JP7717901B2 - プログラム、及び、システム - Google Patents

Description

本発明は、プログラム、及び、システムに関する。

従来、コンピュータを利用したゲーム（以下単に「ゲーム」という。）内において、ゲーム内で使用するアイテム（ｉｔｅｍ）をユーザのプレイに応じて付与する技術が知られている。

例えば、ゲーム内、すなわち、仮想空間にあるカジノにおいて、カジノゲームで勝利すると、プレイヤは仮想通貨を取得する。そして、仮想通貨の量が所定量を超えると、プレイヤに通知がされる。そして、仮想通貨は、ゲーム内における交換所で、ゲーム内で使用可能なアイテムと交換が可能である。このようにして、プレイヤに仮想通貨を獲得させるモチベーションを持たせる技術が知られている（例えば、特許文献１等である）。

特開２０１６－２９９５７号公報

しかしながら、従来の技術は、アイテム等のゲーム内要素を登場、交換、使用、付与、売買、改良、又は、取得等とするような状況において、これらの各状況に応じた事前の設定をゲームの開発段階で規定しておく必要がある。つまり、一のゲーム内要素について、各状況に対応する挙動を１つ１つ設定する必要があり、状況が増えれば増えるほどゲーム内要素を事前に設定する作業負荷が増加していくことになっていた。

本発明は、ゲームで扱うアイテム等のゲーム内要素に関する設定作業の負荷を軽減させることを目的とする。

本発明によって上記の課題を解決するため、プログラムは、コンピュータを、ストーリデータ、及び、ログデータを含む学習データを用いて学習した学習済みモデルに対し、ゲーム内におけるプレイヤの操作に関するログデータが入力されると、ゲーム内要素に関する出力データを生成する生成手段と、前記出力データに基づき、前記ゲーム内要素を前記ゲーム内に登場させ、前記ゲーム内要素を用いて前記ゲームを進行可能とする進行手段として機能させる。

本発明によれば、ゲームで扱うアイテム等のゲーム内要素に関する設定作業の負荷を軽減できる。

本実施形態に係るシステム構成例を示す図である。 事前処理例を示す図である。 実行処理例を示す図である。 ＡＩの学習、及び、実行の全体処理例を示す図である。 情報処理装置のハードウェア構成例を示す図である。 ＡＩの構成例を示すネットワーク図である。 ＲＰＧにおける第１学習モデルの学習処理の例を示す図である。 ＲＰＧにおける第２学習モデルの学習処理の例を示す図である。 ＲＰＧにおける実行処理の例を示す図である。 全体処理例を示す図である。 機能構成例を示す図である。 補助装置を用いる構成例を示す図である。

以下、実施形態を図面に基づいて説明する。

［システム構成例］
図１は、本実施形態に係るシステム構成例を示す図である。例えば、図１に示すように、システム１は、ユーザ端末２０Ａ、２０Ｂ、２０Ｃ（以下、これらを総称して、「ユーザ端末２０」と表記することがある。）と、サーバ１１とを主に備える。

以下、サーバ１１を管理する者を「管理者５」という。また、ユーザ端末２０Ａ、２０Ｂ、及び、２０Ｃを操作するそれぞれの者を「ユーザ４Ａ」、「ユーザ４Ｂ」、「ユーザ４Ｃ」（以下、これらを総称して、「ユーザ４」と表記することがある。）という。

管理者５は、システム１による情報処理サービスを運営する役割の者である。一方で、ユーザ４は、システム１による情報処理サービスを利用する者である。また、管理者５、及び、ユーザ４は、管理装置の例であるサーバ１１、又は、ユーザ端末２０のどちらの情報処理装置を操作するかが異なる。以下、ユーザ４がゲームのプレイヤとなり、管理者５がゲーム（例えば、ゲームの生成、変更、及び、配信等を行う。）、及び、サーバ１１を管理する。

なお、図１に示す例は、ユーザ端末２０が３つ、かつ、サーバ１１が１つの例であるが、サーバ１１の台数、ユーザ端末２０の台数、管理者５の人数、及び、ユーザ４の人数は問わない。

サーバ１１、及び、ユーザ端末２０は、通信ネットワーク２を介して相互通信可能に接続する。例えば、通信ネットワーク２は、インターネット、移動体通信システム（例えば、４Ｇ（４ｔｈ Ｇｅｎｅｒａｔｉｏｎ、第４世代移動通信規格）、又は、５Ｇ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ、第５世代移動通信規格）等による公衆回線である。）、Ｗｉ－Ｆｉ（登録商標）等の無線ネットワーク、又は、これらの組み合わせである。

ユーザ端末２０は、サーバ１１からゲームをプレイするためのプログラム（以下、「ゲームプログラム」という。）をダウンロード、又は、サーバ１１にアクセスするとサーバ１１がゲームサービスを提供する。なお、ゲームをプレイする上でサーバ１１と通信がなくともよい。すなわち、ユーザ端末２０は、プログラムをダウンロード、又は、メディアからインストールしてゲームをプレイする環境を構築してもよい。また、ゲームは、ユーザ端末２０以外の情報処理装置でプレイされてもよい。

［ＡＩ（人工知能、Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）の学習、及び、実行の例］
以下、ＡＩは、「事前処理」（「学習処理」という場合もある。）によって学習する。学習段階、すなわち、「事前処理」におけるＡＩを「学習モデルＡ１」という。以下、２つの学習モデルＡ１があり、「第１学習モデルＡ１１」、及び、「第２学習モデルＡ１２」という。また、「第１学習モデルＡ１１」、及び、「第２学習モデルＡ１２」を総じて「学習モデルＡ１」という場合がある。

そして、学習モデルＡ１は、ある程度、学習が進むと、「学習済みモデルＡ２」となる。以下、学習済みモデルＡ２を用いて出力処理を実行する実行段階を「実行処理」とする。また、「第１学習モデルＡ１１」が学習すると、「第１学習済みモデルＡ２１」となる。同様に、「第２学習モデルＡ１２」が学習すると、「第２学習済みモデルＡ２２」となる。以下、「第１学習済みモデルＡ２１」、及び、「第２学習済みモデルＡ２２」を総じて「学習済みモデルＡ２」という場合がある。

「事前処理」は、「実行処理」より前に行われる。ただし、「実行処理」をする上で引き続き「事前処理」、すなわち、学習済みモデルＡ２が学習を行ってもよい。

［事前処理例］
図２は、事前処理例を示す図である。例えば、事前処理は、サーバ１１で行われる。

第１学習モデルＡ１１は、第１学習データＤＬ１を入力して学習を行う。同様に、第２学習モデルＡ１２は、第２学習データＤＬ２を入力して学習を行う。すなわち、学習モデルＡ１は、所謂「教師あり」の学習を行う。

第１学習データＤＬ１は、ログデータＤＬ１２、ストーリデータＤＬ１１、及び、第１正解データＤＬ１３を含む。

そして、第１学習データＤＬ１は、ログデータＤＬ１２、及び、ストーリデータＤＬ１１に対して、「正解」となる第１正解データＤＬ１３を対応付けしたデータである。このように、ログデータＤＬ１２、及び、ストーリデータＤＬ１１は、正解が既知のデータである。

第１学習データＤＬ１、ストーリデータＤＬ１１、ログデータＤＬ１２、及び、第１正解データＤＬ１３の詳細は後述する。

上記のような学習処理により、第１学習モデルＡ１１は、第１学習データＤＬ１が入力されると、ログデータＤＬ１２とストーリデータＤＬ１１の組み合わせに対して、第１正解データＤＬ１３が示す「正解」との相関関係を学習する。

第２学習データＤＬ２は、第１学習データＤＬ１と同様に、ログデータＤＬ１２を含む。したがって、ログデータＤＬ１２は、データを複製、又は、使い回しで第１学習データＤＬ１、及び、第２学習データＤＬ２の両方で使用される。

加えて、第２学習データＤＬ２は、キーワードＤＬ２１、及び、第２正解データＤＬ２２を含む。

第２学習データＤＬ２、キーワードＤＬ２１、及び、第２正解データＤＬ２２の詳細は後述する。

そして、第２学習データＤＬ２は、ログデータＤＬ１２、及び、キーワードＤＬ２１に対して、「正解」となる第２正解データＤＬ２２を対応付けしたデータである。このように、ログデータＤＬ１２、及び、キーワードＤＬ２１は、正解が既知のデータである。

第２正解データＤＬ２２は、ストーリデータＤＬ１１と同様の内容を示すデータである。したがって、第２正解データＤＬ２２は、複製、又は、使い回しで第１学習データＤＬ１、及び、第２学習データＤＬ２の両方で使用される。ただし、第２正解データＤＬ２２は、第２学習データＤＬ２では「正解」を示す正解データであるのに対し、第１学習データＤＬ１では、ストーリデータＤＬ１１は、入力となるデータである。このように、同じ内容のデータでも、第２正解データＤＬ２２、及び、ストーリデータＤＬ１１は、学習処理において、役割が異なる。

更に、学習モデルＡ１は、ビッグデータＤ４で学習するのが望ましい。例えば、ビッグデータＤ４は、インターネット上のデータ等である。ただし、ビッグデータＤ４は、管理者５等が入力するデータでもよい。このように、ビッグデータＤ４で学習すると、人間が書くような自然な文章、及び、データ等を生成するＡＩを生成できる。

［実行処理例］
図３は、実行処理例を示す図である。例えば、実行処理は、ユーザ端末２０、サーバ１１、又は、ユーザ端末２０とサーバ１１等のように複数の情報処理装置が協働して行う。

学習済みモデルＡ２は、事前処理による学習によって学習モデルＡ１が学習した状態である。すなわち、図２に示す事前処理が実行されると、学習済みモデルＡ２が生成される。

第１学習済みモデルＡ２１は、第１未知データＤＵ１が入力されると、出力データＤ３を生成する。

第１未知データＤＵ１は、「正解」が未知である、ログデータ（以下「未知ログデータＤＵ１１」という。）とストーリデータ（以下「未知ストーリデータＤＵ１２」という。）の組み合わせのデータである。

第１未知データＤＵ１、未知ログデータＤＵ１１、未知ストーリデータＤＵ１２、及び、出力データＤ３の詳細は後述する。

第２学習済みモデルＡ２２は、第２未知データＤＵ２が入力されると、未知ストーリデータＤＵ１２を生成する。

第２未知データＤＵ２は、「正解」が未知である、未知ログデータＤＵ１１とキーワード（以下「未知キーワードＤＵ２１」という。）の組み合わせのデータである。なお、未知ログデータＤＵ１１は、学習処理におけるログデータＤＬ１２と同様に、第１未知データＤＵ１と第２未知データＤＵ２に複製、又は、使い回しをして同じデータを使用する。

第２学習済みモデルＡ２２が生成した未知ストーリデータＤＵ１２は、第１未知データＤＵ１として、第１学習済みモデルＡ２１に入力される。

上記の構成は、ストーリ生成器１２が未知ストーリデータＤＵ１２を生成する前処理を行う構成である。なお、上記の構成では、ＡＩを前処理用と後処理用で分けて２つのＡＩとしているが、ＡＩは、まとめて１つ、又は、３つ以上に分ける構成でもよい。

出力データＤ３が生成されると、サーバ１１は、出力データＤ３に基づき、ユーザ端末２０にゲームを配信する。なお、ゲームは、出力データＤ３がユーザ端末２０に送信されるでもよい。ゲームに出力データＤ３の内容が反映されるのであれば、ゲームを配信する構成、及び、出力データＤ３を保持するデータ構成等は問わない。

図４は、ＡＩの学習、及び、実行の全体処理例を示す図である。図２に示す事前処理、及び、図３に示す実行処理の関係は、図４に示すような関係となる。

なお、事前処理、及び、実行処理を図に例示するような連続する順序で実行しなくともよい。したがって、事前処理によって準備を行う期間と、その後、実行処理を行う期間を連続させることは必須ではない。ゆえに、実行処理は、学習済みモデルＡ２を一旦作成した後であれば、事前処理から時間が経過した後に実行処理を行うようにしてもよい。また、学習済みモデルＡ２が一度生成された後であれば、学習済みモデルＡ２を転用して実行処理が行われてもよい。

学習処理と実行処理では、第１学習データＤＬ１と第１未知データＤＵ１が異なる。更に、学習処理と実行処理では、第２学習データＤＬ２と第２未知データＤＵ２が異なる。また、ＡＩは、学習段階では、学習モデルＡ１であったのが、ある程度学習が進むと、学習済みモデルＡ２となる。このように、ビッグデータＤ４等を学習データとして学習した学習済みモデルＡ２は、所謂「生成ＡＩ」である。

各学習データは、「正解」が既知であるのに対し、各未知データは、「正解」が未知となる。具体的には、第１学習データＤＬ１は、第１正解データＤＬ１３を含むため、ログデータＤＬ１２とストーリデータＤＬ１１の組み合わせに第１正解データＤＬ１３が対応付けされているのに対し、第１未知データＤＵ１は、第１正解データＤＬ１３を含まない。したがって、学習処理では、ログデータＤＬ１２とストーリデータＤＬ１１の組み合わせと、第１正解データＤＬ１３の関係が既知である。そのため、第１学習モデルＡ１１は、第１学習データＤＬ１を入力すると、ログデータＤＬ１２とストーリデータＤＬ１１の組み合わせと、「正解」の相関関係を学習できる。

同様に、第２学習データＤＬ２は、第２正解データＤＬ２２を含むため、ログデータＤＬ１２とキーワードＤＬ２１の組み合わせに第２正解データＤＬ２２が対応付けされているのに対し、第２未知データＤＵ２は、第２正解データＤＬ２２を含まない。したがって、学習処理では、ログデータＤＬ１２とキーワードＤＬ２１の組み合わせと、第２正解データＤＬ２２の関係が既知である。そのため、第２学習モデルＡ１２は、第２学習データＤＬ２を入力すると、ログデータＤＬ１２とキーワードＤＬ２１の組み合わせと、「正解」の相関関係を学習できる。

一方で、第１未知データＤＵ１には、第１正解データＤＬ１３が含まれず、第１未知データＤＵ１に対する「正解」が未知である。そして、第１学習済みモデルＡ２１は、事前処理で学習したログデータＤＬ１２とストーリデータＤＬ１１の組み合わせと、第１正解データＤＬ１３の相関関係に基づき、第１未知データＤＵ１に対して出力データＤ３を生成する。

同様に、第２未知データＤＵ２には、第２正解データＤＬ２２が含まれず、第２未知データＤＵ２に対する「正解」が未知である。そして、第２学習済みモデルＡ２２は、事前処理で学習したログデータＤＬ１２とキーワードＤＬ２１の組み合わせと、第２正解データＤＬ２２の相関関係に基づき、第２未知データＤＵ２に対して未知ストーリデータＤＵ１２を生成する。

実行処理は、一部の実行がテーブル等を用いる処理でもよい。このように、テーブルを用いる構成、所謂ルールベースでは、事前処理は、テーブル（ルックアップテーブル（Ｌｏｏｋ Ｕｐ Ｔａｂｌｅ、ＬＵＴ）等ともいう。）、又は、数式等を入力する準備を行う処理である。

［情報処理装置のハードウェア構成例］
図５は、情報処理装置のハードウェア構成図である。情報処理装置は、サーバ１１、及び、ユーザ端末２０等である。以下、情報処理装置は、サーバ１１と同じハードウェア構成であるとする。例えば、情報処理装置は、ワークステーション、又は、パーソナルコンピュータ等の汎用コンピュータである。ただし、それぞれの情報処理装置は、ハードウェア構成が異なってもよい。

サーバ１１は、プロセッサ１１１と、メモリ１１２と、ストレージ１１３と、入出力インタフェース１１４と、通信インタフェース１１５とを主に備える。また、サーバ１１の各構成要素は、通信バス１１６に接続する。

プロセッサ１１１は、メモリ１１２又はストレージ１１３に格納されているサーバプログラム１１Ｐに含まれる一連の命令を実行することによって、処理、及び、制御を実現する。

プロセッサ１１１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、又は、これらの組み合わせ等の演算装置、及び、制御装置である。

メモリ１１２は、サーバプログラム１１Ｐ、及び、データ等を記憶する主記憶装置である。例えば、サーバプログラム１１Ｐは、ストレージ１１３からロードされる。また、データは、サーバ１１に入力されたデータと、プロセッサ１１１によって生成されたデータとを含む。例えば、メモリ１１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、又は、その他の揮発メモリである。

ストレージ１１３は、サーバプログラム１１Ｐ、及び、データ等を記憶する補助記憶装置である。ストレージ１１３は、例えば、ＲＯＭ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ハードディスク装置、フラッシュメモリ、又は、その他の不揮発記憶装置である。また、ストレージ１１３は、メモリカードのように着脱可能な記憶装置でもよい。更に、他の例として、ストレージ１１３は、外部記憶装置であってもよい。このような構成によれば、例えば、アミューズメント施設のように複数のユーザ端末２０が使用される場面において、サーバプログラム１１Ｐ、又は、データの更新等を一括して行うことが可能になる。

入出力インタフェース１１４は、モニタ、入力装置（例えば、キーボード、又は、ポインティングデバイス等である。）、外部記憶装置、スピーカ、カメラ、マイク、及び、センサ等の外部装置をサーバ１１に接続するインタフェースである。

また、プロセッサ１１１は、入出力インタフェース１１４を通じて外部装置と通信する。入出力インタフェース１１４は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）、ＤＶＩ（Ｄｉｇｉｔａｌ Ｖｉｓｕａｌ Ｉｎｔｅｒｆａｃｅ）、ＨＤＭＩ（登録商標）（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｔｅｒｆａｃｅ）、無線、及び、その他の端子である。

通信インタフェース１１５は、通信ネットワーク２に接続する他の装置（例えば、ユーザ端末２０等である。）と通信する。例えば、通信インタフェース１１５は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の有線通信インタフェース、Ｗｉ－Ｆｉ（登録商標）（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）等の無線通信インタフェースである。

ただし、情報処理装置は、上記のハードウェア構成に限られない。例えば、ユーザ端末２０は、カメラ等のセンサを更に備えてもよい。そして、ユーザ端末２０がセンサで取得する様々なデータがサーバ１１に送信されてもよい。

［学習モデル、及び、学習済みモデルの構成例］
図６は、ＡＩの構成例を示すネットワーク図である。学習モデルＡ１、及び、学習済みモデルＡ２は、例えば、以下のようなネットワークで示す構成のＡＩである。

以下、学習モデルＡ１、及び、学習済みモデルＡ２は、サーバ１１上、すなわち、クラウド上に実装される例で説明する。ただし、学習モデルＡ１、及び、学習済みモデルＡ２の一部、又は、全部は、ユーザ端末２０等に実装されてもよい。

ネットワーク３００は、例えば、入力層Ｌ１、中間層Ｌ２（「隠れ層」等ともいう。）、及び、出力層Ｌ３等を有する構成である。

入力層Ｌ１は、データを入力する層である。

中間層Ｌ２は、入力層Ｌ１で入力するデータを重み、及び、バイアス等に基づいて変換する。このように中間層Ｌ２で処理された結果が出力層Ｌ３へ伝えられる。

出力層Ｌ３は、出力内容等を出力する層である。

そして、学習により、重みの係数、及び、学習で変化させるパラメータ等が最適化される。なお、ネットワーク３００は、図示するネットワーク構造に限られない。つまり、ＡＩは、他の機械学習によって実現されてもよい。

例えば、ＡＩは、「教師なし」の機械学習等により、次元削減（例えば、３次元以上の関係を３次元以下程度の簡略な計算で求まる関係に変える処理である。）等の前処理を行う構成等でもよい。入力と出力の関係は、１次式等の単純な計算で処理されるのが望ましい。このような計算であると、計算コストを少なくできる。

また、ＡＩは、ドロップアウト等といった過学習（「過剰適合」又は「過適合」等ともいう。）（ｏｖｅｒｆｉｔｔｉｎｇ）を軽減化させる処理が行われてもよい。他にも、次元削減、及び、正規化等の前処理が行われてもよい。

ＡＩは、ＣＮＮ（畳み込みニューラルネットワーク、Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）のネットワーク構造等があってもよい。他にも、例えば、ネットワーク構造は、ＬＬＭ（Ｌａｒｇｅ Ｌａｎｇｕａｇｅ Ｍｏｄｅｌ 大規模言語モデル）、ＲＮＮ（再帰型ニューラルネットワーク、Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）又はＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）等の構成を有してもよい。すなわち、ＡＩは、ディープラーニング以外のネットワーク構造等であってもよい。

また、ＡＩは、ハイパパラメータを有する構成であってもよい。すなわち、ＡＩは、一部の設定をユーザ等が行う構成でもよい。更に、ＡＩは、学習対象とする特徴量を特定してもよいし、ユーザが学習対象とする一部又は全部の特徴量を設定してもよい。

更に、学習モデルＡ１、及び、学習済みモデルＡ２は、他の機械学習を利用してもよい。例えば、学習モデルＡ１、及び、学習済みモデルＡ２は、教師なしのモデルにより、正規化等を前処理で行ってもよい。更に、学習は、強化学習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ、ＡＩに選択をさせ、選択に対する評価（報酬）を与えて、評価が大きくなるような学習方法をいう。）等であってもよい。

学習では、データの拡張等が行われてもよい。すなわち、学習モデルＡ１の学習に用いる学習データを増やすため、１つの実験データ等を拡張させて、複数の学習データにする前処理が行われてもよい。このようにして、学習データを増やせると、より学習モデルＡ１の学習を進めることができる。

また、学習モデルＡ１、及び、学習済みモデルＡ２は、転移学習（Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ）、又は、ファインチューニング（Ｆｉｎｅ ｔｕｎｉｎｇ）等を行う構成でもよい。すなわち、ユーザ端末２０は、装置ごとに異なる実行環境となる場合が多いため、実行環境に合わせて装置ごとに設定が異なってもよい。例えば、ＡＩの基本構成は、別の情報処理装置で学習する。その後、各々の情報処理装置は、各々の実行環境に最適化するため、追加して学習、又は、設定等がされてもよい。

［ＲＰＧ（Ｒｏｌｅ－Ｐｌａｙｉｎｇ Ｇａｍｅ）における学習処理の例］
以下、ＲＰＧを対象にした例で説明する。ＲＰＧでは、ゲームを進行させると、イベント等が生じ、様々な要素が登場する。以下、ゲーム内で登場する要素を「ゲーム内要素」という。

ゲーム内要素は、具体的には、ゲームのストーリ上で登場する、アイテム、キャラクタ、スキル（技）、魔法、・・・等である。ゲーム内要素は、具体的には、ゲームのストーリ上で登場する、アイテム、キャラクタ、スキル（技）、魔法、・・・等、ゲームを構成する各種の要素を含む。ゲーム内要素は、アイテム、又は、スキルのようにプレイにおいて操作する対象となる場合もあるし、ユーザ４による操作がされない対象の場合もある。

例えば、アイテムは、ゲームを進行させるイベントに必要なイベントアイテムや、敵を攻撃することができる攻撃アイテムの他、キャラクタの体力や状態異常を回復させる回復アイテム、キャラクタの攻撃力や防御力、すばやさ等の各種パラメータを向上させる（所謂、バフ効果を発揮させる。）、又は、敵の各種パラメータを低下させる（所謂、デバフ効果を発揮させる等である。）といった補助アイテム等を含む、ゲーム内要素の一つである。

なお、アイテムは上記に限らず、武器や防具、アクセサリ等の装備品の他、デッキを構成するカード、アイテム合成、又は、モンスター等の合成に用いられるような各種の素材アイテム等であってもよい。また、アイテムは、必ずしもゲームの進行上取得が必須でない、ゲーム内では使用することができないアイテム（例えば、所定の敵を撃破（所定数撃破等を意味する。）した等のゲーム内における所定条件の成就を称える勲章やバッジ等である。）を含んでもよい。

また、キャラクタは、ゲーム内の人間や動物、ロボット等であって、ゲームを進行させる上でイベントを発生させるのに何らかのきっかけを作る、主人公の仲間となってパーティを形成する、又は、ストーリを構成する等の要素である。なお、キャラクタには、プレイヤが操作できるプレイアブルなキャラクタ、プレイヤが操作できないノンプレイアブルなキャラクタ（いわゆるNPC）を含む。また、必ずしも実在するものに限られず、亜人や獣人、アンドロイド等のゲームの世界観に合わせて設定されたオブジェクトであってもよい。

スキル（技）、又は、魔法（ゲームによって名称は様々である。）は、ユーザ４の操作に基づき発動し、ゲーム内における戦闘等を有利に進めることができるコマンド等を含む要素である。なお、スキルや魔法について、必ずしも有利となるものだけに限られず、例えば、火耐性＋５０となるが、氷耐性は－５０、といったような、一部のパラメータは強化されるが別のパラメータは弱化されるようなものも含む。また、操作によらずに発動するいわゆる「パッシブスキル」のようなものも含む。

以下、ゲーム内要素を「アイテム」とする例で説明する。そして、以下の例では、出力データＤ３は、アイテムがどのようなものであるか（例えば、使用するとどのような効果が生じるか等の仕様である。）を示し、出力データＤ３があればユーザ端末２０でプレイされるゲーム内にアイテムを登場させることができるとする。

［第１学習データ、ストーリデータ、ログデータ、及び、第１正解データの例］
図７は、ＲＰＧにおける第１学習モデルの学習処理の例を示す図である。例えば、第１学習モデルＡ１１を学習させるのに、以下のようなデータを学習に用いる。

ログデータＤＬ１２は、例えば、ゲームがプレイされると、ゲームの進行に合わせて生成される。なお、ログデータＤＬ１２は、ゲームを開始する前の時点におけるゲームを進めようとする設定、及び、予定等でもよい。一方で、ログデータＤＬ１２は、ゲームを途中まで進行させた場合等では、ゲームを開始させた最初の時点から進行させた時点までの記録等である。

ログデータＤＬ１２は、例えば、画像データＤＬ１２１、及び、プロフィールデータＤＬ１２２等を含むデータ構成である。ただし、各データは、ファイル等が分かれてなくともよく、１つのデータに複数の内容を含むデータ構成でもよい。また、ログデータＤＬ１２は、ゲームにおける各種の設定等を示す。

画像データＤＬ１２１は、例えば、出力画面（ユーザ４に未公開の画面を含む。）、キャラクタの外観、又は、様々なアイテムの外観等を示すデータである。なお、画像データＤＬ１２１は、画像解析がされてパラメータが抽出されてもよい。

プロフィールデータＤＬ１２２は、ゲームにおいて登場するキャラクタ、又は、ユーザ４のプロフィールを示す。プロフィールデータＤＬ１２２が、どのキャラクタ、又は、ユーザ４のプロフィールを示すのかは、ゲームの設定、又は、入力項目等によって異なる。

例えば、プロフィールデータＤＬ１２２は、ゲーム開始の際に、ユーザ４が入力する。ただし、プロフィールデータＤＬ１２２は、ユーザ４の設定でなく事前の設定でもよいし、ユーザ端末２０、又は、他のデータベース等から取得されてもよい。

具体的には、プロフィールデータＤＬ１２２は、名前、出身、性別、年齢、職業、及び、友人関係等の設定項目である。どのようなプロフィールの項目とするかは事前に設定される。

名前は、例えば、ユーザ４の本名、略称、又は、変名等である。また、名前は、キャラクタに設定するニックネーム等の識別情報でもよい。同様に、出身、性別、年齢、職業、及び、友人関係は、ユーザ４の設定でもよいし、ゲーム上の架空の設定でもよい。

ストーリデータＤＬ１１は、例えば、ストーリを文章で示すテキストデータである。ただし、ストーリデータＤＬ１１には、画像等があってもよい。

第１正解データＤＬ１３は、ゲームに登場させるアイテムを示すデータである。具体的には、第１正解データＤＬ１３は、アイテムの外観、名称、使用した場合の効果等といった仕様である。第１正解データＤＬ１３、すなわち、アイテムを登場させるための仕様は、ゲームによって異なる。したがって、第１正解データＤＬ１３は、ゲーム内にアイテムを登場させるのに要する項目を含むデータである。

以上のような学習を行うと、第１学習モデルＡ１１は、ストーリ、及び、プロフィール等から、どのようなアイテムを生成するのかの相関関係を学習する。上記の通り、アイテムを生成する上で、ストーリ以外に、補助データとして、プロフィール、及び、画像等を入力すると、アイテムの生成に補助データの情報が考慮される。

［第２学習データ、キーワード、ログデータ、及び、第２正解データの例］
図８は、ＲＰＧにおける第２学習モデルの学習処理の例を示す図である。例えば、第２学習モデルＡ１２を学習させるのに、以下のようなデータを学習に用いる。

ログデータＤＬ１２は、例えば、第１学習モデルＡ１１、すなわち、図７に示す学習処理と同様である。ただし、ログデータＤＬ１２は、第１学習モデルＡ１１の学習処理とはデータの内容が異なる、又は、データ量が異なるようにしてもよい。

キーワードＤＬ２１は、ストーリデータＤＬ１１を生成するのに参考にされる単語、又は、文章である。例えば、キーワードＤＬ２１は、ゲーム内要素の意味、ゲーム内要素の特徴、キャラクタにおきる出来事、ストーリに登場させたい要素、又は、ストーリの要点等である。

ストーリデータＤＬ１１は、例えば、ストーリを文章で示すテキストデータである。すなわち、ストーリデータＤＬ１１は、図７に示す学習処理と同様である。

例えば、キーワードＤＬ２１が入力されると、キーワードＤＬ２１が含まれるストーリが生成されるように、第２学習モデルＡ１２は学習する。なお、キーワードＤＬ２１がストーリデータＤＬ１１に直接含まれなくともよく、キーワードＤＬ２１は、ストーリにおいて間接的に表現されてもよい。

また、ログデータＤＬ１２も踏まえてストーリが生成される。例えば、プロフィールデータＤＬ１２２における「性別」、又は、「出身」等のプロフィールにおけるパラメータが異なると、パラメータによってアイテムの効果、仕様、種類、名称、又は、登場の仕方等が変化するようにストーリデータＤＬ１１が生成される。

以上のような学習を行うと、第２学習モデルＡ１２は、キーワードＤＬ２１、及び、プロフィール等から、どのようなストーリを生成するのかの相関関係を学習する。上記の通り、ストーリを生成する上で、プロフィールデータＤＬ１２２以外に、補助データとして、周辺情報、及び、画像等を入力すると、ストーリの生成に補助データの情報が考慮される。

なお、ストーリの生成は、ＡＩ以外の構成で実現してもよい。例えば、「性別」又は「年齢」等によって登場させたいアイテムの種類等を固定する場合には、プロフィールデータＤＬ１２２から、ＡＩを経ずに、固定する条件（例えば、アイテムの種類等である。）を第１学習済みモデルＡ２１に入力する構成（例えば、補助データで入力される。）でもよい。このように、固定した条件が入力できると、登場させるアイテムは、一定のプロフィールでは、これに対応した特定の条件下でアイテムが登場するようにできる。

具体的には、「職業」が特定の職種である場合には、必ず「武器」のアイテムになり、一方で、別の職種であれば、必ず「防具」のアイテムになる等の条件がつけられる。

［ＲＰＧにおける実行処理の例］
図９は、ＲＰＧにおける実行処理の例を示す図である。図７、及び、図８に示すような学習処理により、学習済みモデルＡ２が生成された後、以下のように実行処理が実行される。

第２未知データＤＵ２、すなわち、未知ログデータＤＵ１１、及び、未知キーワードＤＵ２１は、データが入力される時点では正解が不明である。そして、実行処理では、第２学習済みモデルＡ２２は、学習した、キーワードＤＬ２１及びログデータＤＬ１２の組み合わせと、第２正解データＤＬ２２の相関関係に基づき、未知ログデータＤＵ１１、及び、未知キーワードＤＵ２１の組み合わせを踏まえて、未知ストーリデータＤＵ１２を生成する。そして、未知ストーリデータＤＵ１２は、第２学習済みモデルＡ２２によって生成された後、第１学習済みモデルＡ２１に入力される。

なお、未知ストーリデータＤＵ１２は、生成された後、第１学習済みモデルＡ２１に入力される前に、管理者５等がストーリを編集してもよい。

次に、第１学習済みモデルＡ２１に、未知ログデータＤＵ１１、及び、未知ストーリデータＤＵ１２が第１未知データＤＵ１として入力される。第１未知データＤＵ１、すなわち、未知ログデータＤＵ１１、及び、未知ストーリデータＤＵ１２の組み合わせは、データが入力される時点では正解が不明である。

そして、実行処理では、第１学習済みモデルＡ２１は、学習した、ストーリデータＤＬ１１及びログデータＤＬ１２の組み合わせと、第１正解データＤＬ１３の相関関係に基づき、未知ログデータＤＵ１１、及び、未知ストーリデータＤＵ１２の組み合わせを踏まえて、出力データＤ３を生成する。

そして、出力データＤ３が生成されると、以降、出力データＤ３に基づき生成したアイテムが登場するゲームがプレイできる。例えば、ゲームは、ユーザ端末２０等でプレイできる。

［全体処理例］
図１０は、全体処理例を示す図である。以下の例では、全体処理は、事前処理と実行処理を連続して行う。具体的には、ステップＳ１１乃至ステップＳ１４が学習処理である。また、ステップＳ２１乃至ステップＳ２４が実行処理である。ただし、全体処理には、これら以外の処理が含まれてもよい。

以下、ステップＳ１１とステップＳ１２、及び、ステップＳ１３とステップＳ１４、すなわち、第１学習モデルＡ１１の学習処理と第２学習モデルＡ１２の学習処理は、並列で行うとする。ただし、これらの学習処理は、並列でなく、前後して行われてもよい。例えば、第２学習モデルＡ１２を先に学習して、第２学習済みモデルＡ２２とした後、第２学習済みモデルＡ２２を用いて第１学習モデルＡ１１の学習処理を実行するといった順序でもよい。

ステップＳ１１では、サーバ１１は、第１学習データＤＬ１を入力する。

ステップＳ１２では、サーバ１１は、第１学習データＤＬ１を入力して、第１学習モデルＡ１１を学習させて第１学習済みモデルＡ２１を生成する。

ステップＳ１３では、サーバ１１は、第２学習データＤＬ２を入力する。

ステップＳ１４では、サーバ１１は、第２学習データＤＬ２を入力して、第２学習モデルＡ１２を学習させて第２学習済みモデルＡ２２を生成する。

ステップＳ１１乃至ステップＳ１４を行うと、図７、及び、図８に示す学習処理となる。以上のように、ある程度学習処理を行うと、学習モデルＡ１が学習して学習済みモデルＡ２となる。次に、学習処理によって生成された学習済みモデルＡ２を用いて以下のように実行処理が行われる。

ステップＳ２１では、サーバ１１は、第２未知データＤＵ２を第２学習済みモデルＡ２２に入力する。

ステップＳ２２では、サーバ１１は、第２学習済みモデルＡ２２を用いて未知ストーリデータＤＵ１２を生成する。

ステップＳ２３では、サーバ１１は、第１学習済みモデルＡ２１を用いて出力データＤ３を生成する。以降、サーバ１１は、出力データＤ３に基づき、ゲームをユーザ端末２０に提供する。

ステップＳ２４では、サーバ１１は、出力データＤ３に基づき、ゲーム内要素が登場するようにゲームを進行させる。

［機能構成例］
図１１は、機能構成例を示す図である。例えば、システム１は、学習装置６１、及び、実行装置６２を備える生成ＡＩシステムである。

学習装置６１は、ストーリデータ生成手段１Ｆ１１、第１学習データ入力手段１Ｆ１２、及び、学習手段１Ｆ１３を備える。

ストーリデータ生成手段１Ｆ１１は、キーワードＤＬ２１、及び、ログデータＤＬ１２が入力されると、ストーリデータＤＬ１１を生成するストーリデータ生成手順を行う。例えば、ストーリデータ生成手段１Ｆ１１は、ストーリ生成器１２等で実現する。

第１学習データ入力手段１Ｆ１２は、ストーリデータＤＬ１１、ログデータＤＬ１２、及び、第１正解データＤＬ１３を含む第１学習データＤＬ１を入力する第１学習データ入力手順を行う。例えば、第１学習データ入力手段１Ｆ１２は、通信インタフェース１１５等で実現する。

学習手段１Ｆ１３は、第１学習データＤＬ１を用いて第１学習モデルＡ１１を学習させて、第１学習済みモデルＡ２１を生成する学習手順を行う。例えば、学習手段１Ｆ１３は、プロセッサ１１１等で実現する。

実行装置６２は、未知ストーリデータ生成手段１Ｆ２１、第１未知データ入力手段１Ｆ２２、実行手段１Ｆ２３、及び、進行手段１Ｆ２４を備える。未知ストーリデータ生成手段１Ｆ２１は、第１生成手段の例である。また、実行手段１Ｆ２３は、第２生成手段、及び、出力データ生成手段の例である。

未知ストーリデータ生成手段１Ｆ２１は、未知キーワードＤＵ２１、及び、未知ログデータＤＵ１１が入力されると、未知ストーリデータＤＵ１２を生成する未知ストーリデータ生成手順を行う。例えば、未知ストーリデータ生成手段１Ｆ２１は、ストーリ生成器１２等で実現する。

第１未知データ入力手段１Ｆ２２は、未知ストーリデータＤＵ１２、及び、未知ログデータＤＵ１１を含む第１未知データＤＵ１を入力する第１未知データ入力手順を行う。例えば、第１未知データ入力手段１Ｆ２２は、通信インタフェース１１５等で実現する。

実行手段１Ｆ２３は、第１学習済みモデルＡ２１を用いて、出力データＤ３を生成する実行手順を行う。例えば、実行手段１Ｆ２３は、プロセッサ１１１等で実現する。

進行手段１Ｆ２４は、出力データＤ３に基づき、ユーザ端末２０でゲームを進行させる進行手順を行う。例えば、進行手段１Ｆ２４は、プロセッサ１１１等で実現する。

学習装置６１、及び、実行装置６２は、例えば、サーバ１１である。このように、学習装置６１、及び、実行装置６２は、１台の情報処理装置が兼ねてもよい。ただし、学習装置６１、及び、実行装置６２は、異なる情報処理装置でもよい。

以上のような構成であると、ストーリの素となるキーワード、及び、ストーリを生成する上で周辺の設定等を示すログデータ等が入力されると、キャラクタ等に合わせたストーリが生成される。そして、ストーリ、及び、周辺の設定等に応じたアイテム等のゲーム内要素が生成される。具体的には、ストーリが生成され、ストーリに登場するアイテムが、実際にゲーム内で登場するようにできる。このようにゲームに登場させるゲーム内要素をキャラクタ等の様々な要因に応じて異なるように揃える場合でも、ストーリに合わせてアイテムが生成されるため、ゲームで扱うゲーム内要素に関する設定作業の負荷を軽減させることができる。

また、アイテムは、キャラクタのプロフィール等に応じて生成されるため、オリジナリティのあるアイテムとなる。例えば、繰り返しゲームをする場合、又は、プレイヤが異なる場合等には、プレイごとに異なるストーリ、及び、アイテムが生成できる。

また、事前にアイテムを用意する方法と比較して、アイテムの種類を豊富にすることができる。ストーリ、又は、プロフィール等が変われば、アイテムも変化するため、ゲームを繰り返しプレイする等の場合でも、ユーザ４がゲームに飽きないようにできる。このようにして、ユーザ４に対して魅力的なゲームが提供できる。

［変形例］
なお、ゲームの種類は、ノベルゲームに限られない。例えば、ゲームの種類は、ＲＰＧ、スポーツ、アクション、パズル、又は、格闘等を含むゲームでもよい。更に、上記のゲームでなくともよい。

例えば、ゲーム内要素は、キャラクタ等でもよい。したがって、ゲーム内に登場するキャラクタ等がストーリ、又は、プロフィール等に応じて変更されてもよい。

上記の説明では、未知ストーリデータＤＵ１２を第２学習済みモデルＡ２２が生成する構成で説明したが、実施形態は、これに限られない。例えば、未知ストーリデータＤＵ１２は、管理者５等がテキストを入力する操作をしてストーリを示す文章を作成（ＡＩが生成したストーリをベースに改良するものを含む。）して、第１学習済みモデルＡ２１に入力してもよい。

したがって、ストーリ生成器１２は、ＡＩを用いる構成に限られず、管理者５等がテキストを編集する操作を支援するプログラムを実行する装置等でもよい。

なお、ストーリ生成器１２は、サーバ１１等が兼ねてもよいし、サーバ１１等とは別の情報処理装置でもよい。

［その他の実施形態］
上記の例では、情報処理装置は、学習モデルに対する事前処理、及び、学習済みモデルを用いて実行処理の両方を行う。ただし、事前処理、及び、実行処理は、同じの情報処理装置が行わなくともよい。また、事前処理、及び、実行処理も、１つの情報処理装置で一貫して実行しなくともよい。すなわち、各処理、及び、データの記憶等は、複数の情報処理装置で構成する情報システム等で行ってもよい。

なお、学習処理は、実行処理の後、又は、実行処理の前に追加して更に行われてもよい。

上記のような処理は、サーバ１１、及び、ユーザ端末２０以外の情報処理装置が補助的に行ってもよい。

図１２は、補助装置を用いる構成例を示す図である。図１に示す例と比較すると、図１２に示す構成は、補助装置６０が加わる点が異なる。なお、補助装置６０は、一時的に用いる構成でもよい。

補助装置６０は、ユーザ端末２０（この例では、ユーザ端末２０Ａ付近に設置しているが、他の装置近くにあってもよい。）等の近くに設置される情報処理装置である。そして、補助装置６０は、特定の処理をユーザ端末２０、又は、サーバ１１に代わって一部又は全部を実行する。

例えば、補助装置６０は、グラフィック処理に特化したデバイスを備えて、グラフィック処理を高速で行う。このように、補助装置６０等を設置して、所謂エッジコンピューティング（Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ）等が行われてもよい。このように、前述する処理は、様々な情報処理装置のハードウェアリソースを活用して実行されてもよい。したがって、前述する処理は、前述したのとは異なる情報処理装置が実行してもよい。

前述の処理、及び、本実施形態で実行される処理に用いるデータは、情報処理システムによって実行、及び、記憶されてもよい。例えば、情報処理システムは、処理又は記憶を冗長、分散、並列、又は、これらの組み合わせを実現するため、複数の情報処理装置で実行又は記憶してもよい。したがって、本発明は、前述に示すハードウェア構成以外の装置、及び、前述に示す装置以外のシステムで実現されてもよい。

また、本発明に係るプログラムは、単一のプログラムに限定されず、複数のプログラムの集合体でもよい。また、本発明に係るプログラムは、単一の装置で実行されるものに限定されず、複数の情報処理装置で分担して実行されてもよい。更に、各情報処理装置の役割分担は、前述の例に限定されない。すなわち、前述した処理の一部、又は、全部が前述した情報処理装置とは異なる情報処理装置が実行してもよい。

更に、プログラムによって実現される各手段の一部、又は、全部は、集積回路等のハードウェアで実現することもできる。更に、プログラムは、コンピュータによって読み出し可能な非一過性の記録媒体に記録されて提供されてもよい。記録媒体とは、例えば、ハードディスク、ＳＤカード（登録商標）、ＤＶＤ等の光学ディスク、又は、インターネット上のサーバ等を指す。したがって、プログラムは、インターネット等の電気通信回線を介して配信されでもよい。

また、情報処理システムを構成する情報処理装置等は、海外にあってもよい。すなわち、情報処理システムが実行する処理のうち、一部の処理を実行する情報処理装置が海外にあってもよい。

なお、本発明は、前述に例示する各実施形態に限定されない。したがって、本発明は、技術的な要旨を逸脱しない範囲で、構成要素の追加、又は、変形が可能である。ゆえに、特許請求の範囲に記載された技術思想に含まれる技術的事項のすべてが本発明の対象となる。なお、前述に例示する実施形態は、実施において好適な具体例である。そして、当業者であれば、開示した内容から様々な変形例を実現で可能であって、このような変形例は、特許請求の範囲に記載された技術的範囲に含まれる。

１ ：システム
１Ｆ１１ ：ストーリデータ生成手段
１Ｆ１２ ：第１学習データ入力手段
１Ｆ１３ ：学習手段
１Ｆ２１ ：未知ストーリデータ生成手段
１Ｆ２２ ：第１未知データ入力手段
１Ｆ２３ ：実行手段
１Ｆ２４ ：進行手段
４ ：ユーザ
５ ：管理者
１１ ：サーバ
１２ ：ストーリ生成器
２０ ：ユーザ端末
６０ ：補助装置
６１ ：学習装置
６２ ：実行装置
Ａ１ ：学習モデル
Ａ１１ ：第１学習モデル
Ａ１２ ：第２学習モデル
Ａ２ ：学習済みモデル
Ａ２１ ：第１学習済みモデル
Ａ２２ ：第２学習済みモデル
Ｄ１ ：第１未知データ
Ｄ２ ：第２未知データ
Ｄ３ ：出力データ
Ｄ４ ：ビッグデータ
ＤＬ１ ：第１学習データ
ＤＬ１１ ：ストーリデータ
ＤＬ１２ ：ログデータ
ＤＬ１２１ ：画像データ
ＤＬ１２２ ：プロフィールデータ
ＤＬ１３ ：第１正解データ
ＤＬ２ ：第２学習データ
ＤＬ２１ ：キーワード
ＤＬ２２ ：第２正解データ
ＤＵ１ ：第１未知データ
ＤＵ１１ ：未知ログデータ
ＤＵ１２ ：未知ストーリデータ
ＤＵ２ ：第２未知データ
ＤＵ２１ ：未知キーワード

Claims (2)

1. コンピュータを、
   ストーリデータ、及び、ログデータを含む学習データを用いて学習した学習済みモデルに対し、ゲーム内におけるプレイヤの操作に関するログデータが入力されると、ゲーム内要素に関する出力データを生成する生成手段と、
   前記出力データに基づき、前記ゲーム内要素を前記ゲーム内に登場させ、前記ゲーム内要素を用いて前記ゲームを進行可能とする進行手段と、
   して機能させ、
   前記ストーリデータ、及び、前記ログデータは、いずれも入力データであり、
   前記ゲーム内要素に関するデータは、
   出力データであり、
   前記ストーリデータは、
   前記ゲーム内要素に関するストーリを文章、又は、画像で示す
   プログラム。
2. ストーリデータ、及び、ログデータを含む学習データを用いて学習した学習済みモデルに対し、ゲーム内におけるプレイヤの操作に関するログデータが入力されると、ゲーム内要素に関する出力データを生成する生成手段と、
   前記出力データに基づき、前記ゲーム内要素を前記ゲーム内に登場させ、前記ゲーム内要素を用いて前記ゲームを進行可能とする進行手段と、
   を備え、
   前記ストーリデータ、及び、前記ログデータは、いずれも入力データであり、
   前記ゲーム内要素に関するデータは、
   出力データであり、
   前記ストーリデータは、
   前記ゲーム内要素に関するストーリを文章、又は、画像で示す
   システム。