深層学習には分類基準等のブラックボックス問題が存在しており，解決が急がれている．テキストマイニング分野においても，分類基準を明確化することで，分類の根拠から，例えば，良い電子カルテやレポートの特徴等を解釈し，新たな知識創発への活用が期待される．一方で，テキストマイニング分野において，分類基準を明確にするために，深層学習の学習済みネットワークに注目する研究はほとんど見られない．そこで本研究では，文章の分類問題を題材として，LSTMの学習済みネットワークからの分類基準の解釈に向け，ネットワーク中の重みを条件付き確率としたHMMを適用する．そして，HMMから各分類先に寄与する特徴量の時系列パターンを抽出し，LSTMの分類基準として解釈を試みる．評価実験では，アニメの台詞や商品レビューを対象として，提案手法によって抽出された分類パターンとTF–IDF情報から作成した分類パターンとを比較した．その結果，提案手法では，TF–IDF情報から読み取れない，解釈に有効な特徴を示した分類パターンの抽出が可能であることを確認した．
