方法以及程序的制作方法
【專利摘要】本發(fā)明目的在于能夠通過無監(jiān)督學(xué)習(xí)來高精度地推測語義。語義推測裝置(100)執(zhí)行多次概率計算處理，在該概率計算處理中，針對各單詞，根據(jù)所選擇的單詞和其他單詞的上下文的特征的相近度、所選擇的概念和其他單詞的語義的相近度、以及所選擇的單詞成為所選擇的語義的概率，計算將作為語義候補抽出的各概念作為語義的情況下的評價值，并根據(jù)計算出的評價值，再計算所述概率，語義推測裝置(100)針對各單詞，將計算出的概率高的概念推測為該單詞的語義。
【專利說明】語義推測裝置、方法以及程序

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及針對文檔中包含的單詞，推測該單詞被以在辭典中登記的哪個語義使 用的語義推測技術(shù)（語義的含糊性消除技術(shù)）。

【背景技術(shù)】
[0002] 關(guān)于語義的推測，作為以機器翻譯、信息檢索為首的各種自然語言處理的基礎(chǔ)技 術(shù)，進行了大量研究，作為其方式，大致分類有2個方法。
[0003] -個是應(yīng)用有監(jiān)督學(xué)習(xí)（或者半監(jiān)督學(xué)習(xí)）的方式，另一個是應(yīng)用無監(jiān)督學(xué)習(xí)的 方式。
[0004] 在應(yīng)用有監(jiān)督學(xué)習(xí)的方式中，預(yù)先制作對作為對象的任務(wù)、或者與其類似的文檔 數(shù)據(jù)（通常以人工方式）賦予了正確的語義的帶標簽的學(xué)習(xí)數(shù)據(jù)。然后，通過某種基準（似 然度最大化、余量最大化等），使模型學(xué)習(xí)根據(jù)單詞的出現(xiàn)上下文識別語義的規(guī)則。
[0005] 作為應(yīng)用有監(jiān)督學(xué)習(xí)的方式，在非專利文獻1中，記載了使用支持向量機的方式， 在非專利文獻2中，記載了應(yīng)用樸素貝葉斯法的方式。另外，在非專利文獻3中，記載了通 過并用未賦予正確的語義的無標簽學(xué)習(xí)數(shù)據(jù)來削減帶標簽的學(xué)習(xí)數(shù)據(jù)的必要量的半監(jiān)督 學(xué)習(xí)的技術(shù)。
[0006] 在應(yīng)用無監(jiān)督學(xué)習(xí)的方式中，不使用人工地賦予了正解的有標簽學(xué)習(xí)數(shù)據(jù)，而僅 根據(jù)無標簽學(xué)習(xí)數(shù)據(jù)識別語義。
[0007] 作為應(yīng)用無監(jiān)督學(xué)習(xí)的方式，在專利文獻1中，記載了如下方式：在概念層次上調(diào) 查在文檔中包含的單詞的周邊出現(xiàn)的共同出現(xiàn)的詞的語義，搜索更大量的共同出現(xiàn)的詞、 以及通過接近的層次和接近的語義定義文定義的語義候補，將搜索的語義候補采納為單詞 的語義。即，在關(guān)注的單詞的語義候補中，共同出現(xiàn)的詞的語義候補越是在附近有很多個的 候補越當作合理的，來推測單詞的語義。
[0008] 專利文獻1:日本特開2010-225135號公報
[0009] 非專利文獻 1 :Leacock，c.，Miller, G. A. and Chodorow，M. :Using corpus statistics and wordnet relations for sense identification, Computational Linguistics，Vol. 24, No. l，pp. 147-165(1998)
[0010] 非專利文獻2:電子情報通信學(xué)會言語理解i = = = ^ - i 3 >研究會 (NLC)，"SENSEVAL-2日本語夕7夕，，，黒橋禎夫，白井清昭，2001
[0011] 非 專利 文獻 3 : Yarowsky, D. : Un s up e r v i s e d word sense discrimination, Computational Linguistics, Vol. 24, No. 1, pp. 97-123 (1998)
[0012] 非專利文獻4:栗林孝之，Bond, F.，黒田航，內(nèi)元清貴，井佐原均，神崎享子，鳥 澤健太郎：日本語^ 一卜''才、7卜1.0,言語処理學(xué)會第16回年次大會発表論文集（2010)


【發(fā)明內(nèi)容】

[0013] 但是，為了應(yīng)用非專利文獻1、2記載的應(yīng)用了有監(jiān)督學(xué)習(xí)的方式、非專利文獻3記 載的應(yīng)用了半監(jiān)督學(xué)習(xí)的方式，需要預(yù)先制作對文檔數(shù)據(jù)賦予了正確的語義的帶標簽的學(xué) 習(xí)數(shù)據(jù)。因此，在該方式中，存在在學(xué)習(xí)數(shù)據(jù)的制作中花費成本、或者在事先無法獲得學(xué)習(xí) 數(shù)據(jù)的狀況下無法應(yīng)用的這樣的課題。
[0014] 另外，專利文獻1記載的應(yīng)用了無監(jiān)督學(xué)習(xí)的方式是想要僅消除關(guān)注的詞的含糊 性的方式。即，不消除共同出現(xiàn)的詞的語義含糊性，對于實際上錯誤的語義候補也同樣地重 視，并作為關(guān)注共同出現(xiàn)的詞的語義候補的詞的根據(jù)來使用。因此，在該方式中，存在語義 的推測精度惡化這樣的課題。
[0015] 本發(fā)明的目的在于能夠通過無監(jiān)督學(xué)習(xí)來高精度地推測語義。
[0016] 本發(fā)明涉及的語義推測裝置，其特征在于，具備：
[0017] 單詞抽出部，抽出輸入數(shù)據(jù)所包含的多個單詞；
[0018] 上下文解析部，針對所述單詞抽出部抽出的各單詞，抽出在所述輸入數(shù)據(jù)中該單 詞出現(xiàn)的上下文的特征；
[0019] 語義候補抽出部，從作為單詞的語義存儲了一個以上的概念的概念辭典，將針對 所述各單詞作為語義存儲的各概念抽出為該單詞的語義候補；以及
[0020] 語義推測部，執(zhí)行多次概率計算處理，在所述概率計算處理中，針對所述各單詞， 根據(jù)所選擇的單詞和其他單詞的上下文的特征的相近度、所選擇的概念和其他單詞的語義 的概念的相近度、以及所選擇的單詞成為所選擇的語義的概率，計算將所述語義候補抽出 部作為語義候補抽出的各概念作為語義的情況下的評價值，并根據(jù)計算出的評價值，再計 算所述概率，所述語義推測部針對所述各單詞，將計算出的概率高的概念推測為該單詞的 語義。
[0021] 在本發(fā)明的語義推測裝置中，通過針對多個單詞同時推測語義，即使在未被賦予 正解語義的情況、僅被賦予了少量的正解語義的情況下，也能夠?qū)崿F(xiàn)高的語義推測精度。

【專利附圖】

【附圖說明】
[0022] 圖1是實施方式1的語義推測裝置100的結(jié)構(gòu)圖。
[0023] 圖2是示出實施方式1的語義推測方式的概要的圖。
[0024] 圖3是示出由上下文解析部30生成的出現(xiàn)上下文的特征矢量的例子的圖。
[0025] 圖4是示出概念和單詞的關(guān)系的圖。
[0026] 圖5是概念的關(guān)系定義的一個例子，是示出概念的上位（抽象）/下位（具體）關(guān) 系的圖。
[0027] 圖6是示出依照圖5所示的層次定義，用矢量表現(xiàn)的概念的例子的圖。
[0028] 圖7是示出推測語義分配概率π 的處理的流程的流程圖。
[0029] 圖8是示出通過應(yīng)用ΕΜ算法實施的語義分配概率π '的更新、和與其相伴的語義 含糊性消除的情況的圖。
[0030] 圖9是示出語義推測裝置100的硬件結(jié)構(gòu)的一個例子的圖。
[0031] 符號說明
[0032] 10 :輸入文本數(shù)據(jù)；20 :單詞抽出部；30 :上下文解析部；40 :語義候補抽出部；50 : 概念辭典；60 :語義推測部；70 :推測語義數(shù)據(jù)；100 :語義推測裝置。

【具體實施方式】
[0033] 以下，根據(jù)附圖，說明發(fā)明的實施方式。
[0034] 另外，在以下的說明中，處理裝置是后述CPU911等。存儲裝置是后述R0M913、 RAM914、磁盤裝置920等。即，處理裝置、存儲裝置是硬件。
[0035] 另外，在以下的說明中，在wi被記載為上標文字、下標文字的情況下，該wi意義著 wi〇
[0036] 實施方式1.
[0037] 在實施方式1中，使用將多個數(shù)據(jù)庫的表格模式作為輸入文本數(shù)據(jù)10并推測構(gòu)成 表格模式的單詞的語義的例子，說明語義推測方式。
[0038] 作為以表格模式為對象來推測語義的具體的用途，例如有企業(yè)中的數(shù)據(jù)合并。在 企業(yè)中，有希望在過去單獨地構(gòu)筑并工作的多個業(yè)務(wù)應(yīng)用之間合并數(shù)據(jù)庫的數(shù)據(jù)這樣的需 求。為了實現(xiàn)數(shù)據(jù)的合并，需要在多個數(shù)據(jù)庫之間判別哪個項目對應(yīng)于哪個項目。以往，項 目之間的對應(yīng)判別是以人工方式進行的。在此通過使用語義推測方式，能夠支援判定在不 同的名稱的項目之間有無對應(yīng)關(guān)系的作業(yè)，實現(xiàn)節(jié)省作業(yè)的勞力。
[0039] 圖1是實施方式1的語義推測裝置100的結(jié)構(gòu)圖。
[0040] 輸入文本數(shù)據(jù)10是多個數(shù)據(jù)庫的多個表格模式。
[0041] 單詞抽出部20通過處理裝置，按照單詞單位分割在表格模式中定義的表格名、縱 列（column)名，將分割后的單詞作為語義推測對象抽出。
[0042] 上下文解析部30通過處理裝置，從表格模式抽出單詞抽出部20抽出的各單詞的 出現(xiàn)上下文的特征。
[0043] 語義候補抽出部40通過處理裝置，針對單詞抽出部20抽出的各單詞，參照概念辭 典50來抽出語義候補。
[0044] 概念辭典50將一個以上的概念作為單詞的語義存儲到存儲裝置中，并且將概念 之間的層次性的關(guān)系存儲到存儲裝置中。
[0045] 語義推測部60針對單詞抽出部20抽出的各單詞，推測語義候補抽出部40抽出的 語義中的哪一個合理。此時，語義推測部60針對各單詞，根據(jù)上下文解析部30關(guān)于該單詞 和其他單詞抽出的上下文的特征的相近度、和關(guān)于該單詞的語義候補和其他單詞的語義候 補的概念的相近度，推測語義。然后，語義推測部60將針對各單詞推測出的語義作為推測 語義數(shù)據(jù)70輸出。
[0046] 圖2是示出實施方式1的語義推測方式的概要的圖。
[0047] 此處，輸入文本數(shù)據(jù)10是定義了數(shù)據(jù)庫的表格構(gòu)造的模式。在圖2中，作為一個 例子，示出了輸入了包括"SHIP_T0"、"DELIVER_T0"這樣的縱列的、"ORDER"這樣的表格的 模式的狀態(tài)。實際輸入多個這樣的表格模式。
[0048] 單詞抽出部20從被輸入的表格模式中抽出單詞。此處，通過最簡單的方法，將 下劃線"作為分隔符進行單詞分割。其結(jié)果，在圖2中，抽出"0RDER"、"SHIP"、"T0"、 "DELIVER"這4個種類的單詞。將抽出的單詞全部當作語義的推測對象（分類對象詞）來 處理。
[0049] 上下文解析部30根據(jù)由單詞抽出部20實施單詞分割的結(jié)果，抽出各分類對象詞 的出現(xiàn)上下文的特征，生成特征矢量。
[0050] 單詞的出現(xiàn)上下文的特征是指，表示該單詞在表格模式中采用了什么樣的使用方 法。此處，作為單詞的出現(xiàn)上下文的特征，設(shè)為使用如下5個特征：（1)出現(xiàn)部位是表格名 還是縱列名的類別、（2)在僅接分類對象詞之前出現(xiàn)的單詞、（3)在僅接著分類對象詞之后 出現(xiàn)的單詞、（4)在父表格名中出現(xiàn)的單詞（僅在分類對象詞的出現(xiàn)部位是縱列名的情況 下）、（5)在子縱列名中出現(xiàn)的詞（僅在分類對象詞的出現(xiàn)部位是表格名的情況下）。
[0051] 圖3是示出由上下文解析部30生成的出現(xiàn)上下文的特征矢量的例子的圖。
[0052] 在圖3中，各行表示分類對象詞，各列表示構(gòu)成特征的來歷。另外，在圖3中，在 來歷的值是1時，表示具有該特征，在〇時，表示不具有該特征。從圖3可知，分類對象詞 "SHIP"和"DELIVER"的出現(xiàn)上下文矢量一致，采用了相互良好地近似的使用方式。
[0053] 語義候補抽出部40在概念辭典50中參照各分類對象詞，抽出成為語義的候補的 全部概念。
[0054] 作為概念辭典50,例如，使用WordNet。在WordNet中，將稱為synset的概念作為 一個單位，定義了與該概念相當?shù)膯卧~、概念之間的上位/下位關(guān)系等。在例如非專利文獻 4中，記載了 WordNet的詳細內(nèi)容。
[0055] 圖4、圖5是示出概念辭典50的例子的圖。
[0056] 圖4是示出概念和單詞的關(guān)系的圖。S卩，圖4是示出語義的定義例的圖。
[0057] 例如，概念I(lǐng)D0003是具有日語的"船（船）"的名稱的概念，定義了作為對應(yīng)的單 詞有"ship"、" VeSSel"等的情況。在相反地從單詞"ship"觀察的情況下，作為語義登記了 ID0003 "船（船）"、0010 "肩書爸（頭銜）"、0017 "出荷（運出貨物）"這3個概念，是含糊 的。同樣地，針對單詞"deliver"，作為語義也登記有ID0013 "出産（生產(chǎn)）"、0019 "配達 (配送）"這2個概念，是含糊的。即，需要根據(jù)上下文來識別以哪個語義使用了單詞" ship"、 "deliver"。
[0058] 圖5是概念的關(guān)系定義的一個例子，是示出概念的上位（抽象）/下位（具體）關(guān) 系的圖。
[0059] 追尋層次關(guān)系而處于接近的距離的概念彼此相比于遠離的概念具有更類似的意 義。例如，在圖5中，ID0017的概念"出荷（運出貨物）"被定義為與ID0019的概念"配達 (配送）"處于姐妹關(guān)系的層次，具有例如比其他ID0013的概念"出産（生產(chǎn)）"更類似的 意義。
[0060] 語義候補抽出部40抽出在概念辭典中登記為單詞的語義的概念，并且將抽出的 概念變換為語義的特征矢量。通過變換為語義的特征矢量，能夠與出現(xiàn)上下文之間的相近 度同樣地利用矢量計算來處理概念之間的相近度。
[0061] 圖6是示出依照圖5所示的層次定義，用矢量表現(xiàn)的概念的例子的圖。
[0062] 在圖6中，各行表示在左端顯示的概念I(lǐng)D的矢量。矢量的各分量是構(gòu)成概念層次 的概念，在相當于該概念或者其上位概念時被賦予1，否則被賦予0。例如，在ID0017的概 念中，作為上位概念具有ID0001、ID0011、ID0016,所以對包括自身的ID0017和這些3個概 念的合計4個分量賦予1。
[0063] 從圖6可知，概念I(lǐng)D0017 "出荷（運出貨物）"和ID0019 "配達（配送）"被表現(xiàn) 為比其他概念更類似的矢量。
[0064] 語義推測部60根據(jù)上述出現(xiàn)上下文的特征矢量和語義的特征矢量，推測 分類對象詞的語義。
[0065] 在圖2中，在二維的平面中，示意地表示由上述2個矢量構(gòu)成的特征空間。如果將 分類對象詞X映射到該平面上，則分類對象詞X的出現(xiàn)上下文的特征矢量Φ」χ)的坐標被 唯一地確定。但是，分類對象詞X的語義有含糊性，所以分類對象詞X的語義的特征矢量 Φ^χ)的坐標成為向多個部位概率性地定位的假設(shè)。在圖2中用黑的點表示了在平面上被 映射出的假設(shè)。例如，圖2的分類對象詞"SHIP"在語義的特征矢量側(cè)有含糊性，在3個 部位的點設(shè)置了假設(shè)。
[0066] 為了通過無監(jiān)督學(xué)習(xí)來消除這樣的各詞的語義的含糊性，此處，設(shè)置以下的2個 假定。
[0067]〈假定1>與出現(xiàn)上下文無關(guān)地在相同的語義中使用一個詞目。
[0068]〈假定2>越是與出現(xiàn)上下文相近的單詞的語義接近的語義，越合理。
[0069] 假定1是指，在處理所限定的任務(wù)域的模式的情況下，不發(fā)生單詞的多義性，能夠 對單詞分配一貫的語義。
[0070] 假定2是指，假定1中的各詞中封閉的一貫性的假定希望在進一步將對象擴展至 出現(xiàn)上下文類似的詞群的情況下也具有緩和的連續(xù)性而成立。
[0071] 根據(jù)上述2個假定，此處，通過式11求出對分類對象詞X分配語義s的語義假設(shè) (X，S)的聯(lián)合概率P (X，S)。
[0072] 【式11】
[0073] p(x, s)=

【權(quán)利要求】
1. 一種語義推測裝置，其特征在于，具備： 單詞抽出部，抽出輸入數(shù)據(jù)所包含的多個單詞； 上下文解析部，針對所述單詞抽出部抽出的各單詞，抽出在所述輸入數(shù)據(jù)中該單詞出 現(xiàn)的上下文的特征； 語義候補抽出部，從作為單詞的語義存儲了一個以上的概念的概念辭典，將針對所述 各單詞作為語義存儲的各概念抽出為該單詞的語義候補；以及 語義推測部，執(zhí)行多次概率計算處理，在所述概率計算處理中，針對所述各單詞，根據(jù) 所選擇的單詞和其他單詞的上下文的特征的相近度、所選擇的概念和其他單詞的語義候補 的概念的相近度、以及所選擇的單詞成為所選擇的語義的概率，計算將所述語義候補抽出 部作為語義候補抽出的各概念作為語義的情況下的評價值，并根據(jù)計算出的評價值，再計 算所述概率，所述語義推測部針對所述各單詞，將計算出的概率高的概念推測為該單詞的 語義。
2. 根據(jù)權(quán)利要求1所述的語義推測裝置，其特征在于， 所述語義推測部以上下文的特征越接近則使所述評價值越高、且選擇出的概念和其他 單詞的語義越接近則使所述評價值越高、且所述概率越高則使所述評價值越高的方式，計 算所述評價值，并且以計算出的評價值越高則使所述概率越高的方式，再計算所述概率。
3. 根據(jù)權(quán)利要求2所述的語義推測裝置，其特征在于， 在所述語義推測部中，作為設(shè)所選擇的單詞為X、所選擇的概念為s的情況下的評價 值，通過式1，計算聯(lián)合概率P (X，s), 【式1】 p(x, s)=
9 此處， Z是規(guī)定的值， N是所述輸入數(shù)據(jù)所包含的單詞數(shù)量， Xi是第i個單詞， Wi是忽略了出現(xiàn)的上下文的單詞Xi， Swi是單詞&的語義候補的集合， Sj是集合SWi所包含的概念， η 是單詞Wi的語義為的概率， Φ。是表示上下文的特征的矢量， 是表示概念的矢量， σ。、〇t分別是規(guī)定的值。
4. 根據(jù)權(quán)利要求3所述的語義推測裝置，其特征在于， 所述語義推測部通過式2,計算單詞x成為概念s的概率π '， 【式2】
此處，Xw是所述輸入數(shù)據(jù)所包含的單詞的集合。
5. 根據(jù)權(quán)利要求4所述的語義推測裝置，其特征在于， 所述語義推測部在所述概率計算處理中通過式3計算合計似然度L，直至在第n+1次的 所述概率計算處理中計算出的合計似然度L相對在第η次的所述概率計算處理中計算出的 合計似然度L的增量變得小于規(guī)定的閾值Θ為止，重復(fù)所述概率計算處理，其中， η是1以 上的整數(shù)， 【式3】
〇
6. 根據(jù)權(quán)利要求5所述的語義推測裝置，其特征在于， 所述語義推測部針對所述各單詞，將通過式2計算出的所述概率π '最高的語義候補 的所述概率nws置換為1，將其他語義候補的所述概率nws置換為〇,進行所述合計似然度 L的計算、和所述評價值的再計算。
7. 根據(jù)權(quán)利要求1至6中的任意一項所述的語義推測裝置，其特征在于， 所述上下文的特征包括選擇出的單詞的周邊的單詞、和與包括選擇出的單詞的字符串 關(guān)聯(lián)起來的其他字符串所包含的單詞中的至少某一個。
8. 根據(jù)權(quán)利要求1至7中的任意一項所述的語義推測裝置，其特征在于， 所述上下文的特征包括選擇出的單詞的周邊的單詞的語義、和與包括選擇出的單詞的 字符串關(guān)聯(lián)起來的其他字符串所包含的單詞的語義中的至少某一個。
9. 根據(jù)權(quán)利要求1至8中的任意一項所述的語義推測裝置，其特征在于， 在所述概念辭典中作為單詞的語義存儲的概念中設(shè)定了通過圖表構(gòu)造表示的層次關(guān) 系，2個概念之間的相近度是根據(jù)該概念之間的鏈接的數(shù)量決定的。
10. 根據(jù)權(quán)利要求1至9中的任意一項所述的語義推測裝置，其特征在于， 所述語義候補抽出部在所述單詞抽出部抽出的單詞未登記于所述概念辭典中的情況 下，從所述概念辭典確定與構(gòu)成該單詞的字符串的類似度為規(guī)定以上的單詞，將針對確定 出的單詞作為語義存儲的各概念抽出為所述單詞抽出部抽出的單詞的語義候補。
11. 根據(jù)權(quán)利要求1至10中的任意一項所述的語義推測裝置，其特征在于， 所述語義推測部在預(yù)先被賦予了一部分的單詞的語義的情況下，針對該單詞，將語義 候補中的與被賦予的語義對應(yīng)的語義候補的所述概率固定為1，將其他語義候補的所述概 率固定為〇。
12. -種語義推測方法，其特征在于，具備： 單詞抽出步驟，處理裝置抽出輸入數(shù)據(jù)所包含的多個單詞； 上下文解析步驟，處理裝置針對在所述單詞抽出步驟中抽出的各單詞，抽出在所述輸 入數(shù)據(jù)中該單詞出現(xiàn)的上下文的特征； 語義候補抽出步驟，處理裝置從作為單詞的語義存儲了一個以上的概念的概念辭典， 將針對所述各單詞作為語義存儲的各概念抽出為該單詞的語義候補；以及 語義推測步驟，處理裝置執(zhí)行多次概率計算處理，在所述概率計算處理中，針對所述各 單詞，根據(jù)所選擇的單詞和其他單詞的上下文的特征的相近度、所選擇的概念和其他單詞 的語義候補的概念的相近度、以及所選擇的單詞成為所選擇的語義的概率，計算將在所述 語義候補抽出步驟中作為語義候補抽出的各概念作為語義的情況下的評價值，并根據(jù)計算 出的評價值，再計算所述概率，在所述語義推測步驟中，針對所述各單詞，將計算出的概率 高的概念推測為該單詞的語義。
13. -種語義推測程序，其特征在于，使計算機執(zhí)行如下處理： 單詞抽出處理，抽出輸入數(shù)據(jù)所包含的多個單詞； 上下文解析處理，針對在所述單詞抽出處理中抽出的各單詞，抽出在所述輸入數(shù)據(jù)中 該單詞出現(xiàn)的上下文的特征； 語義候補抽出處理，從作為單詞的語義存儲了一個以上的概念的概念辭典，將針對所 述各單詞作為語義存儲的各概念抽出為該單詞的語義候補；以及 語義推測處理，執(zhí)行多次概率計算處理，在所述概率計算處理中，針對所述各單詞，根 據(jù)所選擇的單詞和其他單詞的上下文的特征的相近度、所選擇的概念和其他單詞的語義候 補的概念的相近度、以及所選擇的單詞成為所選擇的語義的概率，計算將在所述語義候補 抽出處理中作為語義候補抽出的各概念作為語義的情況下的評價值，并根據(jù)計算出的評價 值，再計算所述概率，在所述語義推測處理中，針對所述各單詞，將計算出的概率高的概念 推測為該單詞的語義。
【文檔編號】G06F17/27GK104160392SQ201280071188
【公開日】2014年11月19日 申請日期:2012年3月7日 優(yōu)先權(quán)日:2012年3月7日
【發(fā)明者】谷垣宏一, 柴光輝, 高山茂伸 申請人:三菱電機株式會社