提供能以比句小的單位效率良好地收集矛盾表現的裝置。矛盾表現收集裝置包括：第1階段矛盾型式分類部，其通過將以「XがYを○○する(X對Y進行○○)」這樣形式的型式所構成的型式對作為學習數據的機器學習來提取相互矛盾的型式所構成的型式對；追加矛盾型式對導出部(130)，其對提取的各個型式對，運用包含關系來改寫一方的型式，導出新的型式對；學習數據擴展部(136)，其通過將在導出的新的型式對中由相互矛盾的型式構成的可能性高的型式對追加到學習數據中，來擴展學習數據；和SVM(142)，其通過利用了擴展的學習數據的機器學習，來進行第2階段分類，將被賦予的型式對分類為相互矛盾的型式所構成的型式對和這以外。

技術領域

本發明涉及從大量的文本中提取矛盾的表現的裝置，特別涉及從大量的文本中可靠性高地提取相互矛盾的表現的配對的裝置。

背景技術

若能在文本中檢測矛盾的表現，就能將其結果使用在眾多的目的中。例如，若能在龐大的文本中檢測相互矛盾的表現，就能通過對它們做記號來喚起文本的作成者的注意。在對他人作成的文本進行審查的情況下，能驗證其邏輯的一貫性。在比較不同的作者作成的文本的情況下，能確認其主張的異同。

例如在日語記載的Web頁經常能看到「アガリクスがガンを防ぐ(落葉松蕈防癌)」這樣主旨的記載。這樣的主張也被眾多日本人所接受。但若用例如「アガリクスガン促進すゐ(落葉松蕈癌癥促進)」這樣的關鍵詞檢索 Web，則能找到「アガリクスによリラツトのガンが促道すゐ(因落葉松蕈而促進小白鼠癌癥)」這樣的報告。該報告參考了銷售的一部分落葉松蕈制品促進小白鼠的癌這樣由厚生勞動省承認報告。根據這樣的報導可知，存在與落葉松蕈防止癌癥這樣的主張矛盾的報告，其結果，對落葉松蕈懷有興趣的人會進一步展開調查。

另外，在災害的發生時，在網絡上的所謂的博客、微博客、社交媒體等涌來大量信息。這些信息在進行合適的避難、適時進行支援上非常有用。但在它們當中，包括較多沒有根據的信息、以及所謂的捏造信息。這些信息看上去難以與真實的信息區別。為此，不僅在進行正確的判斷上無益，還會妨礙正常的信息流通，有增大災害引起的損失、或使推遲恢復的危險性。若能分析網絡上的信息，提取出矛盾的信息提示給用戶，用戶就能整理能信賴的信息和不能信賴的信息，結果能盡早平息非常時的混亂。

若考慮這樣的示例，著眼于關于某事態相互矛盾的主張的讀者會對該事態展開進一步的調查，結局能獲知真相的可能性較高。這不僅適用于與事實相關的知識，還適用于日常生活發現的與關于事實的事態不同的知識。例如取被稱作TPP(Trans PacificPartnership，跨太平洋伙伴協議)的經濟合作協定為例。關于TPP，關于日本是否加盟TPP有各種主張。在這當中找出非常重大且相互矛盾的主張。即，“由于TPP會使日本的農業毀滅”這樣的主張、“由于TPP會強化日本的農業”這樣的主張混合存在。這些主張或預想即日本是否會加盟TPP，只有做出決定才能驗證其成否。

進而，有時，在閱讀含有相互矛盾的主張的不同的文本時，有在成為它們的根據的邏輯中認為看上去沒有錯誤的情況。例如有「TPPによリ、日本からの農産物の輸出が増加する(由于TPP，來自日本的農產品的出口會增加)」這樣的主張、「安価な農産物が大量に日本に輸入されるだろう (廉價的農產品會大量進口到日本)」這樣的主張等。例如出于遵循日元的匯率的變動這樣的預想的理由，還會有這些主張的僅一者在結果上正確的情況。但不得不對成為這些相互矛盾的主張的根據的理論進行調查，充分研討來自在多個視點的意見，做出取得平衡的決定，合適地應對預測到的問題。矛盾表現的認識，會非常有助于在選擇要在這樣的情況下進行研討的文書。

現有技術文獻

非專利文獻