テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・システム、並びにその方法及びコンピュータ・プログラム
【課題】単語カテゴリの用語辞書を構築する場合に、新規追加されたテキストから、登録すべき単語を漏れなく見つけ、且つ作業を効率的に行う。
【解決手段】テキスト・データの形態素解析を行い、トークン列データを取得する形態素解析部と、上記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するカテゴリ判別部と、抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出する未カテゴリ語照合部と、上記未カテゴリ照合部と、上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するトークン列照合部とを含み、上記カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許す許可部とで構成されるコンピュータシステム。
【解決手段】テキスト・データの形態素解析を行い、トークン列データを取得する形態素解析部と、上記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するカテゴリ判別部と、抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出する未カテゴリ語照合部と、上記未カテゴリ照合部と、上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するトークン列照合部とを含み、上記カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許す許可部とで構成されるコンピュータシステム。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・システム、並びにその方法及びコンピュータ・プログラムに関する。
【背景技術】
【０００２】
固有表現又は専門用語抽出とは、計算機を用いた自然言語処理技術の一つであり、テキスト・データから特定の単語カテゴリ（例えば、人名、会社名、病名、電話番号、化合物名）に属する表現又は特定の専門分野に属する用語を抽出する処理をいう。固有表現又は専門用語抽出は、テキストマイニング、機密情報マスキングなどの多岐の技術に渡って利用されている。固有表現又は専門用語抽出に際して、最も単純な方法は、語彙カテゴリ又は専門用語カテゴリに属する表現を列挙したものを固有表現又は専門用語の抽出機の設定データとして持つことである。該設定データは、一般に「辞書」と呼ばれている。新聞記事など現実世界に存在するテキストには大量の固有表現又は専門用語が含まれている。形態素解析などを行う場合において、それらの固有表現又は専門用語が辞書に登録されていない場合、該固有表現又は専門用語は、未知語として扱われる。未知語とは、形態素解析で品詞が割り当てられなかった語である。その結果、解析の誤りが生じる。そのために、様々な固有表現又は専門用語の用語辞書を作成する必要がある。しかし、現実のテキストには大量の固有表現又は専門用語が存在し、人手を用いてそれらの用語辞書を作成することは困難である。
【０００３】
固有表現又は専門用語の獲得に機械学習アルゴリズムを利用する研究が数多く報告されている。典型的な例は、形態素解析結果又は構文解析結果を入力して、分類対象の単語及び該単語に隣接する単語のみで判定可能な特徴と、該固有表現に分類されることの関連性（条件付き確率）を学習する（下記非特許文献１を参照）。分類対象の単語及び該単語に隣接する単語のみで判定可能な特徴とは、例えば、対象の単語がカタカナの名詞であること、及び続く単語が「株式会社」であることである。このような機械学習アルゴリズムは、低コストで良い精度が得られやすい。しかし、機械学習アルゴリズムでは、確実な分類を保障することはできないため、抽出漏れがあってはいけないケースでは使用できない。
【０００４】
また、正規表現のパターン合致によって、分類対象の単語を自動判定する方法が広く用いられている。しかし、パターン合致では表層の区別はできても、意味判別はできない。よって、意味判別を可能にするために、人手での再確認が必要になる。しかし、人手で再確認をする場合、表層情報のみで単語を切り出した結果を用いるのは得策ではない。
【０００５】
また、その他の方法として、形態素解析結果のトークン列に対してパターン合致を行う手法がある（下記特許文献１を参照）。しかし、パターン合致による手法において、トークン列に合致させるパターンは、事実上抽出対象の周辺情報に頼ることになり、機械学習と同様に確率的な結果しか得られない。
【０００６】
さらに、その他の方法として、仮名、漢字、英数字の混じった日本語の形態素解析結果から、未知語と該未知語の連接語の組み合わせについて品詞を特定し、語彙の自動獲得を行う手法がある（下記特許文献２を参照）。未知語とは、形態素解析で品詞が割り当てられなかった語である。
【０００７】
さらに、その他の方法として、未知語の前後の単語を新規登録語に含めるかどうかを人手で編集する過程を含む手法がある（下記特許文献３を参照）。
【先行技術文献】
【特許文献】
【０００８】
【特許文献１】特開２００７−１１８９２号公報
【特許文献２】特開２００４−２６５４４０号公報
【特許文献３】特開２００４−３４１７９１号公報
【非特許文献】
【０００９】
【非特許文献１】Burr Settles、Biomedical Named Entity Recognition Using Conditional Random Fields and Rich Feature Sets、Proc. NLPBA/COLING 2004
【発明の概要】
【発明が解決しようとする課題】
【００１０】
テキスト・マイニング・エンジン、例えばIBM Content Analyzer（IBM OmniFind（商標） Analytics Editionから名称変更）を用いて、漏れが許されない査定業務、例えば保険金支払い査定業務に必要な病名を効率的に抽出し、辞書に登録しようとする試みがある。本発明の目的は、漏れが許されない査定業務などにおける固有表現又は専門用語の抽出において、抽出漏れの影響の大きい固有表現又は専門用語の抽出のために利用される用語辞書を作成するシステム、方法及びコンピュータ・プログラムを提供することである。さらに、本発明の目的は、用語辞書を作成するための単語カテゴリの用語辞書を構築する場合に、新規追加されたテキスト・データから、登録候補語を漏れなく見つけ、且つ作業を効率的に行うシステム、方法及びコンピュータ・プログラムを提供することである。
【課題を解決するための手段】
【００１１】
本発明は、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・システムを提供する。該コンピュータ・システムは、
上記テキスト・データの形態素解析を行い、トークン列データを取得する形態素解析部と、
上記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するカテゴリ判別部と、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出する未カテゴリ語照合部であって、上記未カテゴリ語照合ルールは、上記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、上記未カテゴリ照合部と、
上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するトークン列照合部であって、上記トークン列照合ルールが、上記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、上記トークン列照合部と、
上記カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許す許可部と
を含む。
上記ユーザによって選択された登録候補語が用語辞書に登録される。代替的には、上記カテゴリ辞書のうちの、上記ユーザによって選択された登録候補語が用語辞書に登録される。
【００１２】
本発明の１つの実施形態では、上記コンピュータ・システムは、
上記登録候補語の確信度を計算する確信度計算部であって、該確信度は、上記登録候補語が上記カテゴリ辞書に登録される又は上記トークン列照合ルールに追加される可能性を示す、上記確信度計算部
をさらに含む。
【００１３】
本発明の１つの実施形態では、上記確信度計算部が、外部辞書の情報を使用して上記確信度を計算する。
【００１４】
本発明の１つの実施形態では、上記確信度計算部が、文字数又は文字種の情報を使用して上記確信度を計算する。
【００１５】
本発明の１つの実施形態では、上記確信度計算部が、上記第１又は第２の正規表現に合致するトークン中の文字列が専門用語辞書の語彙として存在する場合に、該文字列が一般用語辞書の語彙として存在する場合よりも高いスコアを与える。
【００１６】
本発明の１つの実施形態では、上記許可部が、上記登録候補語及び該登録候補語に対応する確信度を表示装置上に表示することをさらに含む。
【００１７】
本発明の１つの実施形態では、上記許可部が、上記登録候補語を上記確信度に従いソートして表示装置上に表示することをさらに含む。
【００１８】
本発明の１つの実施形態では、上記コンピュータ・システムは、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記カテゴリ辞書に登録する登録部
をさらに含む。
【００１９】
本発明の１つの実施形態では、上記登録部が、上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列をトークン列リストに追加する。
【００２０】
本発明の１つの実施形態では、上記カテゴリ判別部が、上記トークン列データからのトークンが上記カテゴリ辞書に登録されている場合に、該トークンを抽出しない。
【００２１】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得し、
上記カテゴリ判別部が、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンを抽出しない。
【００２２】
本発明の１つの実施形態では、上記トークン列照合部が、上記トークン列データからのトークン列が上記トークン列リストに登録されている場合に、該トークン列を抽出しない。
【００２３】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得し、
上記トークン列照合部が、上記トークン列データからのトークン列及び該トークン列の各トークンに対応する品詞情報が上記トークン列リストに登録されているトークン列及び該トークン列の各トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークン列を抽出しない。
【００２４】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得する。
【００２５】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得し、
上記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、
上記分類カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンを検索するために使用する該トークン及び任意的に該トークンの品詞情報を含み、
上記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む。
【００２６】
本発明の１つの実施形態では、上記カテゴリ判別部が、上記トークン列データの各トークンを上記分類カテゴリ辞書を用いて判別し、
上記許可部が、上記分類カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許し、
上記登録部が、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録する。
【００２７】
本発明の１つの実施形態では、上記登録部が、上記登録候補語として抽出されたトークンであって、上記ユーザによって選択されなかったトークンを上記対象外カテゴリ辞書に登録する。
【００２８】
本発明の１つの実施形態では、上記カテゴリ判別部が、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記分類カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンを抽出しない。
【００２９】
本発明の１つの実施形態では、上記第１又は第２の文字列が、単語又は単語の一部である。
【００３０】
本発明はまた、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成する方法を提供する。該方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、
上記テキスト・データの形態素解析を行い、トークン列データを取得するステップと、
上記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、上記未カテゴリ語照合ルールは、上記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、上記抽出するステップと、
上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、上記トークン列照合ルールが、上記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、上記抽出するステップと、
上記カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許すステップと
を含む。
上記ユーザによって選択された登録候補語が用語辞書に登録される。代替的には、上記カテゴリ辞書のうちの、上記ユーザによって選択された登録候補語が用語辞書に登録される。
【００３１】
本発明の１つの実施形態では、上記方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、上記登録候補語の確信度を計算するステップであって、該確信度は、上記登録候補語が上記カテゴリ辞書に登録し又は上記トークン列照合ルールに追加する可能性を示す、上記計算するステップをさらに含む。
【００３２】
本発明の１つの実施形態では、上記確信度を計算するステップが、外部辞書の情報を使用して上記確信度を計算するステップを含む。
【００３３】
本発明の１つの実施形態では、上記確信度を計算するステップが、文字数又は文字種の情報を使用して上記確信度を計算するステップを含む。
【００３４】
本発明の１つの実施形態では、上記確信度を計算するステップが、上記第１又は第２の正規表現に合致するトークン中の文字列が専門用語辞書の語彙として存在する場合に、該文字列が一般用語辞書の語彙として存在する場合よりも高いスコアを与えるステップを含む。
【００３５】
本発明の１つの実施形態では、上記選択を許すステップが、上記登録候補語及び該登録候補語に対応する確信度を表示装置上に表示するステップをさらに含む。
【００３６】
本発明の１つの実施形態では、上記選択を許すステップが、上記登録候補語を上記確信度に従いソートして表示装置上に表示するステップをさらに含む。
【００３７】
本発明の１つの実施形態では、上記方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記カテゴリ辞書に登録するステップを含む。
【００３８】
本発明の１つの実施形態では、上記登録するステップは、上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列をトークン列リストに追加するステップを含む。
【００３９】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップでは、上記トークン列データからのトークンが上記カテゴリ辞書に登録されている場合に、該トークンが抽出されない。
【００４０】
本発明の１つの実施形態では、上記取得するステップが、上記トークン列データの各トークンに対応する品詞情報を取得するステップをさらに含む。また、上記未カテゴリ語を抽出するステップでは、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンが抽出されない。
【００４１】
本発明の１つの実施形態では、上記トークン列を抽出するステップでは、上記トークン列データからのトークン列が上記トークン列リストに登録されている場合に、該トークン列が抽出されない。
【００４２】
本発明の１つの実施形態では、上記取得するステップが、上記トークン列データの各トークンに対応する品詞情報をさらに取得するステップをさらに含む。また、トークン列を抽出するステップでは、上記トークン列データからのトークン列及び該トークン列の各トークンに対応する品詞情報が上記トークン列リストに登録されているトークン列及び該トークン列の各トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークン列が抽出されない。
【００４３】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップが、上記トークン列データの各トークンを上記分類カテゴリ辞書を用いて判別するステップを含む。
本発明の１つの実施形態では、上記許すステップが、上記分類カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許すステップを含む。
本発明の１つの実施形態では、上記登録するステップが、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録するステップを含む。
【００４４】
本発明の１つの実施形態では、上記登録するステップが、上記登録候補語として抽出されたトークンであって、上記ユーザによって選択されなかったトークンを上記対象外カテゴリ辞書に登録するステップを含む。
【００４５】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップでは、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記分類カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンを抽出しない。
【００４６】
本発明の１つの実施形態では、上記方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記カテゴリ辞書に登録するステップをさらに含む。
【００４７】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップが、上記トークン列データの各トークンを分類カテゴリ辞書及び対象外カテゴリ辞書を用いて判別するステップを含み、上記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、上記分類カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンを検索するために使用する該トークン及び任意的に該トークンの品詞情報を含み、
上記ユーザに許すステップが、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録するステップ、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択されなかった未カテゴリ語を上記対象外カテゴリ辞書に登録するステップ、又は
上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列を上記トークン列リストに追加するステップ、
を含む。
【００４８】
本発明はさらに、テキスト・データに含まれる固有表現又は専門用語の用語辞書を作成する方法を提供する。該方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、
上記テキスト・データの形態素解析を行い、トークン列データ及び該トークン列データの各トークンに対応する品詞情報を取得するステップと、
上記トークン列データの各トークンを分類カテゴリ辞書及び対象外カテゴリ辞書を用いて判別し、そして未カテゴリ語を抽出するステップであって、上記分類カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンを検索するために使用する該トークン及び任意的に該トークンの品詞情報を含み、上記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む、上記抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、上記未カテゴリ語照合ルールは、上記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、上記抽出するステップと、
上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、上記トークン列照合ルールが、上記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、上記抽出するステップと、
上記登録候補語の確信度を計算するステップであって、該確信度は、上記登録候補語が上記カテゴリ辞書に登録し又は上記トークン列照合ルールに追加する可能性を示す、上記計算するステップと、
上記分類カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許すステップであって、上記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む、上記許すステップと、
上記ユーザの選択に応じて、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録し、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択されなかった未カテゴリ語を上記対象外カテゴリ辞書に登録し、又は
上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列を上記トークン列リストに追加するステップと
を含む。
上記分類カテゴリ辞書に登録された登録候補語が、上記用語辞書に登録される。代替的には、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語が用語辞書に登録される。
【００４９】
本発明はさらに、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・プログラムを提供する。該コンピュータ・プログラムは、コンピュータ・システムに、上記方法のいずれか一に記載の方法の各ステップを実行させる。
【発明の効果】
【００５０】
本発明の実施形態では、形態素解析によるトークン列の切り出しと、トークン及びトークン列のルールへの適用による抽出のカバー率の広さとの両方の長所を取り入れることによって、全ての登録候補語にユーザが目を通すことが可能な辞書登録作業が実現される。また、本発明の実施形態では、各登録候補語が形態素である単語単位で切り出されているのでノイズが少なく、さらに目的に沿った確認作業が最小限の作業で効率的に行える。また、本発明の実施形態では、トークン列も同時に確認できるので、言語処理に依存する単語の登録漏れを防ぐことができる。
【図面の簡単な説明】
【００５１】
【図１Ａ】本発明の実施形態である、コンピュータ・システムの全体構成の例を示す。
【図１Ｂ】本発明の実施態様である、カテゴリ辞書、分類カテゴリ辞書、対象外カテゴリ辞書、及び用語辞書の関係を示す。
【図２】本発明の実施形態である、確信度付き登録候補語のリストの例を示す。
【図３】本発明の実施形態である、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのフローチャートの例を示す。
【図４】本発明の実施形態における、コンピュータ・システムのブロック図を示す。
【発明を実施するための形態】
【００５２】
本発明の実施形態において、「固有表現」（Named Entity）とは、固有物名、組織名、人名、地名、日付表現、時間表現、金額表現、割合表現などで定義される表現である。固有表現の定義は今後も拡張されていくが（関根聡、「固有表現から専門用語」を参照、URL http://www.cs.nyu.edu/~sekine/papers/gengo04ws_sekine.pdfから入手可能）、本発明の実施形態では、拡張された固有表現も含む。
【００５３】
本発明の実施形態において、「専門用語」（Terminology）とは、ある特定の学問の分野、ある特定の職業に従事する者、又はある特定の業界などの間で使用され、通用する語彙的単位である。また、本発明の実施形態において、「専門用語」は、製品名、技術名、顧客名も含む（立石健二、久寿居大、「企業内情報共有のための専門用語抽出方式の提案」を参照、URL http://www.dbsj.org/Japanese/DBSJLetters/vol4/no4/tateishi.pdfから入手可能）。
【００５４】
本発明の実施形態において、「テキスト・データ」とは、電子データであり、テキストを含むデータであればその保存形式を問わない。テキストは、一般用語に加えて、固有表現又は専門用語を含みうる。「テキスト・データ」に埋め込まれている文字の言語は問わない。該言語は、日本語、英語、中国語、韓国語などを挙げることができる。テキスト・データは、手書きされたデータ、例えば診断書データをスキャナで読み取り、光学文字読取装置（ＯＣＲ）によってテキスト・データにしたデータ、ワードプロセッサソフトウェア、表計算ソフトウェア、データベースソフトウェア、グループウェアなどのアプリケーションソフトウェアによって作成されたデータを含む。テキスト・データは、形態素解析部が認識できる形式であれば、その様式は特に問わない。テキスト・データが、例えばＯＣＲによって手書文字をテキスト・データ化したものである場合、誤字、脱字、不要なスペース、不要な記号などが含まれる場合がある。同様に、テキスト・データがアプリケーションソフトウェアによって作成されたデータであっても、タイプミス、変換ミス、操作ミスにより誤字、脱字、不要なスペース、不要な記号などが含まれる場合がある。
【００５５】
本発明の実施形態において、「形態素」とは、一般に語を構成する最小の意味のある単位である。日本語では、形態素は、名詞、形容詞、副詞、動詞語幹、活用語尾、助詞、助動詞などの語である。
【００５６】
本発明の実施形態において、「形態素解析」とは、テキスト・データを単語に区切る処理であり、自然言語処理の最も基本となる処理である。形態素解析によって生成される形態素の単位自体は、利用目的によって異なるようにしてもよい。本発明の実施形態では、「形態素解析」は、語を構成する最小の意味ある単位に区切り、語形変化を解析し、必要に応じて、品詞を同定する処理である。本発明の実施形態では、形態素解析によって切り出された形態素の単位をトークンという。
【００５７】
「形態素解析」が、品詞同定をせずに、語を上記単位に区切る処理のみをトークナイザーという。本発明の実施形態では、「形態素解析」は、トークナイザーをまた含む。「形態素解析」の手法は、特に限定されず、本発明の目的を達成する上で適切な形態素解析の手法を用いることができる。
【００５８】
本発明の実施形態において、「トークン列データ」とは、形態素解析で切り出された１又は複数の形態素からなるデータをいう。「トークン」とは、１つの形態素である。「トークン列」とは、複数の形態素からなる。すなわち、「トークン列」は、複数のトークンからなる。
【００５９】
本発明の実施形態において、「カテゴリ辞書」は、固有表現又は専門用語として、辞書に登録したいトークンを少なくとも含む辞書である。「カテゴリ辞書」はまた、広い意味で、分類カテゴリ辞書及び対象外カテゴリ辞書の機能を含んでもよい。「カテゴリ辞書」が、分類カテゴリ辞書と対象外カテゴリ辞書の機能を含む場合、分類カテゴリ辞書に含まれるトークンと対象外カテゴリ辞書に登録されるトークンとを、例えば、フラグによって区別して格納することが可能である。フラグは、例えば、分類カテゴリ辞書に含まれるトークンを1に設定し、対象外カテゴリ辞書に含まれるトークンを０に設定する。
【００６０】
本発明の実施形態において、「分類カテゴリ辞書」とは、未カテゴリ語照合ルールに該当するトークン又はトークン列照合ルールに該当するトークン列であり、且つ固有表現又は専門用語として、用語辞書に登録したいトークンを登録した辞書である。
【００６１】
本発明の実施形態において、「対象外カテゴリ辞書」とは、未カテゴリ語照合ルールに該当するトークン又はトークン列照合ルールに該当するトークン列であるが、固有表現又は専門用語として、用語辞書に登録したくないトークンを登録した辞書である。「対象外」としているのは、分類カテゴリ辞書に登録したくないトークンを登録するための辞書であるからである。言い換えれば、「対象外カテゴリ辞書」は、抽出したいトークン又はトークン列と表層的に似ているけれども抽出しないトークン又はトークン列を登録した辞書である。例として、「手足麻痺」カテゴリの対象外カテゴリ辞書には、例えば「顔面麻痺」が入る。これは、抽出したい「拇指麻痺」及び、「両腕麻痺」と同様に、未カテゴリ語照合ルール又はトークン列照合ルールの一部である「麻痺」を含んでいるが、「顔面麻痺」は「手足麻痺」カテゴリに属しないために、対象外カテゴリ辞書に登録されることになる。
【００６２】
本発明の実施形態において、「未カテゴリ語」とは、カテゴリ辞書を用いてトークン列データの各トークンを判別し、該カテゴリ辞書に登録されていないトークンをいう。代替的には、「未カテゴリ語」とは、分類カテゴリ辞書及び対象外カテゴリ辞書を用いてトークン列データの各トークンを判別し、これらの辞書に登録されていないトークンをいう。
【００６３】
本発明の実施形態において、「未カテゴリ語照合ルール」は、未カテゴリ語のうちから、登録候補語を抽出するために使用される。「未カテゴリ語照合ルール」は、第１の文字列及び第１の正規表現（順番は問わない）からなるトークンを含む。
【００６４】
本発明の実施形態において、「第１の文字列」とは、未カテゴリ語照合ルールに含まれるルールの一部を構成し、語の全体の文字列、又は語の一部の文字列である。
【００６５】
本発明の実施形態において、「第１の正規表現」とは、未カテゴリ語照合ルールに含まれるルールの一部を構成し、文字列のパターンを表現する表記法であり、文字列の検索を行うときに利用される。正規表現を使えば、文字列を直接指定せずに「特徴」(パターン)を指定することができるので、表記の揺れを吸収して検索を行うことが可能である。
【００６６】
本発明の実施形態において、「トークン列照合ルール」は、トークン列データから所定のトークン列を登録候補語として抽出するために使用される。「トークン列照合ルール」は、第２の文字列のトークンと第２の正規表現のトークンとかなる（順番は問わない）トークン列を含む。
【００６７】
本発明の実施形態において、「第２の文字列」とは、トークン列照合ルールに含まれるルールの一部を構成し、語の全体の文字列、又は語の一部の文字列である。
【００６８】
本発明の実施形態において、「第２の正規表現」とは、トークン列照合ルールに含まれるルールの一部を構成し、文字列のパターンを表現する表記法であり、文字列の検索を行うときに利用される。正規表現を使えば、文字列を直接指定せずに「特徴」(パターン)を指定することができるので、表記の揺れを吸収して検索を行うことが可能である。
【００６９】
本発明の実施形態において、「トークン列リスト」は、対象外トークン列リストともいう。対象外トークン列リストとは、トークンではなくトークン列であって、固有表現又は専門用語として、辞書に登録したくないトークン列をリストした辞書である。「対象外」としているのは、分類カテゴリ辞書に登録したくないトークンを登録するためのリストであるからである。
【００７０】
本発明の実施形態において、「確信度」とは、カテゴリ辞書に登録される可能性の高さを表す。代替的には、「確信度」とは、分類カテゴリ辞書に登録される可能性の高さを表す。「確信度」は、例えば、数値、レベルなどで表すことが可能である。
【００７１】
以下、図面に従って、本発明の実施形態を説明する。本実施形態は、本発明の好適な態様を説明するためのものであり、本発明の範囲をここで示すものに限定する意図はないことを理解されたい。また、以下の図を通して、特に断らない限り、同一符号は、同一の対象を指す。
【００７２】
図１Ａは、本発明の実施形態である、コンピュータ・システムの全体構成の例を示す。
【００７３】
コンピュータ・システム（10）は、形態素解析部（100）、カテゴリ判別部（200）、未カテゴリ語照合部（300）、トークン列照合部（400）、確信度計算部（500）、許可部（600）及び登録部（700）を含む。
【００７４】
また、コンピュータ・システム（10）は、その記憶媒体（図示せず）、例えばハードディスク若しくはフラッシュメモリドライブ（SSD）に、又は該コンピュータ・システム（10）がアクセス可能な記憶媒体、例えばネットワーク・ディスクに、テキスト・データ（1000）、トークン列データ（1100）、分類カテゴリ辞書（1225）、対象外カテゴリ辞書（1250）、未カテゴリ語リスト（1300）、未カテゴリ語照合ルール（1400）、トークン列照合ルール（1500）、対象外トークン列リスト（1600）、登録候補語（1700）、外部辞書（1800）及び登録候補語（1900）を格納している。
【００７５】
以下では、生命保険の支払い査定業務において、支払い申請書に記載の症状が手足麻痺に関するものかどうかを判定するための辞書を作成する場合を例として、上記各部（100〜700）の説明を行う。
【００７６】
上記査定業務のための用語辞書を作成するに際して、該用語辞書の分類カテゴリは「手足麻痺」である。よって、分類カテゴリ辞書（1225）は「手足麻痺」に関する辞書である。該用語辞書の作成において、「麻痺」という語（トークン）をテキスト・データ（1000）から網羅的にチェックし、手足麻痺に関する語のための分類カテゴリ辞書（1225）を用いる。また、登録候補語として抽出される語（トークン又はトークン列）の数を減らすために、麻痺に関係する語であるが手足麻痺に関係のない語のための対象外カテゴリ辞書（1250）及び麻痺に関係する対象外トークン列リスト（1600）を用いる。ここで、対象外とは、分類カテゴリ辞書（1225）に登録される対象外であることを意味する。
【００７７】
形態素解析部（100）は、テキスト・データ（1000）の入力に応じて、該入力されたテキスト・データ（1000）の各文について形態素解析を行う。
【００７８】
テキスト・データ（1000）の例は、下記の通りである。
例１：４月１日顔面麻痺で来院
例２：４月１日拇指麻痺で来院
例３：診察の結果麻痺で来院
例４：再度麻痺で来院
【００７９】
なお、上記例では、テキスト・データ（1000）は意味をなす文であるが、テキスト・データによっては、誤字、脱字、不要なスペースなどを含みうる場合もある。
【００８０】
例えば、「４月１日顔面魔痺で来院」（麻の誤字）、「４月１日顔面痺で来院」（麻の脱字）、「４月１日顔面麻 痺で来院」（麻と痺との間にスペース）である。
【００８１】
形態素解析部（100）は、形態素解析の結果として、各文についてトークン列データ（1100）を出力する。形態素解析では、形態素解析部（100）の確聞の解釈によって、或いは形態素解析部（100）の技術的制限によってトークン列の区切り方が変わる。形態素解析部（100）は、形態素のみが解析対象であり、形態素のカテゴリは解析対象でない。
【００８２】
トークン列データ（1100）の出力では、用言の活用が正規化されて出力される。該出力は、品詞情報をさらに含んでいてもよい。品詞情報は、例えば、日付、名詞、形容詞、副詞、動詞語幹、活用語尾、助詞、助動詞、又は未知語である。未知語とは、辞書に登録されていない新しい表現である。
【００８３】
上記出力が、トークン列データと各トークンに対応する品詞情報とである場合、トークンと品詞情報とのペアの配列として出力される。
【００８４】
トークン列データ（1100）の例は、下記の通りである。
・品詞情報を含まない場合
例１：４月１日／顔面／麻痺／で／来院
例２：４月１日／拇指麻痺／で／来院
例３：診察／の／結果／麻痺／で／来院
例４：再度／麻痺／で／来院
・品詞情報を含む場合
例１：４月１日（日付）／顔面（名詞）／麻痺（名詞）／で（助詞）／来院（名詞）
例２：４月１日（日付）／拇指麻痺（未知語）／で（助詞）／来院（名詞）
例３：診察（名詞）／の（助詞）／結果（名詞）／麻痺（名詞）／で（助詞）／来院（名詞）
例４：再度（副詞）／麻痺（名詞）／で（助詞）／来院（名詞）
【００８５】
形態素解析部（100）は、トークン又はトークンと品詞情報とのペアからなるトークン列データ（1100）を、カテゴリ判別部（200）及びトークン列照合部（400）に渡す。カテゴリ判別部（200）及びトークン列照合部（400）での各処理は、並列に行われうる。
【００８６】
カテゴリ判別部（200）では、トークン列データ（1100）の全てのトークンについてカテゴリ辞書（1200）のエントリと照合し、該エントリと合致しない未カテゴリ語の抽出を行う。カテゴリ辞書（1200）は、例えば、分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の機能を含む。
【００８７】
分類カテゴリ辞書（1225）は、所定のカテゴリに属するトークンを含み、該トークンに対応する品詞情報を任意に含むエントリの集合である。分類カテゴリ辞書（1225）は、「両腕麻痺」などの、分類カテゴリ「手足麻痺」に属するトークンを有する。
【００８８】
対象外カテゴリ辞書（1250）は、分類カテゴリ辞書（1225）の登録対象でないトークンを含み、該トークンに対応する品詞情報を任意に含むエントリの集合である。
【００８９】
カテゴリ辞書（1200）のカテゴリは、例えば、「手足麻痺」である。
【００９０】
カテゴリ判別部（200）は、トークン列データ（1100）の各トークンがカテゴリ辞書のエントリと一致しない場合に、該トークンを未カテゴリ語として抽出する。代替的には、カテゴリ辞書（1200）が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の機能を含む場合には、カテゴリ判別部（200）は、トークン列データ（1100）の各トークンが分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の各エントリと一致しない場合に、該トークンを未カテゴリ語として抽出する。
【００９１】
カテゴリ判別部（200）は、抽出した未カテゴリ語を未カテゴリ語リスト（1300）に追加する。
【００９２】
未カテゴリ語リスト（1300）の例は、下記の通りである。なお、トークン「麻痺」は、カテゴリ辞書（1200）に対象外のトークンとしてフラグ付きで登録されているか、又は対象外カテゴリ辞書（1250）に登録されているとする。
例１：４月１日／顔面／で／来院
例２：４月１日／拇指麻痺／で／来院
例３：診察／の／結果／で／来院
例４：再度／で／来院
【００９３】
未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）の各未カテゴリ語を未カテゴリ語照合ルール（1400）と照合し、各未カテゴリ語が該未カテゴリ語照合ルール（1400）に合致するか否かを判定する。
【００９４】
未カテゴリ語照合ルール（1400）は、文字列及び正規表現の組み合わせからなるトークンであれば、該組み合わせ内での文字列と正規表現との順序は問わない。未カテゴリ語照合ルールは、トークン単位（この場合、トークン単位は語単位と同じである）のルール、トークン単位の一部分（すなわち部分文字列である）からなるルールを含む。未カテゴリ語照合ルール（1400）は、分類カテゴリに入るトークンに包括的に合致するトークンを抽出するために使用される。但し、任意文字列に合致した箇所は、後述の確信度計算部（500）において説明するように、専門用語又はその他の単語であることを想定しているので、該想定を前提として未カテゴリ語照合ルール（1400）を用意することが望まれる。
【００９５】
未カテゴリ語照合ルール（1400）の例は、下記の通りである。
・[あ-ん]*麻痺
[あ-ん]*麻痺は、１つの正規表現と１つの文字列からなる未カテゴリ語照合ルールである。
該未カテゴリ語照合ルールでは、０文字以上の平仮名に「麻痺」が続くトークンが合致する。「 [○-△] 」は、文字コードが○から△の間にある任意の一文字を表す。「*」は、前の文字の０文字以上の連続を表す。
・合致する例： 「がんめん麻痺」、「麻痺」、「りょううで麻痺」
・合致しない例： 「顔面麻痺」、「ベル麻痺」、「がんめん」
・＊麻痺
＊麻痺は、１つの正規表現（この例ではアスタリスクである）と１つの文字列とからなる未カテゴリ語照合ルールである。アスタリスクは、任意の文字列であることを意味する。
・合致する例： 「母趾麻痺」、「顔面麻痺」
・合致しない例： 「母趾マヒ」、「顔面まひ」
・＊マヒ
＊麻痺は、１つの正規表現（この例ではアスタリスクである）と１つの文字列とからなる未カテゴリ語照合ルールである。
・合致する例： 「母趾マヒ」
・合致しない例： 「母趾麻痺」、「顔面麻痺」、「顔面まひ」
・[ア-ン|ー]++[0-9]{1,3}+mg
[ア-ン|ー]++[0-9]{1,3}+mgは、複数の正規表現と複数の文字列とからなる未カテゴリ語照合ルールである。
該未カテゴリ語照合ルールでは、１文字以上の長音記号を含むカタカナ文字列に続き、１文字以上３文字以下の数字が出現し、最後に「mg」が出現する文字列が合致する。「 | 」は、「または」の意味である。「 ++ 」は、前の文字の１文字以上の連続を表す。「 {1,3}+ 」は、前の文字の１〜３回の連続を表す。
・合致する例： 「グルコース120mg」、「アスピリン500mg」
・合致しない例： 「100mg」、「アスピリンmg」、「ブドウ糖120mg」
【００９６】
未カテゴリ語照合ルール（1400）では、未カテゴリ語照合ルールは単語に対するルールであるので、未カテゴリ語の前後はみない。
【００９７】
未カテゴリ語照合部（300）は、未カテゴリ語照合ルール（1400）と合致した未カテゴリ語を登録候補語（1700）として出力する。
【００９８】
未カテゴリ語照合の結果の例は、下記の通りである。
例１：該当なし
例２：拇指麻痺
例３：該当なし
例４：該当なし
上記例では、「拇指麻痺」が、登録候補語（1700）である。
【００９９】
トークン列照合部（400）は、トークン列データ（1100）の各トークン列を逐次読み込み、該各トークン列をトークン列照合ルール（1500）と照合し、各トークン列が該トークン列照合ルール（1500）に合致するか否かを判定する。次に、トークン列照合部（400）は、合致したトークン列のエントリ（例えば、「両腕／麻痺」）が対象外トークン列リスト（1600）中に存在するかどうかを判定する。トークン列照合部（400）は、上記エントリが対象外トークン列リスト（1600）中に存在しなかった場合に、当該トークン列を登録候補語（1700）として出力する。
【０１００】
トークン列照合ルール（1500）は、文字列のトークンと正規表現のトークンとを含むトークン列であれば、トークン列内での文字列のトークンと正規表現のトークンとの順序は問わない。トークン列照合ルール（1500）は、分類カテゴリに入るトークン列に包括的に合致するトークン列を抽出するために使用される。
【０１０１】
トークン列照合ルール（1500）の例は、下記の通りである。
・[あ-ん] ＋麻痺
[あ-ん] ＋麻痺は、１つの正規表現のトークンと１つの文字列のトークンとを含むトークン列からなるトークン列照合ルールである。該未カテゴリ語照合ルールでは、０文字以上の平仮名と「麻痺」とを含むトークン列が合致する。「＋」は、前のトークンと後のトークンとの接続を表す。
・合致する例： 「がんめん麻痺」、「りょううで麻痺」
・合致しない例： 「顔面麻痺」、「ベル麻痺」、「がんめん」
・（名詞）＋麻痺
（名詞）＋麻痺は、トークン（名詞）とトークン（麻痺）とを含むトークン列からなるトークン列照合ルールである。（名詞）は、名詞という品詞を示す。
【０１０２】
トークン列照合部（400）が、トークンの品詞の品詞についても考慮するようにトークン列照合ルール（1500）を用意してもよい。但し、トークン列照合部（400）は、カテゴリを考慮しない。
【０１０３】
トークン列照合部（400）は、トークン列照合ルール（1500）と合致したトークン列を登録候補語（1700）として出力する。
【０１０４】
トークン列照合の結果の例は、下記の通りである。
・品詞情報を含まない場合
例１：顔面／麻痺
例２：該当なし
例３：結果／麻痺
例４：該当なし
・品詞情報を含む場合
例１：顔面（名詞）／麻痺
例２：該当なし
例３：結果（名詞）／麻痺
例４：該当なし
【０１０５】
以上より、登録候補語（1700）は、未カテゴリ語照合部（300）からの結果及びトークン列照合部（400）からの結果を含む。
【０１０６】
登録候補語（1700）は、次の通りである。
未カテゴリ語照合部（300）からの結果
例２：拇指麻痺
トークン列照合部（400）からの結果
例１：顔面／麻痺 または、顔面（名詞）／麻痺
例３：結果／麻痺 または、結果（名詞）／麻痺
【０１０７】
確信度計算部（500）では、未カテゴリ語照合部（300）及びトークン列照合部（400）それぞれにおいて出力された登録候補語（1700）の確信度を計算する。
【０１０８】
確信度の算出には、外部辞書（1800）又はその他の辞書の情報、文字数又は文字種などの様々な情報を使用することが可能である。該情報の例は、下記の通りである。
【０１０９】
１．登録候補語（1700）が、外部辞書（1800）、例えば特定の専門用語辞書の単語であるか又は該単語を含む単語かどうか。
専門用語辞書は、例えば、体の部位を示す語を含む。例えば、体の部位を示す用語である、声帯、拇指、顔面、四肢などである。
【０１１０】
２．登録候補語（1700）が、特定のカテゴリに属する単語であるか又は該単語を含む単語かどうか。
例Ａ：「記号＋麻痺」であれば、確信度スコアを下げる（例：＃麻痺）
例Ｂ：「ひらがな１文字＋麻痺」であれば、確信度スコアを下げる（例：て麻痺）
例Ｃ：「数字＋麻痺」であれば、確信度スコアを下げる（例：３１麻痺）
【０１１１】
３．登録候補語（1700）が、一般語辞書の単語であるか又は該単語を含むか単語かどうか。
例：一般名詞＋「麻痺」
一般語辞書を用いて、一般名詞＋「麻痺」の形式の登録候補語にも確信度を加算することで、スペースの混入、又は誤字若しくは脱字により未カテゴリ語となったノイズ・トークンを区別することができる。
【０１１２】
また、確信度の算出には、重み付けを利用することが可能である。該重み付けの例は、下記の通りである。
１．手足麻痺の語彙取得における「*麻痺」のケースでは、一般解剖学の用語辞書などの体の部位を表す用語、例えば｛腕、足、頭、心臓、…｝を含む辞書を用いることで、体の部位＋「麻痺」の形式の登録候補語の確信度を上げることが可能である。例えば、重み付けとして、確信度のスコアを一定数加算する。
【０１１３】
許可部（600）は、図２に示すような登録候補語のリストと、各登録候補語をカテゴリ辞書（1200）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも提供する。該インターフェースは、例えばグラフィカル・ユーザ・インターフェース（ＧＵＩ）画面である。カテゴリ辞書（1200）が分類カテゴリ辞書（1225）と対象外カテゴリ辞書（1250）に分かれている場合、許可部（600）は、上記登録候補語のリストと、各登録候補語を分類カテゴリ辞書（1225）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも提供する。該インターフェースは、登録候補語又は確信度付き登録候補語（1900）を人手でチェックし、分類カテゴリ辞書（1225）へ登録するかどうかの選択を促す。
【０１１４】
登録部（700）は、上記ＧＵＩ画面から入力された分類判定のユーザ選択の入力に応じて、下記処理を行う。
・登録候補語をカテゴリ辞書（1200）に登録する場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択した場合、登録フラグfにYESを与える。
【０１１５】
代替的に、登録候補語を分類カテゴリ辞書（1225）に登録する場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択した場合、登録フラグfにYESを与える。
【０１１６】
・登録候補語をカテゴリ辞書（1200）に登録しない場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択しない場合、登録フラグfにNOを与える。
【０１１７】
代替的に、登録候補語を分類カテゴリ辞書（1225）に登録しない場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択しない場合、登録フラグfにNOを与える。
【０１１８】
登録部（700）は、登録フラグfとしてYesを受け取ると、登録候補語を分類カテゴリ辞書（1225）に登録する。
【０１１９】
登録部（700）は、登録フラグfとしてNoを受け取ると、登録候補語が未カテゴリ語の場合に、登録候補語を対象外カテゴリ辞書（1250）に登録し、登録候補語がトークン列の場合に、対象外トークン列リスト（1600）に登録する。
【０１２０】
上記例では、登録部（700）は、登録候補語「拇指麻痺」についてfとしてYesが与えられると、該登録候補語を分類カテゴリ辞書（1225）に登録する。また、登録部（700）は、登録候補語「顔面麻痺」についてfとしてNoが与えられると、該登録候補語を対象外トークン列リスト（1600）に登録する。さらに、登録部（700）は、登録候補語「結果麻痺」についてｆとしてNoが与えられると、該登録候補語を対象外トークン列リスト（1600）に登録する。
【０１２１】
カテゴリ判別部（200）は、上記「拇指麻痺」が分類カテゴリ辞書（1225）に登録されたので、該登録以降のトークン列データ（1100）の判別において、「拇指麻痺」をトークン列データ（1100）から未カテゴリ語として抽出しないので、結果的に「拇指麻痺」は登録候補語として抽出されない。すなわち、カテゴリ判別部（200）は、分類カテゴリ辞書（1225）に登録された登録候補語を以降の処理において抽出しない。これによって、登録候補語を登録するかどうかのユーザによる選択の作業の軽減が可能である。
【０１２２】
同様に、カテゴリ判別部（200）は、対象外カテゴリ辞書（1250）に登録された登録候補語を以降の処理において抽出しない。これによって、同様に、登録候補語を登録するかどうかのユーザによる選択の作業の軽減が可能である。
【０１２３】
また、トークン列照合部（400）は、上記「顔面麻痺」及び上記「結果麻痺」が分類カテゴリ辞書（1225）に登録されたので、該登録以降のトークン列データ（1100）の判別において、「拇指麻痺」及び「結果麻痺」をトークン列データ（1100）から未カテゴリ語として抽出しないので、結果的に「拇指麻痺」及び「結果麻痺」は登録候補語として抽出されない。すなわち、トークン列照合部（400）は、トークン列データ（1100）に登録された登録候補語を以降の処理において抽出しない。これによって、上記と同様に、登録候補語を登録するかどうかのユーザによる選択の作業の軽減が可能である。
【０１２４】
図１Ｂは、本発明の実施態様である、カテゴリ辞書、分類カテゴリ辞書、対象外カテゴリ辞書、及び用語辞書の関係を示す。
【０１２５】
Ａは、カテゴリ辞書（1200）が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の機能を含む場合である。
【０１２６】
カテゴリ辞書（1200）のうち、分類カテゴリ辞書の機能を有する部分に登録されているトークン又はトークン列、又は分類カテゴリ辞書の機能を有する部分に登録されうるトークン又はトークン列が、用語辞書（1260）に登録される。
【０１２７】
Ｂは、分類カテゴリ辞書（1225）と対象外カテゴリ辞書（1250）が分かれている場合である。
【０１２８】
分類カテゴリ辞書に登録されているトークン又はトークン列、又は分類カテゴリ辞書に登録されうるトークン又はトークン列が、用語辞書（1260）に登録される。
【０１２９】
なお、分類カテゴリ辞書そのものが用語辞書を兼ねてもよい。
【０１３０】
図２は、本発明の実施形態である、確信度付き登録候補語のリストの例を示す。
該リストは、少なくとも登録候補語、及び分類判定選択のためのインターフェースを含む。該リストはまた、任意に、登録候補語の分類若しくは確信度、又はそれらの組み合わせを含む。確信度とともに登録候補語が表示される場合、確信度付き登録候補語（1900）ともいう。確信度付き登録候補語（1900）は、各登録候補語（1700）に付与された確信度以外に、確信度の根拠となった情報を含んでもよい。確信度の根拠になった情報は、例えば、登録候補語の分類、登録候補語がトークン列又は未カテゴリ語のいずれであるかである。
【０１３１】
該リストでは、登録候補語の分類として、体の部位＋「麻痺」、一般名詞＋「麻痺」、その他の分類が付与されている。
【０１３２】
該リストでは、確信度として、高、中、低が付与されている。代替的に、確信度として、確信度に応じて数値、例えば、３（高に対応する）、２（中に対応する）、１（低に対応する）の順に与えられてよい。そして、該確信度に従い、登録候補語がソートされている。このように、ソートした該結果をユーザに表示することによって、ユーザは、登録候補語をカテゴリ辞書（1200）に登録するか否かの判断が容易になる。また、登録候補語毎に登録するかどうかの判定を行うのではなく、確信度毎に登録するかどうかをまとめて判定ができるようにしてもよい。まとめて判定を行うことによって、対象外カテゴリ辞書（1250）又は対象外トークン列リスト（1600）への登録操作が容易になる。さらに、一見難解な固有表現又は専門用語があった場合でも、該表現又は用語が体の部位を示すことを予測しやすくなる。
【０１３３】
該リストでは、登録候補語が、確信度順にソートされている。代替的に、登録候補語が、確信度のグループごとにソートされているようにしてもよい。
【０１３４】
該リストでは、未カテゴリ語照合部（300）からの結果「拇指麻痺」は、確信度が「高」であり、上から２番目に表示されている。また、該リストでは、トークン列照合部（400）からの結果「顔面麻痺」は、確信度が「高」であり、上から３番目に表示されている。さらに、該リストでは、トークン列照合部（400）からの結果「結果麻痺」は、確信度が「中」であり、上から９番目に表示されている。
【０１３５】
分類判定選択は、ＧＵＩ画面を使用して表示される。該ＧＵＩ画面は、分類判定の選択を可能にする。分類判定の選択は、例えば、選択する場合○、選択しない場合×をプルダウンメニューから選択して行われる。代替的に、ＧＵＩ画面は、例えばオプション・メニューを選択することによって表示される。
【０１３６】
図３は、本発明の実施形態である、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのフローチャートの例を示す。
【０１３７】
ステップ３０１では、形態素解析部（100）は、テキスト・データ（1000）の入力に応じて、該入力されたテキスト・データの各文を形態素解析を行い、該形態素解析の結果として、各文についてトークン列データを出力する。トークン列データ（1100）を出力する。
【０１３８】
ステップ３０２では、カテゴリ判別部（200）は、トークン列データ（1100）の全てのトークンについて、カテゴリ辞書（1200）のエントリと合致しない未カテゴリ語の抽出を行う。代替的には、カテゴリ判別部（200）は、トークン列データ（1100）の全てのトークンについて、分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）のエントリと照合し、いずれのエントリにも合致しない未カテゴリ語の抽出を行う。該抽出された未カテゴリ語は、未カテゴリ語リスト（1300）として出力される。
【０１３９】
ステップ３０３では、未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）の各未カテゴリ語を未カテゴリ語照合ルール（1400）と照合し、該未カテゴリ語照合ルール（1400）に合致するか否かを判定する。そして、未カテゴリ語照合部（300）は、該未カテゴリ語照合ルール（1400）に合致する未カテゴリ語を登録候補語（1700）として出力する。
【０１４０】
ステップ３０４では、トークン列照合部（400）は、トークン列データ（1100）の各トークンを逐次読み込み、該各トークンをトークン列照合ルール（1500）と照合し、該トークン列照合ルール（1500）に合致するか否かを判定する。次に、トークン列照合部（400）は、合致したトークン列のエントリが対象外トークン列リスト（1600）中に存在するかどうかを判定する。トークン列照合部（400）は、上記エントリが対象外トークン列リスト（1600）中に存在しなかった場合に、当該トークン列を登録候補語（1700）として出力する。
【０１４１】
コンピュータシステム（図１Ａ、10）は、ステップ３０２〜３０３とステップ３０４とを同時並行で行わせることができる。
【０１４２】
ステップ３０５では、確信度計算部（500）は、外部辞書（1800）の情報を用いて、登録候補語（1700）を分類カテゴリへ登録判断の観点から作業しやすい順に並べ替える。そして、該並べ替えた登録候補語が、確信度付き登録候補語（1900）として出力される。なお、ステップ３０５は任意のステップであり、ステップ３０３及びステップ３０４から下記に述べるステップ３０６に直接進んでもよい。
【０１４３】
ステップ３０６では、許可部（600）は、各登録候補語を、カテゴリ辞書（1200）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも提供する。代替的に、許可部（600）は、各登録候補語を、分類カテゴリ辞書（1225）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも用意する。該インターフェースはまた、確信度を用意してもよい。該インターフェースはさらに、登録候補語の分類を用意してもよい。
【０１４４】
ステップ３０７では、登録部（700）は、ユーザによって登録すると判定された登録候補語をカテゴリ辞書（1200）に、ユーザによって選択されたことを示すフラグ付きで登録する。一方、登録部（700）は、ユーザによって登録しないと判定された登録候補語であって、未カテゴリ語照合部（300）によって抽出された登録候補語を、カテゴリ辞書（1200）に、ユーザによって選択されなかったことを示すフラグ付きで登録する。また、登録部（700）は、ユーザによって登録しないと判定された登録候補語であって、トークン列照合部（400）によって抽出された登録候補語を、対象外トークン列リスト（1600）に登録する。
【０１４５】
代替的に、登録部（700）は、ユーザによって登録すると判定された登録候補語を分類カテゴリ辞書（1225）に登録する。一方、登録部（700）は、ユーザによって登録しないと判断された登録候補語であって、未カテゴリ語照合部（300）によって抽出された登録候補語を、対象外カテゴリ辞書（1250）に登録する。また、登録部(700)は、ユーザによって登録しないと判定された登録候補語であって、トークン列照合部（400）によって抽出された登録候補語を、対象外トークン列リスト（1600）に登録する。
【０１４６】
上記登録処理によって、次回からの辞書登録のために登録候補語（1700）の数を減らしつつ、分類カテゴリ辞書（1225）の作成作業を支援する。
【０１４７】
以上の通り、本発明の実施形態では、一般語としての単語ではなく、特定のカテゴリに属するトークンのみを未カテゴリ語リスト（1300）から抽出するために、下記の構成を採用する。
【０１４８】
本発明の上記実施形態では、上記に説明したように、トークン列データ（1100）のトークンについて、未カテゴリ語照合部（300）による照合及びトークン列照合部（400）による照合を行い、登録候補語を抽出す自動化段階と、該登録候補語について、ヒトが意味レベルの確認を許可部（600）を通じて行う手動化段階の２段階の仕組みを採用する。該２段階の仕組みを採用することによって、トークン列データ（1100）を漏れなく検査することが可能である。
【０１４９】
図１Ａの説明では、日本語を例にして説明した。しかし、テキスト・データ（1000）が英語である場合にも、本発明を適用することが可能である。
【０１５０】
テキスト・データ（1000）が英語である場合、形態素解析部（100）は、品詞情報を各トークン列データに与える。なぜならば、英語の場合、各トークンはスペースによってすでに区切られているために、日本語のように形態素として切り出す必要がないからである。
【０１５１】
テキスト・データ（1000）が英語の場合、未カテゴリ語照合ルール（1400）は、下記の通りである。未カテゴリ語照合ルールは、単語単位のルール、単語の一部分（すなわち部分文字列である）からなるルールを含む。
・＊paralysis （注記 日本語訳「＊麻痺」）
＊paralysisは、１つの正規表現（この例ではアスタリスクである）と１つの文字列とからなる未カテゴリ語照合ルールである。アスタリスクは、任意の文字列であることを意味する。
・合致する例： 「angioparalysis」、「crystoparalysis」
・合致しない例： 「paralyzed」
・＊plegic＊ (日本語訳「＊麻痺の＊」)
・合致する例： 「quadriplegic handicap」
・合致しない例： 「quadriplegia」
【０１５２】
テキスト・データ（1000）が英語の場合、トークン列照合ルール（1500）は、下記の通りである。英語のトークン列照合ルール（1500）は、日本語のトークン列照合ルール（1500）と同様にトークン列（複数のトークン）からなる表現を抽出するためのルールである。
・[ａ〜ｚ]＋paralysis
[ａ〜ｚ]＋麻痺は、１つの正規表現と１つの文字列とを含むトークン列からなるトークン列照合ルールである。「＋」は、前のトークンと後のトークンとの接続を表す。
・合致する例： 「internus paralysis」、「anticus paralysis」、「facial paralysis」
・合致しない例： 「quadriplegic handicap」
【実施例１】
【０１５３】
該実施例では、手足麻痺カテゴリについて辞書登録をする場合について説明する。
【０１５４】
生命保険支払い査定業務では、症状の記述が手足麻痺に関するものかどうかを判定するケースがある。そこで、生命保険支払い査定用の辞書作成者は、「麻痺」という言葉を含む単語を網羅的にチェックし、手足に関する分類カテゴリの辞書を作成する必要がある。
【０１５５】
分類カテゴリ辞書（1225）、対象外カテゴリ辞書（1250）及びトークン列リスト（1600）のリソースの初期状態は、空である。また、未カテゴリ語照合ルール（1400）は、一文字以上の任意の文字列に続いて「麻痺」が出現する文字列に合致する正規表現と文字列の組み合わせである「．＋麻痺」からなるルールである。ここで、正規表現のピリオド（．）は改行を除く任意の１文字を表し、正規表現のプラス（＋）は直前のパターンの１回以上の繰り返しを表す。トークン列照合ルール（1500）は、（名詞）という正規表現と、「麻痺」という文字列とを含むトークン列である。
【０１５６】
（１）初回の辞書登録処理
初回の辞書登録処理において、「拇指麻痺」、「両腕麻痺」又は「顔面麻痺」を含むテキスト・データ（複数文書の文書でありうる）が形態素解析部（100）に投入された。形態素解析部（100）の形態素解析エンジンは、「拇指麻痺」、「両腕麻痺」及び「顔面麻痺」をトークン又はトークン列として切り出し、トークン列データ（1100）を出力する。
【０１５７】
形態素解析部（100）は、「両腕麻痺」を「両腕/麻痺」として二語として切り出し、「拇指麻痺」及び「顔面麻痺」を一つの単語として切り出した。よって、「両腕/麻痺」はトークン列（複数の語）であり、「拇指麻痺」及び「顔面麻痺」はそれぞれトークン（１つの語）である。
【０１５８】
カテゴリ判別部（200）は、上記トークン列データを受け取り、「両腕」及び「麻痺」、並びに「拇指麻痺」及び「顔面麻痺」が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）のいずれにも登録されていないために、「拇指麻痺」及び「顔面麻痺」を未カテゴリ語として抽出し、未カテゴリ語リスト（1300）に追加する。
【０１５９】
未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）を読み取り、「両腕」及び「麻痺」、並びに「拇指麻痺」及び「顔面麻痺」について未カテゴリ語照合ルール（1400）と照合する。未カテゴリ語照合部（300）は、照会の結果、「両腕」及び「麻痺」、並びに「拇指麻痺」及び「顔面麻痺」を未カテゴリ語と判定する。なお、トークン列「両腕/麻痺」のうちのトークン「両腕」は、上記未カテゴリ語照合ルール（1400）のうちの「麻痺」を含んでいたいために、登録候補語（1700）として抽出されない。同様に、トークン列「両腕/麻痺」のうちのトークン「麻痺」は、上記未カテゴリ語照合ルール（1400）のうちの「一文字以上の任意の文字列」に合致しないために、登録候補語（1700）として抽出されない。よって、未カテゴリ語照合ルール（1400）に合致するトークン「拇指麻痺」及び「顔面麻痺」が、登録候補語（1700）である。
【０１６０】
トークン列照合部（400）は、トークン列データを読み取り、「拇指麻痺」、「顔面麻痺」及び「両腕麻痺」についてトークン列照合ルール（1500）と照合する。トークン列照合部（400）は、照会の結果、「両腕麻痺」（別の表現で表すと「両腕／麻痺」である）がトークン列照合ルール（1500）に合致すると判定し、且つトークン列リスト（1600）に登録されていないことを確認する。該トークン列照合ルール（1500）に合致し且つトークン列リスト（1600）に登録されていないトークン列「両腕／麻痺」が登録候補語として抽出される。
【０１６１】
その後、ユーザによって、登録候補語のうち、「拇指麻痺」及び「両腕麻痺」は登録し、「顔面麻痺」は、手足麻痺カテゴリに属しないので登録しないと判定された。よって、登録部（700）は、「拇指麻痺」及び「両腕麻痺」を分類カテゴリ辞書（1225）に登録する。また、登録部（700）は、「顔面麻痺」が未カテゴリ語であるので対象外カテゴリ辞書（1250）に登録する。
【０１６２】
（２）２回目以降の辞書登録処理
２回目の登録処理で、「拇指麻痺」、「両腕麻痺」、「顔面麻痺」又は「神経麻痺」を含むテキスト・データ（複数文書の文書でありうる）が形態素解析部（100）に投入された。形態素解析部（100）の形態素解析エンジンは、「拇指麻痺」（トークン）、「両腕麻痺」（トークン）、「顔面麻痺」（トークン）及び「神経麻痺」（トークン又はトークン列）をトークン又はトークン列として切り出し、トークン列データ（1100）を出力する。
【０１６３】
カテゴリ判別部（200）は、上記トークン列データを受け取り、「拇指麻痺」、「両腕麻痺」がトークンとして切り出されているけれども、「拇指麻痺」、「両腕麻痺」が分類カテゴリ辞書（1225）に登録されているので未カテゴリ語として抽出しない。同様に、カテゴリ判別部（200）は、「顔面麻痺」がトークンとして切り出されているけれども、「顔面麻痺」が対象外カテゴリ辞書（1250）に登録されているので、未カテゴリ語として抽出しない。
【０１６４】
“神経麻痺”が１つのトークン、すなわち「神経麻痺」として切り出された場合、カテゴリ判別部（200）は、上記１つのトークン「神経麻痺」が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）のいずれにも登録されていないために、「神経麻痺」を未カテゴリ語として抽出し、未カテゴリ語リスト（1300）に追加する。未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）を読み取り、「神経麻痺」について、未カテゴリ語照合ルール（1400）と照合する。未カテゴリ語照合部（300）は、照会の結果、「神経麻痺」を未カテゴリ語と判定する。該未カテゴリ語照合ルール（1400）に合致するトークン「神経麻痺」が登録候補語（1700）である。
【０１６５】
“神経麻痺”がトークン列、すなわち「神経／麻痺」として切り出された場合、トークン列照合部（400）は、トークン列データを読み取り、該トークン列照合ルール（1500）と照合する。トークン列照合部（400）は、照会の結果、「神経麻痺」（別の表現で表すと「神経／麻痺」である）がトークン列照合ルール（1500）に合致すると判定し、且つトークン列リスト（1600）に登録されていないことを確認する。該トークン列照合ルール（1500）に合致し且つトークン列リスト（1600）に登録されていないトークン列「神経／麻痺」が、登録候補語（1700）として抽出される。
【０１６６】
その後、ユーザによって、登録候補語「神経麻痺」は手足麻痺カテゴリに属しないので登録しないと判定された。
【０１６７】
よって、登録部（700）は、“神経麻痺”が１つのトークンとして切り出されていた場合に該「神経麻痺」を対象外カテゴリ辞書（1250）に登録する。或いは、登録部（700）は、“神経麻痺”がトークン列として切り出されていた場合に該「神経／麻痺」を対象外トークン列リスト（1600）に追加する。
【０１６８】
このようにして、ユーザは、一度判定した登録候補語を次の辞書登録処理の以降の処理において再び判定する必要がなくなる。さらに、ユーザは、初出のトークン又はトークン列について、未カテゴリ語照合ルール（1400）又はトークン列照合ルール（1500）に合致するもののみを判定すればよい。従って、本発明の実施形態では、形態素解析部（100）による形態素の切り出しの結果によらず、ユーザは、登録候補語として抽出されてきた「麻痺」を含むトークン又はトークン列を確認のみすればよい。
【０１６９】
図４は、本発明の実施形態における、コンピュータ・システムのブロック図を示す。
【０１７０】
上記実施形態のコンピュータ・システム（４０１）は、メイン・メモリ（４０２）とＣＰＵ（４０３）と含み、これらはバス（４０４）に接続されている。ＣＰＵ（４０３）は好ましくは、３２ビットまたは６４ビットのアーキテクチャに基づくものであり、例えば、インテル社のＸｅｏｎ（商標）シリーズ、Ｃｏｒｅ（商標）シリーズ、ＡＴＯＭ（商標）シリーズ、Ｐｅｎｔｉｕｍ（商標）シリーズ、Ｃｅｌｅｒｏｎ（商標）シリーズ、ＡＭＤ社のＰｈｅｎｏｍ（商標）シリーズ、Ａｔｈｌｏｎ（商標）シリーズ、Ｔｕｒｉｏｎ（商標）シリーズ及びＳｅｍｐｒｏｎ（商標）を使用することができる。バス（４０４）には、ディスプレイ・コントローラ（４０５）を介して、ＬＣＤモニターなどのディスプレイ（４０６）が接続される。ディスプレイ（４０６）は、コンピュータ・システムの管理のために、通信回線を介してネットワークに接続されたコンピュータについての情報と、そのコンピュータ上で動作中のソフトウェアについての情報を、適当なグラフィック・インターフェースで表示するために使用される。バス（４０４）にはまた、ＩＤＥ又はＳＡＴＡコントローラ（４０７）を介して、ハードディスク又はシリコン・ディスク（４０８）と、ＣＤ−ＲＯＭ、ＤＶＤドライブ又はＢＤドライブ（４０９）が接続される。
【０１７１】
ハードディスク又はシリコン・ディスク（４０８）には、オペレーティング・システム、本発明の実施形態に従うコンピュータ・プログラム、その他のプログラム及びデータが、メイン・メモリ（４０２）にロード可能に記憶されている。
【０１７２】
ＣＤ−ＲＯＭ、ＤＶＤ又はＢＤドライブ（４０９）は、必要に応じて、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ又はＢＤからプログラムをハードディスク又はシリコン・ディスク（４０８）に追加導入するために使用される。バス（４０４）には更に、キーボード・マウス・コントローラ（４１０）を介して、キーボード（４１１）及びマウス（４１２）が接続されている。
【０１７３】
通信インターフェース（４１４）は、例えばイーサネット（商標）プロトコルに従うものであり、通信コントローラ（４１３）を介してバス（４０４）に接続され、コンピュータ・システム（４０１）及び通信回線（４１５）を物理的に接続する役割を担い、コンピュータ・システム（４０１）のオペレーティング・システムの通信機能のＴＣＰ／ＩＰ通信プロトコルに対して、ネットワーク・インターフェース層を提供する。尚、通信回線は、有線ＬＡＮ環境、或いは例えばＩＥＥＥ８０２．１１ａ／ｂ／ｇ／ｎなどの無線ＬＡＮ接続規格に基づく無線ＬＡＮ環境であってもよい。
【０１７４】
以上、実施形態に基づき本発明を説明してきたが、本実施形態に記載されている内容は、本発明の一例であり、当業者なら、本発明の技術的範囲を逸脱することなく、さまざまな変形例に想到できることが、明らかであろう
【技術分野】
【０００１】
本発明は、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・システム、並びにその方法及びコンピュータ・プログラムに関する。
【背景技術】
【０００２】
固有表現又は専門用語抽出とは、計算機を用いた自然言語処理技術の一つであり、テキスト・データから特定の単語カテゴリ（例えば、人名、会社名、病名、電話番号、化合物名）に属する表現又は特定の専門分野に属する用語を抽出する処理をいう。固有表現又は専門用語抽出は、テキストマイニング、機密情報マスキングなどの多岐の技術に渡って利用されている。固有表現又は専門用語抽出に際して、最も単純な方法は、語彙カテゴリ又は専門用語カテゴリに属する表現を列挙したものを固有表現又は専門用語の抽出機の設定データとして持つことである。該設定データは、一般に「辞書」と呼ばれている。新聞記事など現実世界に存在するテキストには大量の固有表現又は専門用語が含まれている。形態素解析などを行う場合において、それらの固有表現又は専門用語が辞書に登録されていない場合、該固有表現又は専門用語は、未知語として扱われる。未知語とは、形態素解析で品詞が割り当てられなかった語である。その結果、解析の誤りが生じる。そのために、様々な固有表現又は専門用語の用語辞書を作成する必要がある。しかし、現実のテキストには大量の固有表現又は専門用語が存在し、人手を用いてそれらの用語辞書を作成することは困難である。
【０００３】
固有表現又は専門用語の獲得に機械学習アルゴリズムを利用する研究が数多く報告されている。典型的な例は、形態素解析結果又は構文解析結果を入力して、分類対象の単語及び該単語に隣接する単語のみで判定可能な特徴と、該固有表現に分類されることの関連性（条件付き確率）を学習する（下記非特許文献１を参照）。分類対象の単語及び該単語に隣接する単語のみで判定可能な特徴とは、例えば、対象の単語がカタカナの名詞であること、及び続く単語が「株式会社」であることである。このような機械学習アルゴリズムは、低コストで良い精度が得られやすい。しかし、機械学習アルゴリズムでは、確実な分類を保障することはできないため、抽出漏れがあってはいけないケースでは使用できない。
【０００４】
また、正規表現のパターン合致によって、分類対象の単語を自動判定する方法が広く用いられている。しかし、パターン合致では表層の区別はできても、意味判別はできない。よって、意味判別を可能にするために、人手での再確認が必要になる。しかし、人手で再確認をする場合、表層情報のみで単語を切り出した結果を用いるのは得策ではない。
【０００５】
また、その他の方法として、形態素解析結果のトークン列に対してパターン合致を行う手法がある（下記特許文献１を参照）。しかし、パターン合致による手法において、トークン列に合致させるパターンは、事実上抽出対象の周辺情報に頼ることになり、機械学習と同様に確率的な結果しか得られない。
【０００６】
さらに、その他の方法として、仮名、漢字、英数字の混じった日本語の形態素解析結果から、未知語と該未知語の連接語の組み合わせについて品詞を特定し、語彙の自動獲得を行う手法がある（下記特許文献２を参照）。未知語とは、形態素解析で品詞が割り当てられなかった語である。
【０００７】
さらに、その他の方法として、未知語の前後の単語を新規登録語に含めるかどうかを人手で編集する過程を含む手法がある（下記特許文献３を参照）。
【先行技術文献】
【特許文献】
【０００８】
【特許文献１】特開２００７−１１８９２号公報
【特許文献２】特開２００４−２６５４４０号公報
【特許文献３】特開２００４−３４１７９１号公報
【非特許文献】
【０００９】
【非特許文献１】Burr Settles、Biomedical Named Entity Recognition Using Conditional Random Fields and Rich Feature Sets、Proc. NLPBA/COLING 2004
【発明の概要】
【発明が解決しようとする課題】
【００１０】
テキスト・マイニング・エンジン、例えばIBM Content Analyzer（IBM OmniFind（商標） Analytics Editionから名称変更）を用いて、漏れが許されない査定業務、例えば保険金支払い査定業務に必要な病名を効率的に抽出し、辞書に登録しようとする試みがある。本発明の目的は、漏れが許されない査定業務などにおける固有表現又は専門用語の抽出において、抽出漏れの影響の大きい固有表現又は専門用語の抽出のために利用される用語辞書を作成するシステム、方法及びコンピュータ・プログラムを提供することである。さらに、本発明の目的は、用語辞書を作成するための単語カテゴリの用語辞書を構築する場合に、新規追加されたテキスト・データから、登録候補語を漏れなく見つけ、且つ作業を効率的に行うシステム、方法及びコンピュータ・プログラムを提供することである。
【課題を解決するための手段】
【００１１】
本発明は、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・システムを提供する。該コンピュータ・システムは、
上記テキスト・データの形態素解析を行い、トークン列データを取得する形態素解析部と、
上記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するカテゴリ判別部と、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出する未カテゴリ語照合部であって、上記未カテゴリ語照合ルールは、上記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、上記未カテゴリ照合部と、
上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するトークン列照合部であって、上記トークン列照合ルールが、上記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、上記トークン列照合部と、
上記カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許す許可部と
を含む。
上記ユーザによって選択された登録候補語が用語辞書に登録される。代替的には、上記カテゴリ辞書のうちの、上記ユーザによって選択された登録候補語が用語辞書に登録される。
【００１２】
本発明の１つの実施形態では、上記コンピュータ・システムは、
上記登録候補語の確信度を計算する確信度計算部であって、該確信度は、上記登録候補語が上記カテゴリ辞書に登録される又は上記トークン列照合ルールに追加される可能性を示す、上記確信度計算部
をさらに含む。
【００１３】
本発明の１つの実施形態では、上記確信度計算部が、外部辞書の情報を使用して上記確信度を計算する。
【００１４】
本発明の１つの実施形態では、上記確信度計算部が、文字数又は文字種の情報を使用して上記確信度を計算する。
【００１５】
本発明の１つの実施形態では、上記確信度計算部が、上記第１又は第２の正規表現に合致するトークン中の文字列が専門用語辞書の語彙として存在する場合に、該文字列が一般用語辞書の語彙として存在する場合よりも高いスコアを与える。
【００１６】
本発明の１つの実施形態では、上記許可部が、上記登録候補語及び該登録候補語に対応する確信度を表示装置上に表示することをさらに含む。
【００１７】
本発明の１つの実施形態では、上記許可部が、上記登録候補語を上記確信度に従いソートして表示装置上に表示することをさらに含む。
【００１８】
本発明の１つの実施形態では、上記コンピュータ・システムは、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記カテゴリ辞書に登録する登録部
をさらに含む。
【００１９】
本発明の１つの実施形態では、上記登録部が、上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列をトークン列リストに追加する。
【００２０】
本発明の１つの実施形態では、上記カテゴリ判別部が、上記トークン列データからのトークンが上記カテゴリ辞書に登録されている場合に、該トークンを抽出しない。
【００２１】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得し、
上記カテゴリ判別部が、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンを抽出しない。
【００２２】
本発明の１つの実施形態では、上記トークン列照合部が、上記トークン列データからのトークン列が上記トークン列リストに登録されている場合に、該トークン列を抽出しない。
【００２３】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得し、
上記トークン列照合部が、上記トークン列データからのトークン列及び該トークン列の各トークンに対応する品詞情報が上記トークン列リストに登録されているトークン列及び該トークン列の各トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークン列を抽出しない。
【００２４】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得する。
【００２５】
本発明の１つの実施形態では、上記形態素解析部が、上記トークン列データの各トークンに対応する品詞情報をさらに取得し、
上記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、
上記分類カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンを検索するために使用する該トークン及び任意的に該トークンの品詞情報を含み、
上記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む。
【００２６】
本発明の１つの実施形態では、上記カテゴリ判別部が、上記トークン列データの各トークンを上記分類カテゴリ辞書を用いて判別し、
上記許可部が、上記分類カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許し、
上記登録部が、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録する。
【００２７】
本発明の１つの実施形態では、上記登録部が、上記登録候補語として抽出されたトークンであって、上記ユーザによって選択されなかったトークンを上記対象外カテゴリ辞書に登録する。
【００２８】
本発明の１つの実施形態では、上記カテゴリ判別部が、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記分類カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンを抽出しない。
【００２９】
本発明の１つの実施形態では、上記第１又は第２の文字列が、単語又は単語の一部である。
【００３０】
本発明はまた、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成する方法を提供する。該方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、
上記テキスト・データの形態素解析を行い、トークン列データを取得するステップと、
上記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、上記未カテゴリ語照合ルールは、上記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、上記抽出するステップと、
上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、上記トークン列照合ルールが、上記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、上記抽出するステップと、
上記カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許すステップと
を含む。
上記ユーザによって選択された登録候補語が用語辞書に登録される。代替的には、上記カテゴリ辞書のうちの、上記ユーザによって選択された登録候補語が用語辞書に登録される。
【００３１】
本発明の１つの実施形態では、上記方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、上記登録候補語の確信度を計算するステップであって、該確信度は、上記登録候補語が上記カテゴリ辞書に登録し又は上記トークン列照合ルールに追加する可能性を示す、上記計算するステップをさらに含む。
【００３２】
本発明の１つの実施形態では、上記確信度を計算するステップが、外部辞書の情報を使用して上記確信度を計算するステップを含む。
【００３３】
本発明の１つの実施形態では、上記確信度を計算するステップが、文字数又は文字種の情報を使用して上記確信度を計算するステップを含む。
【００３４】
本発明の１つの実施形態では、上記確信度を計算するステップが、上記第１又は第２の正規表現に合致するトークン中の文字列が専門用語辞書の語彙として存在する場合に、該文字列が一般用語辞書の語彙として存在する場合よりも高いスコアを与えるステップを含む。
【００３５】
本発明の１つの実施形態では、上記選択を許すステップが、上記登録候補語及び該登録候補語に対応する確信度を表示装置上に表示するステップをさらに含む。
【００３６】
本発明の１つの実施形態では、上記選択を許すステップが、上記登録候補語を上記確信度に従いソートして表示装置上に表示するステップをさらに含む。
【００３７】
本発明の１つの実施形態では、上記方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記カテゴリ辞書に登録するステップを含む。
【００３８】
本発明の１つの実施形態では、上記登録するステップは、上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列をトークン列リストに追加するステップを含む。
【００３９】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップでは、上記トークン列データからのトークンが上記カテゴリ辞書に登録されている場合に、該トークンが抽出されない。
【００４０】
本発明の１つの実施形態では、上記取得するステップが、上記トークン列データの各トークンに対応する品詞情報を取得するステップをさらに含む。また、上記未カテゴリ語を抽出するステップでは、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンが抽出されない。
【００４１】
本発明の１つの実施形態では、上記トークン列を抽出するステップでは、上記トークン列データからのトークン列が上記トークン列リストに登録されている場合に、該トークン列が抽出されない。
【００４２】
本発明の１つの実施形態では、上記取得するステップが、上記トークン列データの各トークンに対応する品詞情報をさらに取得するステップをさらに含む。また、トークン列を抽出するステップでは、上記トークン列データからのトークン列及び該トークン列の各トークンに対応する品詞情報が上記トークン列リストに登録されているトークン列及び該トークン列の各トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークン列が抽出されない。
【００４３】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップが、上記トークン列データの各トークンを上記分類カテゴリ辞書を用いて判別するステップを含む。
本発明の１つの実施形態では、上記許すステップが、上記分類カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許すステップを含む。
本発明の１つの実施形態では、上記登録するステップが、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録するステップを含む。
【００４４】
本発明の１つの実施形態では、上記登録するステップが、上記登録候補語として抽出されたトークンであって、上記ユーザによって選択されなかったトークンを上記対象外カテゴリ辞書に登録するステップを含む。
【００４５】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップでは、上記トークン列データからのトークン及び該トークンに対応する品詞情報が上記分類カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、上記トークン列データからの上記トークンを抽出しない。
【００４６】
本発明の１つの実施形態では、上記方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記カテゴリ辞書に登録するステップをさらに含む。
【００４７】
本発明の１つの実施形態では、上記未カテゴリ語を抽出するステップが、上記トークン列データの各トークンを分類カテゴリ辞書及び対象外カテゴリ辞書を用いて判別するステップを含み、上記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、上記分類カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンを検索するために使用する該トークン及び任意的に該トークンの品詞情報を含み、
上記ユーザに許すステップが、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録するステップ、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択されなかった未カテゴリ語を上記対象外カテゴリ辞書に登録するステップ、又は
上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列を上記トークン列リストに追加するステップ、
を含む。
【００４８】
本発明はさらに、テキスト・データに含まれる固有表現又は専門用語の用語辞書を作成する方法を提供する。該方法は、コンピュータ・システムに下記ステップを実行させる。該ステップは、
上記テキスト・データの形態素解析を行い、トークン列データ及び該トークン列データの各トークンに対応する品詞情報を取得するステップと、
上記トークン列データの各トークンを分類カテゴリ辞書及び対象外カテゴリ辞書を用いて判別し、そして未カテゴリ語を抽出するステップであって、上記分類カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンを検索するために使用する該トークン及び任意的に該トークンの品詞情報を含み、上記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む、上記抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、上記未カテゴリ語照合ルールは、上記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、上記抽出するステップと、
上記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、上記トークン列照合ルールが、上記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、上記抽出するステップと、
上記登録候補語の確信度を計算するステップであって、該確信度は、上記登録候補語が上記カテゴリ辞書に登録し又は上記トークン列照合ルールに追加する可能性を示す、上記計算するステップと、
上記分類カテゴリ辞書に上記登録候補語を登録するかどうかの選択をユーザに許すステップであって、上記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む、上記許すステップと、
上記ユーザの選択に応じて、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語を上記分類カテゴリ辞書に登録し、
上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択されなかった未カテゴリ語を上記対象外カテゴリ辞書に登録し、又は
上記登録候補語として抽出されたトークン列であって、上記ユーザによって選択されなかったトークン列を上記トークン列リストに追加するステップと
を含む。
上記分類カテゴリ辞書に登録された登録候補語が、上記用語辞書に登録される。代替的には、上記登録候補語として抽出された未カテゴリ語であって、上記ユーザによって選択された未カテゴリ語が用語辞書に登録される。
【００４９】
本発明はさらに、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・プログラムを提供する。該コンピュータ・プログラムは、コンピュータ・システムに、上記方法のいずれか一に記載の方法の各ステップを実行させる。
【発明の効果】
【００５０】
本発明の実施形態では、形態素解析によるトークン列の切り出しと、トークン及びトークン列のルールへの適用による抽出のカバー率の広さとの両方の長所を取り入れることによって、全ての登録候補語にユーザが目を通すことが可能な辞書登録作業が実現される。また、本発明の実施形態では、各登録候補語が形態素である単語単位で切り出されているのでノイズが少なく、さらに目的に沿った確認作業が最小限の作業で効率的に行える。また、本発明の実施形態では、トークン列も同時に確認できるので、言語処理に依存する単語の登録漏れを防ぐことができる。
【図面の簡単な説明】
【００５１】
【図１Ａ】本発明の実施形態である、コンピュータ・システムの全体構成の例を示す。
【図１Ｂ】本発明の実施態様である、カテゴリ辞書、分類カテゴリ辞書、対象外カテゴリ辞書、及び用語辞書の関係を示す。
【図２】本発明の実施形態である、確信度付き登録候補語のリストの例を示す。
【図３】本発明の実施形態である、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのフローチャートの例を示す。
【図４】本発明の実施形態における、コンピュータ・システムのブロック図を示す。
【発明を実施するための形態】
【００５２】
本発明の実施形態において、「固有表現」（Named Entity）とは、固有物名、組織名、人名、地名、日付表現、時間表現、金額表現、割合表現などで定義される表現である。固有表現の定義は今後も拡張されていくが（関根聡、「固有表現から専門用語」を参照、URL http://www.cs.nyu.edu/~sekine/papers/gengo04ws_sekine.pdfから入手可能）、本発明の実施形態では、拡張された固有表現も含む。
【００５３】
本発明の実施形態において、「専門用語」（Terminology）とは、ある特定の学問の分野、ある特定の職業に従事する者、又はある特定の業界などの間で使用され、通用する語彙的単位である。また、本発明の実施形態において、「専門用語」は、製品名、技術名、顧客名も含む（立石健二、久寿居大、「企業内情報共有のための専門用語抽出方式の提案」を参照、URL http://www.dbsj.org/Japanese/DBSJLetters/vol4/no4/tateishi.pdfから入手可能）。
【００５４】
本発明の実施形態において、「テキスト・データ」とは、電子データであり、テキストを含むデータであればその保存形式を問わない。テキストは、一般用語に加えて、固有表現又は専門用語を含みうる。「テキスト・データ」に埋め込まれている文字の言語は問わない。該言語は、日本語、英語、中国語、韓国語などを挙げることができる。テキスト・データは、手書きされたデータ、例えば診断書データをスキャナで読み取り、光学文字読取装置（ＯＣＲ）によってテキスト・データにしたデータ、ワードプロセッサソフトウェア、表計算ソフトウェア、データベースソフトウェア、グループウェアなどのアプリケーションソフトウェアによって作成されたデータを含む。テキスト・データは、形態素解析部が認識できる形式であれば、その様式は特に問わない。テキスト・データが、例えばＯＣＲによって手書文字をテキスト・データ化したものである場合、誤字、脱字、不要なスペース、不要な記号などが含まれる場合がある。同様に、テキスト・データがアプリケーションソフトウェアによって作成されたデータであっても、タイプミス、変換ミス、操作ミスにより誤字、脱字、不要なスペース、不要な記号などが含まれる場合がある。
【００５５】
本発明の実施形態において、「形態素」とは、一般に語を構成する最小の意味のある単位である。日本語では、形態素は、名詞、形容詞、副詞、動詞語幹、活用語尾、助詞、助動詞などの語である。
【００５６】
本発明の実施形態において、「形態素解析」とは、テキスト・データを単語に区切る処理であり、自然言語処理の最も基本となる処理である。形態素解析によって生成される形態素の単位自体は、利用目的によって異なるようにしてもよい。本発明の実施形態では、「形態素解析」は、語を構成する最小の意味ある単位に区切り、語形変化を解析し、必要に応じて、品詞を同定する処理である。本発明の実施形態では、形態素解析によって切り出された形態素の単位をトークンという。
【００５７】
「形態素解析」が、品詞同定をせずに、語を上記単位に区切る処理のみをトークナイザーという。本発明の実施形態では、「形態素解析」は、トークナイザーをまた含む。「形態素解析」の手法は、特に限定されず、本発明の目的を達成する上で適切な形態素解析の手法を用いることができる。
【００５８】
本発明の実施形態において、「トークン列データ」とは、形態素解析で切り出された１又は複数の形態素からなるデータをいう。「トークン」とは、１つの形態素である。「トークン列」とは、複数の形態素からなる。すなわち、「トークン列」は、複数のトークンからなる。
【００５９】
本発明の実施形態において、「カテゴリ辞書」は、固有表現又は専門用語として、辞書に登録したいトークンを少なくとも含む辞書である。「カテゴリ辞書」はまた、広い意味で、分類カテゴリ辞書及び対象外カテゴリ辞書の機能を含んでもよい。「カテゴリ辞書」が、分類カテゴリ辞書と対象外カテゴリ辞書の機能を含む場合、分類カテゴリ辞書に含まれるトークンと対象外カテゴリ辞書に登録されるトークンとを、例えば、フラグによって区別して格納することが可能である。フラグは、例えば、分類カテゴリ辞書に含まれるトークンを1に設定し、対象外カテゴリ辞書に含まれるトークンを０に設定する。
【００６０】
本発明の実施形態において、「分類カテゴリ辞書」とは、未カテゴリ語照合ルールに該当するトークン又はトークン列照合ルールに該当するトークン列であり、且つ固有表現又は専門用語として、用語辞書に登録したいトークンを登録した辞書である。
【００６１】
本発明の実施形態において、「対象外カテゴリ辞書」とは、未カテゴリ語照合ルールに該当するトークン又はトークン列照合ルールに該当するトークン列であるが、固有表現又は専門用語として、用語辞書に登録したくないトークンを登録した辞書である。「対象外」としているのは、分類カテゴリ辞書に登録したくないトークンを登録するための辞書であるからである。言い換えれば、「対象外カテゴリ辞書」は、抽出したいトークン又はトークン列と表層的に似ているけれども抽出しないトークン又はトークン列を登録した辞書である。例として、「手足麻痺」カテゴリの対象外カテゴリ辞書には、例えば「顔面麻痺」が入る。これは、抽出したい「拇指麻痺」及び、「両腕麻痺」と同様に、未カテゴリ語照合ルール又はトークン列照合ルールの一部である「麻痺」を含んでいるが、「顔面麻痺」は「手足麻痺」カテゴリに属しないために、対象外カテゴリ辞書に登録されることになる。
【００６２】
本発明の実施形態において、「未カテゴリ語」とは、カテゴリ辞書を用いてトークン列データの各トークンを判別し、該カテゴリ辞書に登録されていないトークンをいう。代替的には、「未カテゴリ語」とは、分類カテゴリ辞書及び対象外カテゴリ辞書を用いてトークン列データの各トークンを判別し、これらの辞書に登録されていないトークンをいう。
【００６３】
本発明の実施形態において、「未カテゴリ語照合ルール」は、未カテゴリ語のうちから、登録候補語を抽出するために使用される。「未カテゴリ語照合ルール」は、第１の文字列及び第１の正規表現（順番は問わない）からなるトークンを含む。
【００６４】
本発明の実施形態において、「第１の文字列」とは、未カテゴリ語照合ルールに含まれるルールの一部を構成し、語の全体の文字列、又は語の一部の文字列である。
【００６５】
本発明の実施形態において、「第１の正規表現」とは、未カテゴリ語照合ルールに含まれるルールの一部を構成し、文字列のパターンを表現する表記法であり、文字列の検索を行うときに利用される。正規表現を使えば、文字列を直接指定せずに「特徴」(パターン)を指定することができるので、表記の揺れを吸収して検索を行うことが可能である。
【００６６】
本発明の実施形態において、「トークン列照合ルール」は、トークン列データから所定のトークン列を登録候補語として抽出するために使用される。「トークン列照合ルール」は、第２の文字列のトークンと第２の正規表現のトークンとかなる（順番は問わない）トークン列を含む。
【００６７】
本発明の実施形態において、「第２の文字列」とは、トークン列照合ルールに含まれるルールの一部を構成し、語の全体の文字列、又は語の一部の文字列である。
【００６８】
本発明の実施形態において、「第２の正規表現」とは、トークン列照合ルールに含まれるルールの一部を構成し、文字列のパターンを表現する表記法であり、文字列の検索を行うときに利用される。正規表現を使えば、文字列を直接指定せずに「特徴」(パターン)を指定することができるので、表記の揺れを吸収して検索を行うことが可能である。
【００６９】
本発明の実施形態において、「トークン列リスト」は、対象外トークン列リストともいう。対象外トークン列リストとは、トークンではなくトークン列であって、固有表現又は専門用語として、辞書に登録したくないトークン列をリストした辞書である。「対象外」としているのは、分類カテゴリ辞書に登録したくないトークンを登録するためのリストであるからである。
【００７０】
本発明の実施形態において、「確信度」とは、カテゴリ辞書に登録される可能性の高さを表す。代替的には、「確信度」とは、分類カテゴリ辞書に登録される可能性の高さを表す。「確信度」は、例えば、数値、レベルなどで表すことが可能である。
【００７１】
以下、図面に従って、本発明の実施形態を説明する。本実施形態は、本発明の好適な態様を説明するためのものであり、本発明の範囲をここで示すものに限定する意図はないことを理解されたい。また、以下の図を通して、特に断らない限り、同一符号は、同一の対象を指す。
【００７２】
図１Ａは、本発明の実施形態である、コンピュータ・システムの全体構成の例を示す。
【００７３】
コンピュータ・システム（10）は、形態素解析部（100）、カテゴリ判別部（200）、未カテゴリ語照合部（300）、トークン列照合部（400）、確信度計算部（500）、許可部（600）及び登録部（700）を含む。
【００７４】
また、コンピュータ・システム（10）は、その記憶媒体（図示せず）、例えばハードディスク若しくはフラッシュメモリドライブ（SSD）に、又は該コンピュータ・システム（10）がアクセス可能な記憶媒体、例えばネットワーク・ディスクに、テキスト・データ（1000）、トークン列データ（1100）、分類カテゴリ辞書（1225）、対象外カテゴリ辞書（1250）、未カテゴリ語リスト（1300）、未カテゴリ語照合ルール（1400）、トークン列照合ルール（1500）、対象外トークン列リスト（1600）、登録候補語（1700）、外部辞書（1800）及び登録候補語（1900）を格納している。
【００７５】
以下では、生命保険の支払い査定業務において、支払い申請書に記載の症状が手足麻痺に関するものかどうかを判定するための辞書を作成する場合を例として、上記各部（100〜700）の説明を行う。
【００７６】
上記査定業務のための用語辞書を作成するに際して、該用語辞書の分類カテゴリは「手足麻痺」である。よって、分類カテゴリ辞書（1225）は「手足麻痺」に関する辞書である。該用語辞書の作成において、「麻痺」という語（トークン）をテキスト・データ（1000）から網羅的にチェックし、手足麻痺に関する語のための分類カテゴリ辞書（1225）を用いる。また、登録候補語として抽出される語（トークン又はトークン列）の数を減らすために、麻痺に関係する語であるが手足麻痺に関係のない語のための対象外カテゴリ辞書（1250）及び麻痺に関係する対象外トークン列リスト（1600）を用いる。ここで、対象外とは、分類カテゴリ辞書（1225）に登録される対象外であることを意味する。
【００７７】
形態素解析部（100）は、テキスト・データ（1000）の入力に応じて、該入力されたテキスト・データ（1000）の各文について形態素解析を行う。
【００７８】
テキスト・データ（1000）の例は、下記の通りである。
例１：４月１日顔面麻痺で来院
例２：４月１日拇指麻痺で来院
例３：診察の結果麻痺で来院
例４：再度麻痺で来院
【００７９】
なお、上記例では、テキスト・データ（1000）は意味をなす文であるが、テキスト・データによっては、誤字、脱字、不要なスペースなどを含みうる場合もある。
【００８０】
例えば、「４月１日顔面魔痺で来院」（麻の誤字）、「４月１日顔面痺で来院」（麻の脱字）、「４月１日顔面麻 痺で来院」（麻と痺との間にスペース）である。
【００８１】
形態素解析部（100）は、形態素解析の結果として、各文についてトークン列データ（1100）を出力する。形態素解析では、形態素解析部（100）の確聞の解釈によって、或いは形態素解析部（100）の技術的制限によってトークン列の区切り方が変わる。形態素解析部（100）は、形態素のみが解析対象であり、形態素のカテゴリは解析対象でない。
【００８２】
トークン列データ（1100）の出力では、用言の活用が正規化されて出力される。該出力は、品詞情報をさらに含んでいてもよい。品詞情報は、例えば、日付、名詞、形容詞、副詞、動詞語幹、活用語尾、助詞、助動詞、又は未知語である。未知語とは、辞書に登録されていない新しい表現である。
【００８３】
上記出力が、トークン列データと各トークンに対応する品詞情報とである場合、トークンと品詞情報とのペアの配列として出力される。
【００８４】
トークン列データ（1100）の例は、下記の通りである。
・品詞情報を含まない場合
例１：４月１日／顔面／麻痺／で／来院
例２：４月１日／拇指麻痺／で／来院
例３：診察／の／結果／麻痺／で／来院
例４：再度／麻痺／で／来院
・品詞情報を含む場合
例１：４月１日（日付）／顔面（名詞）／麻痺（名詞）／で（助詞）／来院（名詞）
例２：４月１日（日付）／拇指麻痺（未知語）／で（助詞）／来院（名詞）
例３：診察（名詞）／の（助詞）／結果（名詞）／麻痺（名詞）／で（助詞）／来院（名詞）
例４：再度（副詞）／麻痺（名詞）／で（助詞）／来院（名詞）
【００８５】
形態素解析部（100）は、トークン又はトークンと品詞情報とのペアからなるトークン列データ（1100）を、カテゴリ判別部（200）及びトークン列照合部（400）に渡す。カテゴリ判別部（200）及びトークン列照合部（400）での各処理は、並列に行われうる。
【００８６】
カテゴリ判別部（200）では、トークン列データ（1100）の全てのトークンについてカテゴリ辞書（1200）のエントリと照合し、該エントリと合致しない未カテゴリ語の抽出を行う。カテゴリ辞書（1200）は、例えば、分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の機能を含む。
【００８７】
分類カテゴリ辞書（1225）は、所定のカテゴリに属するトークンを含み、該トークンに対応する品詞情報を任意に含むエントリの集合である。分類カテゴリ辞書（1225）は、「両腕麻痺」などの、分類カテゴリ「手足麻痺」に属するトークンを有する。
【００８８】
対象外カテゴリ辞書（1250）は、分類カテゴリ辞書（1225）の登録対象でないトークンを含み、該トークンに対応する品詞情報を任意に含むエントリの集合である。
【００８９】
カテゴリ辞書（1200）のカテゴリは、例えば、「手足麻痺」である。
【００９０】
カテゴリ判別部（200）は、トークン列データ（1100）の各トークンがカテゴリ辞書のエントリと一致しない場合に、該トークンを未カテゴリ語として抽出する。代替的には、カテゴリ辞書（1200）が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の機能を含む場合には、カテゴリ判別部（200）は、トークン列データ（1100）の各トークンが分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の各エントリと一致しない場合に、該トークンを未カテゴリ語として抽出する。
【００９１】
カテゴリ判別部（200）は、抽出した未カテゴリ語を未カテゴリ語リスト（1300）に追加する。
【００９２】
未カテゴリ語リスト（1300）の例は、下記の通りである。なお、トークン「麻痺」は、カテゴリ辞書（1200）に対象外のトークンとしてフラグ付きで登録されているか、又は対象外カテゴリ辞書（1250）に登録されているとする。
例１：４月１日／顔面／で／来院
例２：４月１日／拇指麻痺／で／来院
例３：診察／の／結果／で／来院
例４：再度／で／来院
【００９３】
未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）の各未カテゴリ語を未カテゴリ語照合ルール（1400）と照合し、各未カテゴリ語が該未カテゴリ語照合ルール（1400）に合致するか否かを判定する。
【００９４】
未カテゴリ語照合ルール（1400）は、文字列及び正規表現の組み合わせからなるトークンであれば、該組み合わせ内での文字列と正規表現との順序は問わない。未カテゴリ語照合ルールは、トークン単位（この場合、トークン単位は語単位と同じである）のルール、トークン単位の一部分（すなわち部分文字列である）からなるルールを含む。未カテゴリ語照合ルール（1400）は、分類カテゴリに入るトークンに包括的に合致するトークンを抽出するために使用される。但し、任意文字列に合致した箇所は、後述の確信度計算部（500）において説明するように、専門用語又はその他の単語であることを想定しているので、該想定を前提として未カテゴリ語照合ルール（1400）を用意することが望まれる。
【００９５】
未カテゴリ語照合ルール（1400）の例は、下記の通りである。
・[あ-ん]*麻痺
[あ-ん]*麻痺は、１つの正規表現と１つの文字列からなる未カテゴリ語照合ルールである。
該未カテゴリ語照合ルールでは、０文字以上の平仮名に「麻痺」が続くトークンが合致する。「 [○-△] 」は、文字コードが○から△の間にある任意の一文字を表す。「*」は、前の文字の０文字以上の連続を表す。
・合致する例： 「がんめん麻痺」、「麻痺」、「りょううで麻痺」
・合致しない例： 「顔面麻痺」、「ベル麻痺」、「がんめん」
・＊麻痺
＊麻痺は、１つの正規表現（この例ではアスタリスクである）と１つの文字列とからなる未カテゴリ語照合ルールである。アスタリスクは、任意の文字列であることを意味する。
・合致する例： 「母趾麻痺」、「顔面麻痺」
・合致しない例： 「母趾マヒ」、「顔面まひ」
・＊マヒ
＊麻痺は、１つの正規表現（この例ではアスタリスクである）と１つの文字列とからなる未カテゴリ語照合ルールである。
・合致する例： 「母趾マヒ」
・合致しない例： 「母趾麻痺」、「顔面麻痺」、「顔面まひ」
・[ア-ン|ー]++[0-9]{1,3}+mg
[ア-ン|ー]++[0-9]{1,3}+mgは、複数の正規表現と複数の文字列とからなる未カテゴリ語照合ルールである。
該未カテゴリ語照合ルールでは、１文字以上の長音記号を含むカタカナ文字列に続き、１文字以上３文字以下の数字が出現し、最後に「mg」が出現する文字列が合致する。「 | 」は、「または」の意味である。「 ++ 」は、前の文字の１文字以上の連続を表す。「 {1,3}+ 」は、前の文字の１〜３回の連続を表す。
・合致する例： 「グルコース120mg」、「アスピリン500mg」
・合致しない例： 「100mg」、「アスピリンmg」、「ブドウ糖120mg」
【００９６】
未カテゴリ語照合ルール（1400）では、未カテゴリ語照合ルールは単語に対するルールであるので、未カテゴリ語の前後はみない。
【００９７】
未カテゴリ語照合部（300）は、未カテゴリ語照合ルール（1400）と合致した未カテゴリ語を登録候補語（1700）として出力する。
【００９８】
未カテゴリ語照合の結果の例は、下記の通りである。
例１：該当なし
例２：拇指麻痺
例３：該当なし
例４：該当なし
上記例では、「拇指麻痺」が、登録候補語（1700）である。
【００９９】
トークン列照合部（400）は、トークン列データ（1100）の各トークン列を逐次読み込み、該各トークン列をトークン列照合ルール（1500）と照合し、各トークン列が該トークン列照合ルール（1500）に合致するか否かを判定する。次に、トークン列照合部（400）は、合致したトークン列のエントリ（例えば、「両腕／麻痺」）が対象外トークン列リスト（1600）中に存在するかどうかを判定する。トークン列照合部（400）は、上記エントリが対象外トークン列リスト（1600）中に存在しなかった場合に、当該トークン列を登録候補語（1700）として出力する。
【０１００】
トークン列照合ルール（1500）は、文字列のトークンと正規表現のトークンとを含むトークン列であれば、トークン列内での文字列のトークンと正規表現のトークンとの順序は問わない。トークン列照合ルール（1500）は、分類カテゴリに入るトークン列に包括的に合致するトークン列を抽出するために使用される。
【０１０１】
トークン列照合ルール（1500）の例は、下記の通りである。
・[あ-ん] ＋麻痺
[あ-ん] ＋麻痺は、１つの正規表現のトークンと１つの文字列のトークンとを含むトークン列からなるトークン列照合ルールである。該未カテゴリ語照合ルールでは、０文字以上の平仮名と「麻痺」とを含むトークン列が合致する。「＋」は、前のトークンと後のトークンとの接続を表す。
・合致する例： 「がんめん麻痺」、「りょううで麻痺」
・合致しない例： 「顔面麻痺」、「ベル麻痺」、「がんめん」
・（名詞）＋麻痺
（名詞）＋麻痺は、トークン（名詞）とトークン（麻痺）とを含むトークン列からなるトークン列照合ルールである。（名詞）は、名詞という品詞を示す。
【０１０２】
トークン列照合部（400）が、トークンの品詞の品詞についても考慮するようにトークン列照合ルール（1500）を用意してもよい。但し、トークン列照合部（400）は、カテゴリを考慮しない。
【０１０３】
トークン列照合部（400）は、トークン列照合ルール（1500）と合致したトークン列を登録候補語（1700）として出力する。
【０１０４】
トークン列照合の結果の例は、下記の通りである。
・品詞情報を含まない場合
例１：顔面／麻痺
例２：該当なし
例３：結果／麻痺
例４：該当なし
・品詞情報を含む場合
例１：顔面（名詞）／麻痺
例２：該当なし
例３：結果（名詞）／麻痺
例４：該当なし
【０１０５】
以上より、登録候補語（1700）は、未カテゴリ語照合部（300）からの結果及びトークン列照合部（400）からの結果を含む。
【０１０６】
登録候補語（1700）は、次の通りである。
未カテゴリ語照合部（300）からの結果
例２：拇指麻痺
トークン列照合部（400）からの結果
例１：顔面／麻痺 または、顔面（名詞）／麻痺
例３：結果／麻痺 または、結果（名詞）／麻痺
【０１０７】
確信度計算部（500）では、未カテゴリ語照合部（300）及びトークン列照合部（400）それぞれにおいて出力された登録候補語（1700）の確信度を計算する。
【０１０８】
確信度の算出には、外部辞書（1800）又はその他の辞書の情報、文字数又は文字種などの様々な情報を使用することが可能である。該情報の例は、下記の通りである。
【０１０９】
１．登録候補語（1700）が、外部辞書（1800）、例えば特定の専門用語辞書の単語であるか又は該単語を含む単語かどうか。
専門用語辞書は、例えば、体の部位を示す語を含む。例えば、体の部位を示す用語である、声帯、拇指、顔面、四肢などである。
【０１１０】
２．登録候補語（1700）が、特定のカテゴリに属する単語であるか又は該単語を含む単語かどうか。
例Ａ：「記号＋麻痺」であれば、確信度スコアを下げる（例：＃麻痺）
例Ｂ：「ひらがな１文字＋麻痺」であれば、確信度スコアを下げる（例：て麻痺）
例Ｃ：「数字＋麻痺」であれば、確信度スコアを下げる（例：３１麻痺）
【０１１１】
３．登録候補語（1700）が、一般語辞書の単語であるか又は該単語を含むか単語かどうか。
例：一般名詞＋「麻痺」
一般語辞書を用いて、一般名詞＋「麻痺」の形式の登録候補語にも確信度を加算することで、スペースの混入、又は誤字若しくは脱字により未カテゴリ語となったノイズ・トークンを区別することができる。
【０１１２】
また、確信度の算出には、重み付けを利用することが可能である。該重み付けの例は、下記の通りである。
１．手足麻痺の語彙取得における「*麻痺」のケースでは、一般解剖学の用語辞書などの体の部位を表す用語、例えば｛腕、足、頭、心臓、…｝を含む辞書を用いることで、体の部位＋「麻痺」の形式の登録候補語の確信度を上げることが可能である。例えば、重み付けとして、確信度のスコアを一定数加算する。
【０１１３】
許可部（600）は、図２に示すような登録候補語のリストと、各登録候補語をカテゴリ辞書（1200）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも提供する。該インターフェースは、例えばグラフィカル・ユーザ・インターフェース（ＧＵＩ）画面である。カテゴリ辞書（1200）が分類カテゴリ辞書（1225）と対象外カテゴリ辞書（1250）に分かれている場合、許可部（600）は、上記登録候補語のリストと、各登録候補語を分類カテゴリ辞書（1225）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも提供する。該インターフェースは、登録候補語又は確信度付き登録候補語（1900）を人手でチェックし、分類カテゴリ辞書（1225）へ登録するかどうかの選択を促す。
【０１１４】
登録部（700）は、上記ＧＵＩ画面から入力された分類判定のユーザ選択の入力に応じて、下記処理を行う。
・登録候補語をカテゴリ辞書（1200）に登録する場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択した場合、登録フラグfにYESを与える。
【０１１５】
代替的に、登録候補語を分類カテゴリ辞書（1225）に登録する場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択した場合、登録フラグfにYESを与える。
【０１１６】
・登録候補語をカテゴリ辞書（1200）に登録しない場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択しない場合、登録フラグfにNOを与える。
【０１１７】
代替的に、登録候補語を分類カテゴリ辞書（1225）に登録しない場合、すなわちユーザの選択が登録候補語を分類カテゴリ「手足麻痺」に登録することを選択しない場合、登録フラグfにNOを与える。
【０１１８】
登録部（700）は、登録フラグfとしてYesを受け取ると、登録候補語を分類カテゴリ辞書（1225）に登録する。
【０１１９】
登録部（700）は、登録フラグfとしてNoを受け取ると、登録候補語が未カテゴリ語の場合に、登録候補語を対象外カテゴリ辞書（1250）に登録し、登録候補語がトークン列の場合に、対象外トークン列リスト（1600）に登録する。
【０１２０】
上記例では、登録部（700）は、登録候補語「拇指麻痺」についてfとしてYesが与えられると、該登録候補語を分類カテゴリ辞書（1225）に登録する。また、登録部（700）は、登録候補語「顔面麻痺」についてfとしてNoが与えられると、該登録候補語を対象外トークン列リスト（1600）に登録する。さらに、登録部（700）は、登録候補語「結果麻痺」についてｆとしてNoが与えられると、該登録候補語を対象外トークン列リスト（1600）に登録する。
【０１２１】
カテゴリ判別部（200）は、上記「拇指麻痺」が分類カテゴリ辞書（1225）に登録されたので、該登録以降のトークン列データ（1100）の判別において、「拇指麻痺」をトークン列データ（1100）から未カテゴリ語として抽出しないので、結果的に「拇指麻痺」は登録候補語として抽出されない。すなわち、カテゴリ判別部（200）は、分類カテゴリ辞書（1225）に登録された登録候補語を以降の処理において抽出しない。これによって、登録候補語を登録するかどうかのユーザによる選択の作業の軽減が可能である。
【０１２２】
同様に、カテゴリ判別部（200）は、対象外カテゴリ辞書（1250）に登録された登録候補語を以降の処理において抽出しない。これによって、同様に、登録候補語を登録するかどうかのユーザによる選択の作業の軽減が可能である。
【０１２３】
また、トークン列照合部（400）は、上記「顔面麻痺」及び上記「結果麻痺」が分類カテゴリ辞書（1225）に登録されたので、該登録以降のトークン列データ（1100）の判別において、「拇指麻痺」及び「結果麻痺」をトークン列データ（1100）から未カテゴリ語として抽出しないので、結果的に「拇指麻痺」及び「結果麻痺」は登録候補語として抽出されない。すなわち、トークン列照合部（400）は、トークン列データ（1100）に登録された登録候補語を以降の処理において抽出しない。これによって、上記と同様に、登録候補語を登録するかどうかのユーザによる選択の作業の軽減が可能である。
【０１２４】
図１Ｂは、本発明の実施態様である、カテゴリ辞書、分類カテゴリ辞書、対象外カテゴリ辞書、及び用語辞書の関係を示す。
【０１２５】
Ａは、カテゴリ辞書（1200）が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）の機能を含む場合である。
【０１２６】
カテゴリ辞書（1200）のうち、分類カテゴリ辞書の機能を有する部分に登録されているトークン又はトークン列、又は分類カテゴリ辞書の機能を有する部分に登録されうるトークン又はトークン列が、用語辞書（1260）に登録される。
【０１２７】
Ｂは、分類カテゴリ辞書（1225）と対象外カテゴリ辞書（1250）が分かれている場合である。
【０１２８】
分類カテゴリ辞書に登録されているトークン又はトークン列、又は分類カテゴリ辞書に登録されうるトークン又はトークン列が、用語辞書（1260）に登録される。
【０１２９】
なお、分類カテゴリ辞書そのものが用語辞書を兼ねてもよい。
【０１３０】
図２は、本発明の実施形態である、確信度付き登録候補語のリストの例を示す。
該リストは、少なくとも登録候補語、及び分類判定選択のためのインターフェースを含む。該リストはまた、任意に、登録候補語の分類若しくは確信度、又はそれらの組み合わせを含む。確信度とともに登録候補語が表示される場合、確信度付き登録候補語（1900）ともいう。確信度付き登録候補語（1900）は、各登録候補語（1700）に付与された確信度以外に、確信度の根拠となった情報を含んでもよい。確信度の根拠になった情報は、例えば、登録候補語の分類、登録候補語がトークン列又は未カテゴリ語のいずれであるかである。
【０１３１】
該リストでは、登録候補語の分類として、体の部位＋「麻痺」、一般名詞＋「麻痺」、その他の分類が付与されている。
【０１３２】
該リストでは、確信度として、高、中、低が付与されている。代替的に、確信度として、確信度に応じて数値、例えば、３（高に対応する）、２（中に対応する）、１（低に対応する）の順に与えられてよい。そして、該確信度に従い、登録候補語がソートされている。このように、ソートした該結果をユーザに表示することによって、ユーザは、登録候補語をカテゴリ辞書（1200）に登録するか否かの判断が容易になる。また、登録候補語毎に登録するかどうかの判定を行うのではなく、確信度毎に登録するかどうかをまとめて判定ができるようにしてもよい。まとめて判定を行うことによって、対象外カテゴリ辞書（1250）又は対象外トークン列リスト（1600）への登録操作が容易になる。さらに、一見難解な固有表現又は専門用語があった場合でも、該表現又は用語が体の部位を示すことを予測しやすくなる。
【０１３３】
該リストでは、登録候補語が、確信度順にソートされている。代替的に、登録候補語が、確信度のグループごとにソートされているようにしてもよい。
【０１３４】
該リストでは、未カテゴリ語照合部（300）からの結果「拇指麻痺」は、確信度が「高」であり、上から２番目に表示されている。また、該リストでは、トークン列照合部（400）からの結果「顔面麻痺」は、確信度が「高」であり、上から３番目に表示されている。さらに、該リストでは、トークン列照合部（400）からの結果「結果麻痺」は、確信度が「中」であり、上から９番目に表示されている。
【０１３５】
分類判定選択は、ＧＵＩ画面を使用して表示される。該ＧＵＩ画面は、分類判定の選択を可能にする。分類判定の選択は、例えば、選択する場合○、選択しない場合×をプルダウンメニューから選択して行われる。代替的に、ＧＵＩ画面は、例えばオプション・メニューを選択することによって表示される。
【０１３６】
図３は、本発明の実施形態である、テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのフローチャートの例を示す。
【０１３７】
ステップ３０１では、形態素解析部（100）は、テキスト・データ（1000）の入力に応じて、該入力されたテキスト・データの各文を形態素解析を行い、該形態素解析の結果として、各文についてトークン列データを出力する。トークン列データ（1100）を出力する。
【０１３８】
ステップ３０２では、カテゴリ判別部（200）は、トークン列データ（1100）の全てのトークンについて、カテゴリ辞書（1200）のエントリと合致しない未カテゴリ語の抽出を行う。代替的には、カテゴリ判別部（200）は、トークン列データ（1100）の全てのトークンについて、分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）のエントリと照合し、いずれのエントリにも合致しない未カテゴリ語の抽出を行う。該抽出された未カテゴリ語は、未カテゴリ語リスト（1300）として出力される。
【０１３９】
ステップ３０３では、未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）の各未カテゴリ語を未カテゴリ語照合ルール（1400）と照合し、該未カテゴリ語照合ルール（1400）に合致するか否かを判定する。そして、未カテゴリ語照合部（300）は、該未カテゴリ語照合ルール（1400）に合致する未カテゴリ語を登録候補語（1700）として出力する。
【０１４０】
ステップ３０４では、トークン列照合部（400）は、トークン列データ（1100）の各トークンを逐次読み込み、該各トークンをトークン列照合ルール（1500）と照合し、該トークン列照合ルール（1500）に合致するか否かを判定する。次に、トークン列照合部（400）は、合致したトークン列のエントリが対象外トークン列リスト（1600）中に存在するかどうかを判定する。トークン列照合部（400）は、上記エントリが対象外トークン列リスト（1600）中に存在しなかった場合に、当該トークン列を登録候補語（1700）として出力する。
【０１４１】
コンピュータシステム（図１Ａ、10）は、ステップ３０２〜３０３とステップ３０４とを同時並行で行わせることができる。
【０１４２】
ステップ３０５では、確信度計算部（500）は、外部辞書（1800）の情報を用いて、登録候補語（1700）を分類カテゴリへ登録判断の観点から作業しやすい順に並べ替える。そして、該並べ替えた登録候補語が、確信度付き登録候補語（1900）として出力される。なお、ステップ３０５は任意のステップであり、ステップ３０３及びステップ３０４から下記に述べるステップ３０６に直接進んでもよい。
【０１４３】
ステップ３０６では、許可部（600）は、各登録候補語を、カテゴリ辞書（1200）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも提供する。代替的に、許可部（600）は、各登録候補語を、分類カテゴリ辞書（1225）に登録するか否かをユーザが設定することを許すためのインターフェースを少なくとも用意する。該インターフェースはまた、確信度を用意してもよい。該インターフェースはさらに、登録候補語の分類を用意してもよい。
【０１４４】
ステップ３０７では、登録部（700）は、ユーザによって登録すると判定された登録候補語をカテゴリ辞書（1200）に、ユーザによって選択されたことを示すフラグ付きで登録する。一方、登録部（700）は、ユーザによって登録しないと判定された登録候補語であって、未カテゴリ語照合部（300）によって抽出された登録候補語を、カテゴリ辞書（1200）に、ユーザによって選択されなかったことを示すフラグ付きで登録する。また、登録部（700）は、ユーザによって登録しないと判定された登録候補語であって、トークン列照合部（400）によって抽出された登録候補語を、対象外トークン列リスト（1600）に登録する。
【０１４５】
代替的に、登録部（700）は、ユーザによって登録すると判定された登録候補語を分類カテゴリ辞書（1225）に登録する。一方、登録部（700）は、ユーザによって登録しないと判断された登録候補語であって、未カテゴリ語照合部（300）によって抽出された登録候補語を、対象外カテゴリ辞書（1250）に登録する。また、登録部(700)は、ユーザによって登録しないと判定された登録候補語であって、トークン列照合部（400）によって抽出された登録候補語を、対象外トークン列リスト（1600）に登録する。
【０１４６】
上記登録処理によって、次回からの辞書登録のために登録候補語（1700）の数を減らしつつ、分類カテゴリ辞書（1225）の作成作業を支援する。
【０１４７】
以上の通り、本発明の実施形態では、一般語としての単語ではなく、特定のカテゴリに属するトークンのみを未カテゴリ語リスト（1300）から抽出するために、下記の構成を採用する。
【０１４８】
本発明の上記実施形態では、上記に説明したように、トークン列データ（1100）のトークンについて、未カテゴリ語照合部（300）による照合及びトークン列照合部（400）による照合を行い、登録候補語を抽出す自動化段階と、該登録候補語について、ヒトが意味レベルの確認を許可部（600）を通じて行う手動化段階の２段階の仕組みを採用する。該２段階の仕組みを採用することによって、トークン列データ（1100）を漏れなく検査することが可能である。
【０１４９】
図１Ａの説明では、日本語を例にして説明した。しかし、テキスト・データ（1000）が英語である場合にも、本発明を適用することが可能である。
【０１５０】
テキスト・データ（1000）が英語である場合、形態素解析部（100）は、品詞情報を各トークン列データに与える。なぜならば、英語の場合、各トークンはスペースによってすでに区切られているために、日本語のように形態素として切り出す必要がないからである。
【０１５１】
テキスト・データ（1000）が英語の場合、未カテゴリ語照合ルール（1400）は、下記の通りである。未カテゴリ語照合ルールは、単語単位のルール、単語の一部分（すなわち部分文字列である）からなるルールを含む。
・＊paralysis （注記 日本語訳「＊麻痺」）
＊paralysisは、１つの正規表現（この例ではアスタリスクである）と１つの文字列とからなる未カテゴリ語照合ルールである。アスタリスクは、任意の文字列であることを意味する。
・合致する例： 「angioparalysis」、「crystoparalysis」
・合致しない例： 「paralyzed」
・＊plegic＊ (日本語訳「＊麻痺の＊」)
・合致する例： 「quadriplegic handicap」
・合致しない例： 「quadriplegia」
【０１５２】
テキスト・データ（1000）が英語の場合、トークン列照合ルール（1500）は、下記の通りである。英語のトークン列照合ルール（1500）は、日本語のトークン列照合ルール（1500）と同様にトークン列（複数のトークン）からなる表現を抽出するためのルールである。
・[ａ〜ｚ]＋paralysis
[ａ〜ｚ]＋麻痺は、１つの正規表現と１つの文字列とを含むトークン列からなるトークン列照合ルールである。「＋」は、前のトークンと後のトークンとの接続を表す。
・合致する例： 「internus paralysis」、「anticus paralysis」、「facial paralysis」
・合致しない例： 「quadriplegic handicap」
【実施例１】
【０１５３】
該実施例では、手足麻痺カテゴリについて辞書登録をする場合について説明する。
【０１５４】
生命保険支払い査定業務では、症状の記述が手足麻痺に関するものかどうかを判定するケースがある。そこで、生命保険支払い査定用の辞書作成者は、「麻痺」という言葉を含む単語を網羅的にチェックし、手足に関する分類カテゴリの辞書を作成する必要がある。
【０１５５】
分類カテゴリ辞書（1225）、対象外カテゴリ辞書（1250）及びトークン列リスト（1600）のリソースの初期状態は、空である。また、未カテゴリ語照合ルール（1400）は、一文字以上の任意の文字列に続いて「麻痺」が出現する文字列に合致する正規表現と文字列の組み合わせである「．＋麻痺」からなるルールである。ここで、正規表現のピリオド（．）は改行を除く任意の１文字を表し、正規表現のプラス（＋）は直前のパターンの１回以上の繰り返しを表す。トークン列照合ルール（1500）は、（名詞）という正規表現と、「麻痺」という文字列とを含むトークン列である。
【０１５６】
（１）初回の辞書登録処理
初回の辞書登録処理において、「拇指麻痺」、「両腕麻痺」又は「顔面麻痺」を含むテキスト・データ（複数文書の文書でありうる）が形態素解析部（100）に投入された。形態素解析部（100）の形態素解析エンジンは、「拇指麻痺」、「両腕麻痺」及び「顔面麻痺」をトークン又はトークン列として切り出し、トークン列データ（1100）を出力する。
【０１５７】
形態素解析部（100）は、「両腕麻痺」を「両腕/麻痺」として二語として切り出し、「拇指麻痺」及び「顔面麻痺」を一つの単語として切り出した。よって、「両腕/麻痺」はトークン列（複数の語）であり、「拇指麻痺」及び「顔面麻痺」はそれぞれトークン（１つの語）である。
【０１５８】
カテゴリ判別部（200）は、上記トークン列データを受け取り、「両腕」及び「麻痺」、並びに「拇指麻痺」及び「顔面麻痺」が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）のいずれにも登録されていないために、「拇指麻痺」及び「顔面麻痺」を未カテゴリ語として抽出し、未カテゴリ語リスト（1300）に追加する。
【０１５９】
未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）を読み取り、「両腕」及び「麻痺」、並びに「拇指麻痺」及び「顔面麻痺」について未カテゴリ語照合ルール（1400）と照合する。未カテゴリ語照合部（300）は、照会の結果、「両腕」及び「麻痺」、並びに「拇指麻痺」及び「顔面麻痺」を未カテゴリ語と判定する。なお、トークン列「両腕/麻痺」のうちのトークン「両腕」は、上記未カテゴリ語照合ルール（1400）のうちの「麻痺」を含んでいたいために、登録候補語（1700）として抽出されない。同様に、トークン列「両腕/麻痺」のうちのトークン「麻痺」は、上記未カテゴリ語照合ルール（1400）のうちの「一文字以上の任意の文字列」に合致しないために、登録候補語（1700）として抽出されない。よって、未カテゴリ語照合ルール（1400）に合致するトークン「拇指麻痺」及び「顔面麻痺」が、登録候補語（1700）である。
【０１６０】
トークン列照合部（400）は、トークン列データを読み取り、「拇指麻痺」、「顔面麻痺」及び「両腕麻痺」についてトークン列照合ルール（1500）と照合する。トークン列照合部（400）は、照会の結果、「両腕麻痺」（別の表現で表すと「両腕／麻痺」である）がトークン列照合ルール（1500）に合致すると判定し、且つトークン列リスト（1600）に登録されていないことを確認する。該トークン列照合ルール（1500）に合致し且つトークン列リスト（1600）に登録されていないトークン列「両腕／麻痺」が登録候補語として抽出される。
【０１６１】
その後、ユーザによって、登録候補語のうち、「拇指麻痺」及び「両腕麻痺」は登録し、「顔面麻痺」は、手足麻痺カテゴリに属しないので登録しないと判定された。よって、登録部（700）は、「拇指麻痺」及び「両腕麻痺」を分類カテゴリ辞書（1225）に登録する。また、登録部（700）は、「顔面麻痺」が未カテゴリ語であるので対象外カテゴリ辞書（1250）に登録する。
【０１６２】
（２）２回目以降の辞書登録処理
２回目の登録処理で、「拇指麻痺」、「両腕麻痺」、「顔面麻痺」又は「神経麻痺」を含むテキスト・データ（複数文書の文書でありうる）が形態素解析部（100）に投入された。形態素解析部（100）の形態素解析エンジンは、「拇指麻痺」（トークン）、「両腕麻痺」（トークン）、「顔面麻痺」（トークン）及び「神経麻痺」（トークン又はトークン列）をトークン又はトークン列として切り出し、トークン列データ（1100）を出力する。
【０１６３】
カテゴリ判別部（200）は、上記トークン列データを受け取り、「拇指麻痺」、「両腕麻痺」がトークンとして切り出されているけれども、「拇指麻痺」、「両腕麻痺」が分類カテゴリ辞書（1225）に登録されているので未カテゴリ語として抽出しない。同様に、カテゴリ判別部（200）は、「顔面麻痺」がトークンとして切り出されているけれども、「顔面麻痺」が対象外カテゴリ辞書（1250）に登録されているので、未カテゴリ語として抽出しない。
【０１６４】
“神経麻痺”が１つのトークン、すなわち「神経麻痺」として切り出された場合、カテゴリ判別部（200）は、上記１つのトークン「神経麻痺」が分類カテゴリ辞書（1225）及び対象外カテゴリ辞書（1250）のいずれにも登録されていないために、「神経麻痺」を未カテゴリ語として抽出し、未カテゴリ語リスト（1300）に追加する。未カテゴリ語照合部（300）は、未カテゴリ語リスト（1300）を読み取り、「神経麻痺」について、未カテゴリ語照合ルール（1400）と照合する。未カテゴリ語照合部（300）は、照会の結果、「神経麻痺」を未カテゴリ語と判定する。該未カテゴリ語照合ルール（1400）に合致するトークン「神経麻痺」が登録候補語（1700）である。
【０１６５】
“神経麻痺”がトークン列、すなわち「神経／麻痺」として切り出された場合、トークン列照合部（400）は、トークン列データを読み取り、該トークン列照合ルール（1500）と照合する。トークン列照合部（400）は、照会の結果、「神経麻痺」（別の表現で表すと「神経／麻痺」である）がトークン列照合ルール（1500）に合致すると判定し、且つトークン列リスト（1600）に登録されていないことを確認する。該トークン列照合ルール（1500）に合致し且つトークン列リスト（1600）に登録されていないトークン列「神経／麻痺」が、登録候補語（1700）として抽出される。
【０１６６】
その後、ユーザによって、登録候補語「神経麻痺」は手足麻痺カテゴリに属しないので登録しないと判定された。
【０１６７】
よって、登録部（700）は、“神経麻痺”が１つのトークンとして切り出されていた場合に該「神経麻痺」を対象外カテゴリ辞書（1250）に登録する。或いは、登録部（700）は、“神経麻痺”がトークン列として切り出されていた場合に該「神経／麻痺」を対象外トークン列リスト（1600）に追加する。
【０１６８】
このようにして、ユーザは、一度判定した登録候補語を次の辞書登録処理の以降の処理において再び判定する必要がなくなる。さらに、ユーザは、初出のトークン又はトークン列について、未カテゴリ語照合ルール（1400）又はトークン列照合ルール（1500）に合致するもののみを判定すればよい。従って、本発明の実施形態では、形態素解析部（100）による形態素の切り出しの結果によらず、ユーザは、登録候補語として抽出されてきた「麻痺」を含むトークン又はトークン列を確認のみすればよい。
【０１６９】
図４は、本発明の実施形態における、コンピュータ・システムのブロック図を示す。
【０１７０】
上記実施形態のコンピュータ・システム（４０１）は、メイン・メモリ（４０２）とＣＰＵ（４０３）と含み、これらはバス（４０４）に接続されている。ＣＰＵ（４０３）は好ましくは、３２ビットまたは６４ビットのアーキテクチャに基づくものであり、例えば、インテル社のＸｅｏｎ（商標）シリーズ、Ｃｏｒｅ（商標）シリーズ、ＡＴＯＭ（商標）シリーズ、Ｐｅｎｔｉｕｍ（商標）シリーズ、Ｃｅｌｅｒｏｎ（商標）シリーズ、ＡＭＤ社のＰｈｅｎｏｍ（商標）シリーズ、Ａｔｈｌｏｎ（商標）シリーズ、Ｔｕｒｉｏｎ（商標）シリーズ及びＳｅｍｐｒｏｎ（商標）を使用することができる。バス（４０４）には、ディスプレイ・コントローラ（４０５）を介して、ＬＣＤモニターなどのディスプレイ（４０６）が接続される。ディスプレイ（４０６）は、コンピュータ・システムの管理のために、通信回線を介してネットワークに接続されたコンピュータについての情報と、そのコンピュータ上で動作中のソフトウェアについての情報を、適当なグラフィック・インターフェースで表示するために使用される。バス（４０４）にはまた、ＩＤＥ又はＳＡＴＡコントローラ（４０７）を介して、ハードディスク又はシリコン・ディスク（４０８）と、ＣＤ−ＲＯＭ、ＤＶＤドライブ又はＢＤドライブ（４０９）が接続される。
【０１７１】
ハードディスク又はシリコン・ディスク（４０８）には、オペレーティング・システム、本発明の実施形態に従うコンピュータ・プログラム、その他のプログラム及びデータが、メイン・メモリ（４０２）にロード可能に記憶されている。
【０１７２】
ＣＤ−ＲＯＭ、ＤＶＤ又はＢＤドライブ（４０９）は、必要に応じて、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ又はＢＤからプログラムをハードディスク又はシリコン・ディスク（４０８）に追加導入するために使用される。バス（４０４）には更に、キーボード・マウス・コントローラ（４１０）を介して、キーボード（４１１）及びマウス（４１２）が接続されている。
【０１７３】
通信インターフェース（４１４）は、例えばイーサネット（商標）プロトコルに従うものであり、通信コントローラ（４１３）を介してバス（４０４）に接続され、コンピュータ・システム（４０１）及び通信回線（４１５）を物理的に接続する役割を担い、コンピュータ・システム（４０１）のオペレーティング・システムの通信機能のＴＣＰ／ＩＰ通信プロトコルに対して、ネットワーク・インターフェース層を提供する。尚、通信回線は、有線ＬＡＮ環境、或いは例えばＩＥＥＥ８０２．１１ａ／ｂ／ｇ／ｎなどの無線ＬＡＮ接続規格に基づく無線ＬＡＮ環境であってもよい。
【０１７４】
以上、実施形態に基づき本発明を説明してきたが、本実施形態に記載されている内容は、本発明の一例であり、当業者なら、本発明の技術的範囲を逸脱することなく、さまざまな変形例に想到できることが、明らかであろう
【特許請求の範囲】
【請求項１】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・システムであって、
前記テキスト・データの形態素解析を行い、トークン列データを取得する形態素解析部と、
前記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するカテゴリ判別部と、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出する未カテゴリ語照合部であって、前記未カテゴリ語照合ルールは、前記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、前記未カテゴリ照合部と、
前記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するトークン列照合部であって、前記トークン列照合ルールが、前記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、前記トークン列照合部と、
前記カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許す許可部と
を含む、前記コンピュータ・システム。
【請求項２】
前記登録候補語の確信度を計算する確信度計算部であって、該確信度は、前記登録候補語が前記カテゴリ辞書に登録される又は前記トークン列照合ルールに追加される可能性を示す、前記確信度計算部
をさらに含む、請求項１に記載のコンピュータ・システム。
【請求項３】
前記確信度計算部が、外部辞書の情報を使用して前記確信度を計算する、請求項２に記載のコンピュータ・システム。
【請求項４】
前記確信度計算部が、文字数又は文字種の情報を使用して前記確信度を計算する、請求項２に記載のコンピュータ・システム。
【請求項５】
前記確信度計算部が、前記第１又は第２の正規表現に合致するトークン中の文字列が専門用語辞書の語彙として存在する場合に、該文字列が一般用語辞書の語彙として存在する場合よりも高いスコアを与える、請求項２に記載のコンピュータ・システム。
【請求項６】
前記許可部が、前記登録候補語及び該登録候補語に対応する確信度を表示装置上に表示することをさらに含む、請求項２に記載のコンピュータ・システム。
【請求項７】
前記許可部が、前記登録候補語を前記確信度に従いソートして表示装置上に表示することをさらに含む、請求項２に記載のコンピュータ・システム。
【請求項８】
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記カテゴリ辞書に登録する登録部
をさらに含む、請求項１に記載のコンピュータ・システム。
【請求項９】
前記登録部が、前記登録候補語として抽出されたトークン列であって、前記ユーザによって選択されなかったトークン列をトークン列リストに追加する、請求項８に記載のコンピュータ・システム。
【請求項１０】
前記カテゴリ判別部が、前記トークン列データからのトークンが前記カテゴリ辞書に登録されている場合に、該トークンを抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１１】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得し、
前記カテゴリ判別部が、前記トークン列データからのトークン及び該トークンに対応する品詞情報が前記カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、前記トークン列データからの前記トークンを抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１２】
前記トークン列照合部が、前記トークン列データからのトークン列が前記トークン列リストに登録されている場合に、該トークン列を抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１３】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得し、
前記トークン列照合部が、前記トークン列データからのトークン列及び該トークン列の各トークンに対応する品詞情報が前記トークン列リストに登録されているトークン列及び該トークン列の各トークンに対応する品詞情報に合致する場合に、前記トークン列データからの前記トークン列を抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１４】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得する、請求項１に記載のコンピュータ・システム。
【請求項１５】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得し、
前記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、
前記分類カテゴリ辞書が、前記用語辞書に登録されるトークン及び任意的に該トークンの品詞情報を含み、
前記対象外カテゴリ辞書が、前記用語辞書に登録されないトークン及び任意的に該トークンの品詞情報を含む、請求項１に記載のコンピュータ・システム。
【請求項１６】
前記カテゴリ判別部が、前記トークン列データの各トークンを前記分類カテゴリ辞書を用いて判別し、
前記許可部が、前記分類カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許し、
前記登録部が、前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記分類カテゴリ辞書に登録する、
請求項１５に記載のコンピュータ・システム。
【請求項１７】
前記登録部が、前記登録候補語として抽出されたトークンであって、前記ユーザによって選択されなかったトークンを前記対象外カテゴリ辞書に登録する、請求項１５に記載のコンピュータ・システム。
【請求項１８】
前記カテゴリ判別部が、前記トークン列データからのトークン及び該トークンに対応する品詞情報が前記分類カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、前記トークン列データからの前記トークンを抽出しない、請求項１６に記載のコンピュータ・システム。
【請求項１９】
前記第１又は第２の文字列が、単語又は単語の一部である、請求項１に記載のコンピュータ・システム。
【請求項２０】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成する方法であって、
前記テキスト・データの形態素解析を行い、トークン列データを取得するステップと、
前記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、前記未カテゴリ語照合ルールは、前記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、前記抽出するステップと、
前記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、前記トークン列照合ルールが、前記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、前記抽出するステップと、
前記カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許すステップと
を含む、前記方法。
【請求項２１】
前記登録候補語の確信度を計算するステップであって、該確信度は、前記登録候補語が前記カテゴリ辞書に登録し又は前記トークン列照合ルールに追加する可能性を示す、前記計算するステップ
をさらに含む、請求項２０に記載の方法。
【請求項２２】
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記カテゴリ辞書に登録するステップ
をさらに含む、請求項２０に記載の方法。
【請求項２３】
前記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、
前記未カテゴリ語を抽出するステップが、前記トークン列データの各トークンを前記分類カテゴリ辞書及び前記対象外カテゴリ辞書を用いて判別するステップを含み、前記分類カテゴリ辞書が、前記用語辞書に登録されるトークン及び任意的に該トークンの品詞情報を含み、及び前記対象外カテゴリ辞書が、前記用語辞書に登録されないトークン及び任意的に該トークンの品詞情報を含む、
前記ユーザに許すステップが、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記分類カテゴリ辞書に登録するステップ、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択されなかった未カテゴリ語を前記対象外カテゴリ辞書に登録するステップ、又は
前記登録候補語として抽出されたトークン列であって、前記ユーザによって選択されなかったトークン列を前記トークン列リストに追加するステップ、
を含む、請求項２０に記載の方法。
【請求項２４】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成する方法であって、
前記テキスト・データの形態素解析を行い、トークン列データ及び該トークン列データの各トークンに対応する品詞情報を取得するステップと、
前記トークン列データの各トークンを分類カテゴリ辞書及び対象外カテゴリ辞書を用いて判別し、そして未カテゴリ語を抽出するステップであって、前記分類カテゴリ辞書が、前記用語辞書に登録されるトークン及び任意的に該トークンの品詞情報を含み、前記対象外カテゴリ辞書が、前記用語辞書に登録されないトークン及び任意的に該トークンの品詞情報を含む、前記抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、前記未カテゴリ語照合ルールは、前記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、前記抽出するステップと、
前記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、前記トークン列照合ルールが、前記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、前記抽出するステップと、
前記登録候補語の確信度を計算するステップであって、該確信度は、前記登録候補語が前記カテゴリ辞書に登録し又は前記トークン列照合ルールに追加する可能性を示す、前記計算するステップと、
前記分類カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許すステップであって、前記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む、前記許すステップと、
前記ユーザの選択に応じて、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記分類カテゴリ辞書に登録し、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択されなかった未カテゴリ語を前記対象外カテゴリ辞書に登録し、又は
前記登録候補語として抽出されたトークン列であって、前記ユーザによって選択されなかったトークン列を前記トークン列リストに追加するステップと
を含む、前記方法。
【請求項２５】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・プログラムであって、コンピュータ・システムに、請求項２０〜２４のいずれか一項に記載の方法の各ステップを実行させる、前記コンピュータ・プログラム。
【請求項１】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・システムであって、
前記テキスト・データの形態素解析を行い、トークン列データを取得する形態素解析部と、
前記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するカテゴリ判別部と、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出する未カテゴリ語照合部であって、前記未カテゴリ語照合ルールは、前記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、前記未カテゴリ照合部と、
前記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するトークン列照合部であって、前記トークン列照合ルールが、前記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、前記トークン列照合部と、
前記カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許す許可部と
を含む、前記コンピュータ・システム。
【請求項２】
前記登録候補語の確信度を計算する確信度計算部であって、該確信度は、前記登録候補語が前記カテゴリ辞書に登録される又は前記トークン列照合ルールに追加される可能性を示す、前記確信度計算部
をさらに含む、請求項１に記載のコンピュータ・システム。
【請求項３】
前記確信度計算部が、外部辞書の情報を使用して前記確信度を計算する、請求項２に記載のコンピュータ・システム。
【請求項４】
前記確信度計算部が、文字数又は文字種の情報を使用して前記確信度を計算する、請求項２に記載のコンピュータ・システム。
【請求項５】
前記確信度計算部が、前記第１又は第２の正規表現に合致するトークン中の文字列が専門用語辞書の語彙として存在する場合に、該文字列が一般用語辞書の語彙として存在する場合よりも高いスコアを与える、請求項２に記載のコンピュータ・システム。
【請求項６】
前記許可部が、前記登録候補語及び該登録候補語に対応する確信度を表示装置上に表示することをさらに含む、請求項２に記載のコンピュータ・システム。
【請求項７】
前記許可部が、前記登録候補語を前記確信度に従いソートして表示装置上に表示することをさらに含む、請求項２に記載のコンピュータ・システム。
【請求項８】
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記カテゴリ辞書に登録する登録部
をさらに含む、請求項１に記載のコンピュータ・システム。
【請求項９】
前記登録部が、前記登録候補語として抽出されたトークン列であって、前記ユーザによって選択されなかったトークン列をトークン列リストに追加する、請求項８に記載のコンピュータ・システム。
【請求項１０】
前記カテゴリ判別部が、前記トークン列データからのトークンが前記カテゴリ辞書に登録されている場合に、該トークンを抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１１】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得し、
前記カテゴリ判別部が、前記トークン列データからのトークン及び該トークンに対応する品詞情報が前記カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、前記トークン列データからの前記トークンを抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１２】
前記トークン列照合部が、前記トークン列データからのトークン列が前記トークン列リストに登録されている場合に、該トークン列を抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１３】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得し、
前記トークン列照合部が、前記トークン列データからのトークン列及び該トークン列の各トークンに対応する品詞情報が前記トークン列リストに登録されているトークン列及び該トークン列の各トークンに対応する品詞情報に合致する場合に、前記トークン列データからの前記トークン列を抽出しない、請求項１に記載のコンピュータ・システム。
【請求項１４】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得する、請求項１に記載のコンピュータ・システム。
【請求項１５】
前記形態素解析部が、前記トークン列データの各トークンに対応する品詞情報をさらに取得し、
前記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、
前記分類カテゴリ辞書が、前記用語辞書に登録されるトークン及び任意的に該トークンの品詞情報を含み、
前記対象外カテゴリ辞書が、前記用語辞書に登録されないトークン及び任意的に該トークンの品詞情報を含む、請求項１に記載のコンピュータ・システム。
【請求項１６】
前記カテゴリ判別部が、前記トークン列データの各トークンを前記分類カテゴリ辞書を用いて判別し、
前記許可部が、前記分類カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許し、
前記登録部が、前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記分類カテゴリ辞書に登録する、
請求項１５に記載のコンピュータ・システム。
【請求項１７】
前記登録部が、前記登録候補語として抽出されたトークンであって、前記ユーザによって選択されなかったトークンを前記対象外カテゴリ辞書に登録する、請求項１５に記載のコンピュータ・システム。
【請求項１８】
前記カテゴリ判別部が、前記トークン列データからのトークン及び該トークンに対応する品詞情報が前記分類カテゴリ辞書に登録されているトークン及び該トークンに対応する品詞情報に合致する場合に、前記トークン列データからの前記トークンを抽出しない、請求項１６に記載のコンピュータ・システム。
【請求項１９】
前記第１又は第２の文字列が、単語又は単語の一部である、請求項１に記載のコンピュータ・システム。
【請求項２０】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成する方法であって、
前記テキスト・データの形態素解析を行い、トークン列データを取得するステップと、
前記トークン列データの各トークンをカテゴリ辞書を用いて判別し、未カテゴリ語を抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、前記未カテゴリ語照合ルールは、前記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、前記抽出するステップと、
前記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、前記トークン列照合ルールが、前記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、前記抽出するステップと、
前記カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許すステップと
を含む、前記方法。
【請求項２１】
前記登録候補語の確信度を計算するステップであって、該確信度は、前記登録候補語が前記カテゴリ辞書に登録し又は前記トークン列照合ルールに追加する可能性を示す、前記計算するステップ
をさらに含む、請求項２０に記載の方法。
【請求項２２】
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記カテゴリ辞書に登録するステップ
をさらに含む、請求項２０に記載の方法。
【請求項２３】
前記カテゴリ辞書が分類カテゴリ辞書及び対象外カテゴリ辞書を含み、
前記未カテゴリ語を抽出するステップが、前記トークン列データの各トークンを前記分類カテゴリ辞書及び前記対象外カテゴリ辞書を用いて判別するステップを含み、前記分類カテゴリ辞書が、前記用語辞書に登録されるトークン及び任意的に該トークンの品詞情報を含み、及び前記対象外カテゴリ辞書が、前記用語辞書に登録されないトークン及び任意的に該トークンの品詞情報を含む、
前記ユーザに許すステップが、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記分類カテゴリ辞書に登録するステップ、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択されなかった未カテゴリ語を前記対象外カテゴリ辞書に登録するステップ、又は
前記登録候補語として抽出されたトークン列であって、前記ユーザによって選択されなかったトークン列を前記トークン列リストに追加するステップ、
を含む、請求項２０に記載の方法。
【請求項２４】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成する方法であって、
前記テキスト・データの形態素解析を行い、トークン列データ及び該トークン列データの各トークンに対応する品詞情報を取得するステップと、
前記トークン列データの各トークンを分類カテゴリ辞書及び対象外カテゴリ辞書を用いて判別し、そして未カテゴリ語を抽出するステップであって、前記分類カテゴリ辞書が、前記用語辞書に登録されるトークン及び任意的に該トークンの品詞情報を含み、前記対象外カテゴリ辞書が、前記用語辞書に登録されないトークン及び任意的に該トークンの品詞情報を含む、前記抽出するステップと、
抽出した未カテゴリ語を未カテゴリ語照合ルールと照合し、該未カテゴリ語照合ルールに合致する未カテゴリ語を登録候補語として抽出するステップであって、前記未カテゴリ語照合ルールは、前記合致する未カテゴリ語を抽出するための第１の文字列及び第１の正規表現からなるトークンを含む、前記抽出するステップと、
前記トークン列データのトークン列をトークン列照合ルールと照合し、該トークン列照合ルールに合致するトークン列を登録候補語として抽出するステップであって、前記トークン列照合ルールが、前記合致するトークン列を抽出するための第２の文字列と第２の正規表現とを含むトークン列を含む、前記抽出するステップと、
前記登録候補語の確信度を計算するステップであって、該確信度は、前記登録候補語が前記カテゴリ辞書に登録し又は前記トークン列照合ルールに追加する可能性を示す、前記計算するステップと、
前記分類カテゴリ辞書に前記登録候補語を登録するかどうかの選択をユーザに許すステップであって、前記対象外カテゴリ辞書が、テキスト・データから特定のカテゴリのトークンとして検索されないようにするために使用する該トークン及び任意的に該トークンの品詞情報を含む、前記許すステップと、
前記ユーザの選択に応じて、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択された未カテゴリ語を前記分類カテゴリ辞書に登録し、
前記登録候補語として抽出された未カテゴリ語であって、前記ユーザによって選択されなかった未カテゴリ語を前記対象外カテゴリ辞書に登録し、又は
前記登録候補語として抽出されたトークン列であって、前記ユーザによって選択されなかったトークン列を前記トークン列リストに追加するステップと
を含む、前記方法。
【請求項２５】
テキスト・データに含まれる固有表現又は専門用語から用語辞書を作成するためのコンピュータ・プログラムであって、コンピュータ・システムに、請求項２０〜２４のいずれか一項に記載の方法の各ステップを実行させる、前記コンピュータ・プログラム。
【図１Ａ】
【図１Ｂ】
【図２】
【図３】
【図４】
【図１Ｂ】
【図２】
【図３】
【図４】
【公開番号】特開２０１０−１５７１７８（Ｐ２０１０−１５７１７８Ａ）
【公開日】平成２２年７月１５日（２０１０．７．１５）
【国際特許分類】
【出願番号】特願２００９−１９２（Ｐ２００９−１９２）
【出願日】平成２１年１月５日（２００９．１．５）
【出願人】（３９０００９５３１）インターナショナル・ビジネス・マシーンズ・コーポレーション (4,084)
【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＳＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ
【復代理人】
【識別番号】１０００８５５４５
【弁理士】
【氏名又は名称】松井 光夫
【復代理人】
【識別番号】１００１１８５９９
【弁理士】
【氏名又は名称】村上 博司
【Ｆターム（参考）】
【公開日】平成２２年７月１５日（２０１０．７．１５）
【国際特許分類】
【出願日】平成２１年１月５日（２００９．１．５）
【出願人】（３９０００９５３１）インターナショナル・ビジネス・マシーンズ・コーポレーション (4,084)
【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＳＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ
【復代理人】
【識別番号】１０００８５５４５
【弁理士】
【氏名又は名称】松井 光夫
【復代理人】
【識別番号】１００１１８５９９
【弁理士】
【氏名又は名称】村上 博司
【Ｆターム（参考）】
[ Back to top ]