文書検索方法および文書検索装置
【課題】必要なメモリ量を抑えつつキーワードを漏れなく抽出することができ、全文検索も高速で漏れなく処理することができる文書検索方法および文書検索装置を提供せんとする。
【解決手段】文書データをＩＤを付して文書データ記憶部１１ａに記憶する文書記憶処理部１０ａと、文書データからキーワードを切り出して抽出するキーワード抽出部１０ｂと、キーワードをキーワード記憶テーブル１１ｂの所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶処理部１０ｃと、文字列ＩＤと文書ＩＤとを関連付けて記憶する関連ＩＤ記憶処理部１０ｄと、検索語記憶処理部１０ｅと、検索語記憶テーブルの各レコードの文字列と合致した文字列ＩＤを抽出する文字列ＩＤ抽出部１０ｆと、文書ＩＤ特定部１０ｇと、特定された同一文書ＩＤの数が当該検索語のレコード数以上の場合にヒットしたと判定するヒット判定部１０ｈと、文書出力処理部１０ｉとを備えた。
【解決手段】文書データをＩＤを付して文書データ記憶部１１ａに記憶する文書記憶処理部１０ａと、文書データからキーワードを切り出して抽出するキーワード抽出部１０ｂと、キーワードをキーワード記憶テーブル１１ｂの所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶処理部１０ｃと、文字列ＩＤと文書ＩＤとを関連付けて記憶する関連ＩＤ記憶処理部１０ｄと、検索語記憶処理部１０ｅと、検索語記憶テーブルの各レコードの文字列と合致した文字列ＩＤを抽出する文字列ＩＤ抽出部１０ｆと、文書ＩＤ特定部１０ｇと、特定された同一文書ＩＤの数が当該検索語のレコード数以上の場合にヒットしたと判定するヒット判定部１０ｈと、文書出力処理部１０ｉとを備えた。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、コンテンツに関連する検索対象文書をキーワードを付けて保存し、そのキーワードに合致する検索語の入力によって対応する文書、コンテンツを検索する技術に係り、とくに文書の全文検索に好適な文書検索技術に関する。
【背景技術】
【０００２】
この種の文書検索技術としては、キーワードを抽出する対象文書中のテキストを形態素解析する解析手段と、その解析手段による解析の中間結果と、最終的な結果を記憶する解析結果記憶手段と、キーワードを決定するための条件を記憶する条件記憶手段と、解析手段により得られた解析の中間結果および最終結果から条件記憶手段の保持する条件を満たすものをキーワードとして抽出するキーワード抽出手段とを備えたキーワード抽出装置が提案されている（例えば、特許文献１参照。）。
【０００３】
このようなキーワード抽出装置によれば、従来の技術では、キーワードの抽出において制限が多く、検索に有用なキーワードを漏れなく抽出することが困難であったのに対し、検索式に指定される可能性のあるキーワードを登録時に漏れなく抽出することができるようになり、全文検索も可能になるといったメリットがある。
【０００４】
しかしながら、このように可能性のあるキーワードを漏れなく抽出するためには単語辞書や文法辞書などの大規模なデータが必要であるとともに、システムを動作させるのに必要なメモリ量が増大すると共に、処理速度が遅くなる。これはキーワードの登録時のみならず、検索時にも同様の問題が生じることとなる。
【０００５】
これに対し、検索時の高速化を図ったものとして、検索対象の文書中の文字列が出現する位置を対応づけるインデックステーブルを生成し、それも基に検索タームを含む文書を検索する全文検索方式が提案されている（非特許文献１参照。）。これによれば、多くの可能性のあるキーワードを予め辞書等を用いて抽出、登録する処理が省ける。しかしながら、これは検索対象文書中の文字すべての位置を予め登録するものであり、重複するキーワードもすべて別個のものとして登録されることから分かるように必要なメモリ量が多くなり、効率的でない。
【０００６】
【特許文献１】特開平９−４４５２２号公報
【非特許文献１】株式会社日立製作所、高速全文検索エンジン「Bibliotheca2 TextSearch」、［online］、HITACHIホーム Computer ＆ Network System Site Global Sites of related products、［平成１８年４月５日検索］、インターネット（URL：http://www.hitachi.co.jp/Prod/comp/soft1/textsearch/product/component/bib2/ngram.html）
【発明の開示】
【発明が解決しようとする課題】
【０００７】
そこで、本発明が前述の状況に鑑み、解決しようとするところは、必要なメモリ量を抑えつつキーワードを漏れなく抽出することができ、全文検索も高速で漏れなく処理することができる文書検索方法および文書検索装置を提供する点にある。
【課題を解決するための手段】
【０００８】
本発明は、前述の課題解決のために、コンピュータからなる文書検索装置が、入力された検索対象となる文書データを、ＩＤを付して文書データ記憶部に記憶する手順と、前記文書データ記憶部に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出する手順と、抽出した各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する手順と、入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列のＩＤを抽出する手順と、抽出した文字列のＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する手順と、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものとして出力する手順と、を備えていることを特徴とする文書検索方法を提供する。
【０００９】
また、本発明は、コンピュータからなる文書検索装置であって、文書データを入力する文書入力手段と、前記文書入力手段により入力された検索対象となる文書データをＩＤを付して記憶する文書記憶手段と、前記文書記憶手段に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出するキーワード抽出手段と、前記キーワード抽出手段により抽出された各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶手段と、前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する関連ＩＤ記憶手段と、検索語を入力する検索語入力手段と、前記検索語入力手段により入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶手段と、検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列ＩＤを抽出する文字列抽出手段と、前記文字列抽出手段により抽出されたＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する文書特定手段と、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものと判定するヒット判定手段と、前記ヒット判定手段により判定された文書を出力する文書出力手段と、よりなることを特徴とする文書検索装置をも提供する。
【００１０】
ここで、キーワード記憶テーブルに格納される各キーワードのレコード数、および検索語記憶テーブルに格納される各検索語のレコード数は、それぞれ各キーワードの文字数、各検索語の文字数とされる。
【００１１】
また、各キーワードをレコードに格納する際、および各検索語をレコードに格納する際には、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードがそれぞれ作成される。
【００１２】
さらに、キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数は、５〜９に設定される。
【発明の効果】
【００１３】
以上にしてなる本願発明によれば、抽出した各キーワードを所定数のレコードにそれぞれ一文字づつずらして格納することで、長い文字列も短い文字列でも容易かつ確実に登録でき、入力される検索語も同様にして一文字づつずらし、各カラム毎に、キーワード記憶テーブルの同一カラムを参照するので、漏れなく高速に検索できる。
【００１４】
さらに、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものとして出力するので、入力された検索語に完全一致したキーワードを含むものが選定され、検索精度が非常に高くなる。
【００１５】
また、文書中の文字すべてを登録する必要がなく、登録済みのキーワードは重複登録を排除でき、効率よくキーワードを登録でき、メモリ量を少なく抑えつつ、大量の文書データから任意の検索語を条件に全文検索することが可能となる。
【００１６】
また、キーワード記憶テーブルに格納される各キーワードのレコード数、および検索語記憶テーブルに格納される各検索語のレコード数を、それぞれ各キーワードの文字数、各検索語の文字数としたので、必要最小限のレコードの登録でキーワードの一部に含まれる検索語の場合も精度よく検索できる。
【００１７】
また、各キーワードをレコードに格納する際、および各検索語をレコードに格納する際には、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードがそれぞれ作成したので、先頭文字のカラムから効率よくキーワードの検索を行うことができる。
【００１８】
また、キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数は、５〜９に設定したので、通常用いられる検索語を無理なくカバーでき、登録されるレコード数の増大を防止できる。
【発明を実施するための最良の形態】
【００１９】
次に、本発明の実施形態を添付図面に基づき詳細に説明する。図１は、本発明に係る文書検索装置の構成を示す説明図であり、図１〜１１は代表的実施形態を示している。
【００２０】
本発明の文書検索装置１は、図１に示すように、処理装置１０を中心に、記憶装置１１、入力手段１２、出力手段１３が接続されたコンピュータであり、前記処理装置１０は、マイクロプロセッサを主体に構成され、図示しないＲＡＭ、ＲＯＭからなる記憶部を有して各種処理動作の手順を規定するプログラムや処理データが記憶される。
【００２１】
前記処理装置１０は、機能的には、文書中のキーワードを管理する処理機能と検索を行う処理機能とを備え、具体的には、以下のような各処理機能を備えている。
【００２２】
文書／キーワードの管理機能として、文書入力手段により入力された検索対象となる電子的な文書データをＩＤを付して文書データ記憶部１１ａに記憶する文書記憶処理部１０ａと、文書データ記憶部１１ａに記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出するキーワード抽出部１０ｂと、抽出された各キーワードをキーワード記憶テーブル１１ｂの所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶処理部１０ｃと、キーワード記憶テーブル１１ｂの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブル１１ｃに記憶する関連ＩＤ記憶処理部１０ｄとを備える。
【００２３】
また、検索時の処理機能として、入力手段１２により入力された検索語を検索語記憶テーブル１１ｄの所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶処理部１０ｅと、検索語記憶テーブル１１ｄの各カラム毎に、キーワード記憶テーブル１１ｂの同一カラムを参照することにより検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列ＩＤを抽出する文字列ＩＤ抽出部１０ｆと、抽出されたＩＤに基づき、ＩＤ参照テーブル１１ｃを参照して文書ＩＤを特定する文書ＩＤ特定部１０ｇと、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものと判定するヒット判定部１０ｈと、ヒット判定された文書を出力手段１３に出力する文書出力処理部１０ｉとを備えている。これら処理装置１０の各機能は上記プログラムにより実現される。
【００２４】
記憶装置１１は、文書入力手段により入力された検索対象となる文書データをＩＤを付して記憶する文書データ記憶部１１ａと、一文字づつ格納される一定数のカラムを有したレコードからなり、キーワード抽出部１０ｂにより抽出された各キーワードを所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶テーブル１１ｂと、キーワード記憶テーブル１１ｂの各レコードに記憶される文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けて記憶するＩＤ参照テーブル１１ｃと、キーワード記憶テーブル１１ｂの各レコードと同数のカラムを有したレコードからなり、検索語入力手段により入力された検索語を所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶テーブル１１ｄとを備えており、リレーショナルデータベースが構築されている。
【００２５】
本例では、検索されるべきコンテンツを登録する際、当該コンテンツの名称やタイトル、その説明文、リンク集のタイトル、その説明文などを検索対象の文書とし、各文書データをその帰属するコンテンツを示す同一のＩＤ（文書ＩＤ）を付して文書データ記憶部１１ａに管理される。その他、各コンテンツのデータ自体もここで管理される。
【００２６】
キーワード記憶テーブル１１ｂは、たとえば図２に示すように、一文字づつ格納される一定数のカラムを有したレコードからなり、カラム数は５〜９、より好ましくは本例のように７つに設定されている。そして、分節や単語に区切られたキーワードを１単位あたり７文字を上限に１セットで文字列を生成し、最初のレコードは中心位置にあたるｗ４のカラムに先頭文字を格納し、順次先頭文字を１カラムずつ左にずらして格納したレコードが作成される。
【００２７】
ＩＤ参照テーブル１１ｃは、図３に示すように登録した文書ＩＤと該文書中のキーワードを各レコードに一文字ずつずらして登録された各文字列ＩＤとを関連付けたテーブルであり、検索の際には、特定された文字列ＩＤに基づいてこのＩＤ参照テーブル１１ｃを参照し、文書が特定される。
【００２８】
入力手段１２は、登録される文書を含むコンテンツデータの入力や、ユーザによる検索語の入力を司るインタフェースであり、コンテンツデータはインターネット上のＷｅｂサイトなどからダウンロードする等して入力され、検索語はキーボード等で入力できるもの以外に、インターネットや専用回線などのネットワークを通じて接続される他のコンピュータから入力できる検索画面などが好ましい。また、出力手段１３は、ユーザに対してヒットの有無、ヒットしたコンテンツを表示する表示画面や、上記ネットワークを通じてアクセスしているコンピュータに対して結果データを送信するものである。
【００２９】
次に、図４のフロー図に基づき、コンテンツに含まれる検索対象文書から検索用キーワードを抽出して登録する手順を説明する。
【００３０】
まず、文書記憶処理部１０aにより、コンテンツのうち検索対象となる文書データがＩＤを付されて文書データ記憶部１１aに記憶される（Ｓ１０１）。この文書ＩＤは、後述するキーワードの文字列ＩＤと関連づけてコンテンツテーブルに登録されるものである。コンテンツの全データは、別途図示しないコンテンツ記憶部に記憶される。
【００３１】
この文書データを記憶する際に、キーワード抽出部１０ｂにより、テキストからなる当該文書データが所定の法まりに則って単語／分節ごとに分解され、複数のキーワードが切り出し抽出される（Ｓ１０２）。本例では、全文検索を可能とするべく、検索対象の文書データの文字すべてがキーワードとして抽出されるが、すべてを抽出せずに選択的にキーワードを抽出するようにしてもよい。文書データを切り出す法則については、従来から公知のものとして、たとえば解析辞書等を参照して単語の組合せを解析し、同じ文字種の連続であれば分解せず、異なれば分解するといった法則などを利用できる。
【００３２】
次に、キーワード記憶処理部１０ｃにより、抽出された各キーワードがキーワード記憶テーブルに登録される（Ｓ１０３）。
【００３３】
たとえば、３つのコンテンツ「ｃ００１」、「ｃ００２」、「ｃ００３」の文書が文書データ記憶部１１ａに登録され、コンテンツ「ｃ００１」の文書に「ホウ酸が」と「田んぼができるまで」のキーワードが含まれ、コンテンツ「ｃ００２」の文書に「微生物」と「バクテリア」のキーワードが含まれ、コンテンツ「ｃ００３」の文書に「長時間使わないとき」のキーワードが含まれており、それぞれキーワード抽出部１０ｂによりキーワードとして抽出されたとする。
【００３４】
抽出された各キーワードは、図２に示すように、一文字づつ格納されるカラムｗ１〜ｗ７を有したレコードを複数備えたキーワード記憶テーブル１１ｂに対し、それぞれ一文字づつずらして格納される。本例では、先頭文字をカラムｗ４に格納したレコードから、順に先頭文字を前のカラムにずれして格納したレコードに格納し、ｗ４に最後尾の文字が格納されるまで、すなわち文字数分のレコードに一文字ずつずらしながら格納されるのである。そして、各レコードの文字列にはユニークなＩＤが付与される。
【００３５】
たとえば、キーワード「ホウ酸が」は「ｗ０００１１」〜「ｗ００１４」までの４つのレコードに一文字ずつカラムがずれた文字列が登録され、他のキーワードも同様に登録される。文字列はずらして格納するため、７文字を超える長いキーワード、たとえば「田んぼができるまで」や「長時間使わないとき」のキーワードも問題なく各レコードに格納できる。
【００３６】
なお、この登録の際、同一の位置（ｗ１〜ｗ７）に同一文字が格納された同値レコードがすでに登録されている場合には、そのＩＤをＩＤ参照テーブル１１ｃに登録して、当該キーワードについては登録を行わない。これにより、同じキーワードを使用する文章において、キーワードの再利用が可能となるため、キーワード記憶テーブルの容量増加が防止されている。
【００３７】
レコードへの格納の仕方はこのように中央部のカラムｗ４に先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードをそれぞれ作成してなる方法に限定されず、他の方法でもよいが、本例のように格納することでキーワードが整備され、検索も効率よく行うことができる。
【００３８】
次に、キーワード記憶テーブル１１ｂの各レコードに記憶された文字列のＩＤと、当該キーワードを含む文書ＩＤとが、互いに関連付けられてＩＤ参照テーブル１１ｃに記憶される（Ｓ１０４）。図３は、ＩＤ参照テーブルの例を示しており、文書ＩＤ「ｃ００１」に対して、「ホウ酸が」の文字列ＩＤ「ｗ０００１１」〜「ｗ０００１４」と、「田んぼができるまで」の文字列ＩＤ「ｗ０００２１」〜「ｗ０００２９」がそれぞれ関連付けて登録され、同様に文書ＩＤ「ｃ００２」に対して、「微生物」の文字列ＩＤ「ｗ０００５１」〜「ｗ０００５３」と「バクテリア」の文字列ＩＤ「ｗ０００６１」〜「ｗ０００６５」がそれぞれ関連付けて登録され、文書ＩＤ「ｃ００３」に対して、「長時間使わないとき」の文字列ＩＤ「ｗ００１０１」〜「ｗ００１０９」が関連付けて登録されている。
【００３９】
このように、キーワード記憶テーブル１１ｂに登録された文字列ＩＤは、文書ＩＤと結びつけてＩＤ参照テーブル１１ｃに格納され、このテーブルは、単に追記が行われるのみでコンテンツの変更等により文章が削除／変更されるときは、該当する文書ＩＤのレコードが削除された後、変更の場合は新たに追加されることとなる。
【００４０】
次に、図５のフロー図に基づき、検索の手順を説明する。
【００４１】
まずユーザにより、任意の検索語が入力される（Ｓ２０１）。たとえば「ホウ酸が」が入力されたとする。入力された検索語は、キーワード登録時と同様の方法により、複数の検索語に切り分けられ、各検索語が上述したキーワード記憶テーブル１１ｂへのキーワードの格納とまったく同様に、一文字づつ格納されるカラムｗ１〜ｗ７を有したレコードを複数備えた検索語記憶テーブル１１ｄに対し、先頭文字をカラムｗ４に格納したレコードから、順に先頭文字を前のカラムにずらして格納したレコードに格納し、ｗ４に最後尾の文字が格納されるまで、すなわち文字数分のレコードに一文字ずつずらしながら格納される（Ｓ２０２）。
【００４２】
図６は検索語「ホウ酸が」を格納した検索語記憶テーブル１１ｄの例を示し、各レコードには「ｋ０１」〜「ｋ０４」のＩＤが付されている。そして、図７に示すように、各レコードについて、文字が入っているカラム（ｗＸ）ごとにキーワード記憶テーブル１１ｂを参照し、文字が入っているすべてのカラムの文字が合致した文字列ＩＤを抽出する（Ｓ２０３）。本例では、図２から分かるように、「ｗ０００１１」〜「ｗ０００１４」が抽出される。
【００４３】
次に、抽出された文字列のＩＤを用いて、図３に示すＩＤ参照テーブル１１ｃを参照し、対応するそれぞれの文書ＩＤが取得される（Ｓ２０４）。そして、特定された文書ＩＤのうち、同一の文書ＩＤの数と、検索語記憶テーブルに格納される当該検索語の所定のレコード数（検索語の文字数）とを対比し、同一文書ＩＤの数が前記レコード数以上の場合に、当該ＩＤの文書をヒットしたものと判断し（Ｓ２０５）、当該文書が属するコンテンツをヒットしたものとして検索結果を出力する（Ｓ２０６）。
【００４４】
本例では、図８に示すように、「ｗ０００１１」〜「ｗ０００１４」の各文字列ＩＤに対応する文書ＩＤとして４つの同じ「ｃ００１」ＩＤが取得され、同一の文書ＩＤの数「４」が当該検索語のレコードｋ０１〜ｋ０４の数「４」と一致することから、ＩＤ「ｃ００１」の文書がヒットしたものとして、当該文書を含むコンテンツが出力される。
【００４５】
以下、その他の検索語で検索する場合を説明する。まず、キーワード記憶テーブルに記憶されているキーワード「ホウ酸が」と一文字異なる「ホウ酸は」で検索する場合、図９に示すように、この検索語「ホウ酸は」を格納した検索語記憶テーブルが作成される。そして、Ｓ２０３においてキーワード記憶テーブルを参照してすべての文字カラムが一致する文字列ＩＤを抽出するのであるが、本例では、ｋ０１はｗ０００１１とｗ４〜ｗ６まで一致するものの、ｗ７が不一致となり、同様にｋ０２はｗ６が不一致、ｋ０３はｗ５が不一致、ｋ０４はｗ４が不一致となり、文字列ＩＤは抽出されない。この場合、Ｓ２０４においても文書ＩＤは取得できず、Ｓ２０５ではヒットなしと判定され、該当するコンテンツも登録がないとしてその旨の結果が出力される。
【００４６】
同様に、キーワード「長時間使わないとき」と一部が異なる「長時間使わずに」で検索する場合を説明する。検索語記憶処理部１０ｅにより、図１０（ａ）に示すように検索語記憶テーブルが作成される。本例では、ｋ０１はｗ００１０１とｗ４〜ｗ７までのすべてのカラムで一致し、ｋ０２もｗ００１０２とｗ３〜ｗ７まですべてのカラムが一致する。しかし、ｋ０３はｗ００１０３とｗ７が不一致であり、同様にｋ０４はｗ６とｗ７が不一致、ｋ０５はｗ５とｗ６が不一致、ｋ０６はｗ４とｗ５が不一致、ｋ０７はｗ３とｗ４で不一致となり、結局、Ｓ２０３において文字列ＩＤ「ｗ００１０１」，「ｗ００１０２」の二つが抽出される。
【００４７】
これによりＳ２０４では図１０（ｂ）に示す２つの同一文書ＩＤ「ｃ００３」が取得されるが、その数は検索語のレコード数７に満たないため、Ｓ２０５ではヒットなしと判定され、その旨が出力される。このように、キーワードと異なる文字を含む検索語の場合、登録されている文字列が存在してもヒットしないものと正確に判断できるのである。
【００４８】
次に、キーワード「ホウ酸が」に対して一文字足りない「ホウ酸」で検索する場合、検索語記憶テーブル１１ｄは、図１１（ａ）に示すようになる。ｋ０１のレコードのうち文字が入っているカラムｗ４〜ｗ６は、それぞれ文字列ＩＤ「ｗ０００１１」のカラムｗ４〜ｗ６の文字とすべて一致し、同様にｋ０２は「ｗ０００１２」，ｋ０３は「ｗ０００１３」と一致し、「ｗ０００１１」〜「ｗ０００１３」の３つの文字列ＩＤが抽出される。これによりＳ２０４では図１１（ｂ）に示す３つの同一文書ＩＤ「ｃ００１」が取得され、検索語のレコード数に一致するためＳ２０５でヒットしたと判定される。そして、文書「ｃ００１」に対応するコンテンツがヒットしたものとして表示される。このように、検索語「ホウ酸」自体がキーワードとして登録されていなくても、それを含むキーワード「ホウ酸が」が登録されていることにより問題なく検索できるのである。なお、上述した登録時も、このような一部一致のキーワードは登録されず、切り出しの仕方によって登録数がいたずらに増大することが回避され、優れた検索効率を維持できるシステムとされている。
【００４９】
検索文章が長いと複数の検索語のアンド検索となる。また、検索語や検索文章のほかに検索式が入力されると、従来と同様の方法によりアンド処理等が行われることは言うまでもない。
【００５０】
以上本発明の実施形態について説明したが、本発明はこうした実施例に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲において種々なる形態で実施し得ることは勿論である。
【図面の簡単な説明】
【００５１】
【図１】本発明の代表的実施形態に係る文書検索装置の構成を示す説明図。
【図２】キーワード記憶テーブルの一例を示す説明図。
【図３】ＩＤ参照テーブルの一例を示す説明図。
【図４】キーワードの登録までの手順を示すフロー図。
【図５】入力される検索語に基づき検索を行う手順を示すフロー図。
【図６】検索語「ホウ酸が」を格納した検索語記憶テーブルを示す説明図。
【図７】文字列ＩＤを抽出する仕方を示す説明図。
【図８】取得された文書ＩＤを示す説明図。
【図９】検索語「ホウ酸は」を格納した検索語記憶テーブルを示す説明図。
【図１０】（ａ）は検索語「長時間使わずに」を格納した検索語記憶テーブルを示す説明図、（ｂ）は取得された文書ＩＤを示す説明図。
【図１１】（ａ）は検索語「ホウ酸」を格納した検索語記憶テーブルを示す説明図、（ｂ）は取得された文書ＩＤを示す説明図。
【符号の説明】
【００５２】
１ 文書検索装置
１０ 処理装置
１０ａ 文書記憶処理部
１０ｂ キーワード抽出部
１０ｃ キーワード記憶処理部
１０ｄ 記憶処理部
１０ｅ 検索語記憶処理部
１０ｆ 抽出部
１０ｇ 特定部
１０ｈ ヒット判定部
１０ｉ 文書出力処理部
１１ 記憶装置
１１ａ 文書データ記憶部
１１ｂ キーワード記憶テーブル
１１ｃ 参照テーブル
１１ｄ 検索語記憶テーブル
１２ 入力手段
１３ 出力手段
【技術分野】
【０００１】
本発明は、コンテンツに関連する検索対象文書をキーワードを付けて保存し、そのキーワードに合致する検索語の入力によって対応する文書、コンテンツを検索する技術に係り、とくに文書の全文検索に好適な文書検索技術に関する。
【背景技術】
【０００２】
この種の文書検索技術としては、キーワードを抽出する対象文書中のテキストを形態素解析する解析手段と、その解析手段による解析の中間結果と、最終的な結果を記憶する解析結果記憶手段と、キーワードを決定するための条件を記憶する条件記憶手段と、解析手段により得られた解析の中間結果および最終結果から条件記憶手段の保持する条件を満たすものをキーワードとして抽出するキーワード抽出手段とを備えたキーワード抽出装置が提案されている（例えば、特許文献１参照。）。
【０００３】
このようなキーワード抽出装置によれば、従来の技術では、キーワードの抽出において制限が多く、検索に有用なキーワードを漏れなく抽出することが困難であったのに対し、検索式に指定される可能性のあるキーワードを登録時に漏れなく抽出することができるようになり、全文検索も可能になるといったメリットがある。
【０００４】
しかしながら、このように可能性のあるキーワードを漏れなく抽出するためには単語辞書や文法辞書などの大規模なデータが必要であるとともに、システムを動作させるのに必要なメモリ量が増大すると共に、処理速度が遅くなる。これはキーワードの登録時のみならず、検索時にも同様の問題が生じることとなる。
【０００５】
これに対し、検索時の高速化を図ったものとして、検索対象の文書中の文字列が出現する位置を対応づけるインデックステーブルを生成し、それも基に検索タームを含む文書を検索する全文検索方式が提案されている（非特許文献１参照。）。これによれば、多くの可能性のあるキーワードを予め辞書等を用いて抽出、登録する処理が省ける。しかしながら、これは検索対象文書中の文字すべての位置を予め登録するものであり、重複するキーワードもすべて別個のものとして登録されることから分かるように必要なメモリ量が多くなり、効率的でない。
【０００６】
【特許文献１】特開平９−４４５２２号公報
【非特許文献１】株式会社日立製作所、高速全文検索エンジン「Bibliotheca2 TextSearch」、［online］、HITACHIホーム Computer ＆ Network System Site Global Sites of related products、［平成１８年４月５日検索］、インターネット（URL：http://www.hitachi.co.jp/Prod/comp/soft1/textsearch/product/component/bib2/ngram.html）
【発明の開示】
【発明が解決しようとする課題】
【０００７】
そこで、本発明が前述の状況に鑑み、解決しようとするところは、必要なメモリ量を抑えつつキーワードを漏れなく抽出することができ、全文検索も高速で漏れなく処理することができる文書検索方法および文書検索装置を提供する点にある。
【課題を解決するための手段】
【０００８】
本発明は、前述の課題解決のために、コンピュータからなる文書検索装置が、入力された検索対象となる文書データを、ＩＤを付して文書データ記憶部に記憶する手順と、前記文書データ記憶部に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出する手順と、抽出した各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する手順と、入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列のＩＤを抽出する手順と、抽出した文字列のＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する手順と、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものとして出力する手順と、を備えていることを特徴とする文書検索方法を提供する。
【０００９】
また、本発明は、コンピュータからなる文書検索装置であって、文書データを入力する文書入力手段と、前記文書入力手段により入力された検索対象となる文書データをＩＤを付して記憶する文書記憶手段と、前記文書記憶手段に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出するキーワード抽出手段と、前記キーワード抽出手段により抽出された各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶手段と、前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する関連ＩＤ記憶手段と、検索語を入力する検索語入力手段と、前記検索語入力手段により入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶手段と、検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列ＩＤを抽出する文字列抽出手段と、前記文字列抽出手段により抽出されたＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する文書特定手段と、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものと判定するヒット判定手段と、前記ヒット判定手段により判定された文書を出力する文書出力手段と、よりなることを特徴とする文書検索装置をも提供する。
【００１０】
ここで、キーワード記憶テーブルに格納される各キーワードのレコード数、および検索語記憶テーブルに格納される各検索語のレコード数は、それぞれ各キーワードの文字数、各検索語の文字数とされる。
【００１１】
また、各キーワードをレコードに格納する際、および各検索語をレコードに格納する際には、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードがそれぞれ作成される。
【００１２】
さらに、キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数は、５〜９に設定される。
【発明の効果】
【００１３】
以上にしてなる本願発明によれば、抽出した各キーワードを所定数のレコードにそれぞれ一文字づつずらして格納することで、長い文字列も短い文字列でも容易かつ確実に登録でき、入力される検索語も同様にして一文字づつずらし、各カラム毎に、キーワード記憶テーブルの同一カラムを参照するので、漏れなく高速に検索できる。
【００１４】
さらに、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものとして出力するので、入力された検索語に完全一致したキーワードを含むものが選定され、検索精度が非常に高くなる。
【００１５】
また、文書中の文字すべてを登録する必要がなく、登録済みのキーワードは重複登録を排除でき、効率よくキーワードを登録でき、メモリ量を少なく抑えつつ、大量の文書データから任意の検索語を条件に全文検索することが可能となる。
【００１６】
また、キーワード記憶テーブルに格納される各キーワードのレコード数、および検索語記憶テーブルに格納される各検索語のレコード数を、それぞれ各キーワードの文字数、各検索語の文字数としたので、必要最小限のレコードの登録でキーワードの一部に含まれる検索語の場合も精度よく検索できる。
【００１７】
また、各キーワードをレコードに格納する際、および各検索語をレコードに格納する際には、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードがそれぞれ作成したので、先頭文字のカラムから効率よくキーワードの検索を行うことができる。
【００１８】
また、キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数は、５〜９に設定したので、通常用いられる検索語を無理なくカバーでき、登録されるレコード数の増大を防止できる。
【発明を実施するための最良の形態】
【００１９】
次に、本発明の実施形態を添付図面に基づき詳細に説明する。図１は、本発明に係る文書検索装置の構成を示す説明図であり、図１〜１１は代表的実施形態を示している。
【００２０】
本発明の文書検索装置１は、図１に示すように、処理装置１０を中心に、記憶装置１１、入力手段１２、出力手段１３が接続されたコンピュータであり、前記処理装置１０は、マイクロプロセッサを主体に構成され、図示しないＲＡＭ、ＲＯＭからなる記憶部を有して各種処理動作の手順を規定するプログラムや処理データが記憶される。
【００２１】
前記処理装置１０は、機能的には、文書中のキーワードを管理する処理機能と検索を行う処理機能とを備え、具体的には、以下のような各処理機能を備えている。
【００２２】
文書／キーワードの管理機能として、文書入力手段により入力された検索対象となる電子的な文書データをＩＤを付して文書データ記憶部１１ａに記憶する文書記憶処理部１０ａと、文書データ記憶部１１ａに記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出するキーワード抽出部１０ｂと、抽出された各キーワードをキーワード記憶テーブル１１ｂの所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶処理部１０ｃと、キーワード記憶テーブル１１ｂの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブル１１ｃに記憶する関連ＩＤ記憶処理部１０ｄとを備える。
【００２３】
また、検索時の処理機能として、入力手段１２により入力された検索語を検索語記憶テーブル１１ｄの所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶処理部１０ｅと、検索語記憶テーブル１１ｄの各カラム毎に、キーワード記憶テーブル１１ｂの同一カラムを参照することにより検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列ＩＤを抽出する文字列ＩＤ抽出部１０ｆと、抽出されたＩＤに基づき、ＩＤ参照テーブル１１ｃを参照して文書ＩＤを特定する文書ＩＤ特定部１０ｇと、特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものと判定するヒット判定部１０ｈと、ヒット判定された文書を出力手段１３に出力する文書出力処理部１０ｉとを備えている。これら処理装置１０の各機能は上記プログラムにより実現される。
【００２４】
記憶装置１１は、文書入力手段により入力された検索対象となる文書データをＩＤを付して記憶する文書データ記憶部１１ａと、一文字づつ格納される一定数のカラムを有したレコードからなり、キーワード抽出部１０ｂにより抽出された各キーワードを所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶テーブル１１ｂと、キーワード記憶テーブル１１ｂの各レコードに記憶される文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けて記憶するＩＤ参照テーブル１１ｃと、キーワード記憶テーブル１１ｂの各レコードと同数のカラムを有したレコードからなり、検索語入力手段により入力された検索語を所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶テーブル１１ｄとを備えており、リレーショナルデータベースが構築されている。
【００２５】
本例では、検索されるべきコンテンツを登録する際、当該コンテンツの名称やタイトル、その説明文、リンク集のタイトル、その説明文などを検索対象の文書とし、各文書データをその帰属するコンテンツを示す同一のＩＤ（文書ＩＤ）を付して文書データ記憶部１１ａに管理される。その他、各コンテンツのデータ自体もここで管理される。
【００２６】
キーワード記憶テーブル１１ｂは、たとえば図２に示すように、一文字づつ格納される一定数のカラムを有したレコードからなり、カラム数は５〜９、より好ましくは本例のように７つに設定されている。そして、分節や単語に区切られたキーワードを１単位あたり７文字を上限に１セットで文字列を生成し、最初のレコードは中心位置にあたるｗ４のカラムに先頭文字を格納し、順次先頭文字を１カラムずつ左にずらして格納したレコードが作成される。
【００２７】
ＩＤ参照テーブル１１ｃは、図３に示すように登録した文書ＩＤと該文書中のキーワードを各レコードに一文字ずつずらして登録された各文字列ＩＤとを関連付けたテーブルであり、検索の際には、特定された文字列ＩＤに基づいてこのＩＤ参照テーブル１１ｃを参照し、文書が特定される。
【００２８】
入力手段１２は、登録される文書を含むコンテンツデータの入力や、ユーザによる検索語の入力を司るインタフェースであり、コンテンツデータはインターネット上のＷｅｂサイトなどからダウンロードする等して入力され、検索語はキーボード等で入力できるもの以外に、インターネットや専用回線などのネットワークを通じて接続される他のコンピュータから入力できる検索画面などが好ましい。また、出力手段１３は、ユーザに対してヒットの有無、ヒットしたコンテンツを表示する表示画面や、上記ネットワークを通じてアクセスしているコンピュータに対して結果データを送信するものである。
【００２９】
次に、図４のフロー図に基づき、コンテンツに含まれる検索対象文書から検索用キーワードを抽出して登録する手順を説明する。
【００３０】
まず、文書記憶処理部１０aにより、コンテンツのうち検索対象となる文書データがＩＤを付されて文書データ記憶部１１aに記憶される（Ｓ１０１）。この文書ＩＤは、後述するキーワードの文字列ＩＤと関連づけてコンテンツテーブルに登録されるものである。コンテンツの全データは、別途図示しないコンテンツ記憶部に記憶される。
【００３１】
この文書データを記憶する際に、キーワード抽出部１０ｂにより、テキストからなる当該文書データが所定の法まりに則って単語／分節ごとに分解され、複数のキーワードが切り出し抽出される（Ｓ１０２）。本例では、全文検索を可能とするべく、検索対象の文書データの文字すべてがキーワードとして抽出されるが、すべてを抽出せずに選択的にキーワードを抽出するようにしてもよい。文書データを切り出す法則については、従来から公知のものとして、たとえば解析辞書等を参照して単語の組合せを解析し、同じ文字種の連続であれば分解せず、異なれば分解するといった法則などを利用できる。
【００３２】
次に、キーワード記憶処理部１０ｃにより、抽出された各キーワードがキーワード記憶テーブルに登録される（Ｓ１０３）。
【００３３】
たとえば、３つのコンテンツ「ｃ００１」、「ｃ００２」、「ｃ００３」の文書が文書データ記憶部１１ａに登録され、コンテンツ「ｃ００１」の文書に「ホウ酸が」と「田んぼができるまで」のキーワードが含まれ、コンテンツ「ｃ００２」の文書に「微生物」と「バクテリア」のキーワードが含まれ、コンテンツ「ｃ００３」の文書に「長時間使わないとき」のキーワードが含まれており、それぞれキーワード抽出部１０ｂによりキーワードとして抽出されたとする。
【００３４】
抽出された各キーワードは、図２に示すように、一文字づつ格納されるカラムｗ１〜ｗ７を有したレコードを複数備えたキーワード記憶テーブル１１ｂに対し、それぞれ一文字づつずらして格納される。本例では、先頭文字をカラムｗ４に格納したレコードから、順に先頭文字を前のカラムにずれして格納したレコードに格納し、ｗ４に最後尾の文字が格納されるまで、すなわち文字数分のレコードに一文字ずつずらしながら格納されるのである。そして、各レコードの文字列にはユニークなＩＤが付与される。
【００３５】
たとえば、キーワード「ホウ酸が」は「ｗ０００１１」〜「ｗ００１４」までの４つのレコードに一文字ずつカラムがずれた文字列が登録され、他のキーワードも同様に登録される。文字列はずらして格納するため、７文字を超える長いキーワード、たとえば「田んぼができるまで」や「長時間使わないとき」のキーワードも問題なく各レコードに格納できる。
【００３６】
なお、この登録の際、同一の位置（ｗ１〜ｗ７）に同一文字が格納された同値レコードがすでに登録されている場合には、そのＩＤをＩＤ参照テーブル１１ｃに登録して、当該キーワードについては登録を行わない。これにより、同じキーワードを使用する文章において、キーワードの再利用が可能となるため、キーワード記憶テーブルの容量増加が防止されている。
【００３７】
レコードへの格納の仕方はこのように中央部のカラムｗ４に先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードをそれぞれ作成してなる方法に限定されず、他の方法でもよいが、本例のように格納することでキーワードが整備され、検索も効率よく行うことができる。
【００３８】
次に、キーワード記憶テーブル１１ｂの各レコードに記憶された文字列のＩＤと、当該キーワードを含む文書ＩＤとが、互いに関連付けられてＩＤ参照テーブル１１ｃに記憶される（Ｓ１０４）。図３は、ＩＤ参照テーブルの例を示しており、文書ＩＤ「ｃ００１」に対して、「ホウ酸が」の文字列ＩＤ「ｗ０００１１」〜「ｗ０００１４」と、「田んぼができるまで」の文字列ＩＤ「ｗ０００２１」〜「ｗ０００２９」がそれぞれ関連付けて登録され、同様に文書ＩＤ「ｃ００２」に対して、「微生物」の文字列ＩＤ「ｗ０００５１」〜「ｗ０００５３」と「バクテリア」の文字列ＩＤ「ｗ０００６１」〜「ｗ０００６５」がそれぞれ関連付けて登録され、文書ＩＤ「ｃ００３」に対して、「長時間使わないとき」の文字列ＩＤ「ｗ００１０１」〜「ｗ００１０９」が関連付けて登録されている。
【００３９】
このように、キーワード記憶テーブル１１ｂに登録された文字列ＩＤは、文書ＩＤと結びつけてＩＤ参照テーブル１１ｃに格納され、このテーブルは、単に追記が行われるのみでコンテンツの変更等により文章が削除／変更されるときは、該当する文書ＩＤのレコードが削除された後、変更の場合は新たに追加されることとなる。
【００４０】
次に、図５のフロー図に基づき、検索の手順を説明する。
【００４１】
まずユーザにより、任意の検索語が入力される（Ｓ２０１）。たとえば「ホウ酸が」が入力されたとする。入力された検索語は、キーワード登録時と同様の方法により、複数の検索語に切り分けられ、各検索語が上述したキーワード記憶テーブル１１ｂへのキーワードの格納とまったく同様に、一文字づつ格納されるカラムｗ１〜ｗ７を有したレコードを複数備えた検索語記憶テーブル１１ｄに対し、先頭文字をカラムｗ４に格納したレコードから、順に先頭文字を前のカラムにずらして格納したレコードに格納し、ｗ４に最後尾の文字が格納されるまで、すなわち文字数分のレコードに一文字ずつずらしながら格納される（Ｓ２０２）。
【００４２】
図６は検索語「ホウ酸が」を格納した検索語記憶テーブル１１ｄの例を示し、各レコードには「ｋ０１」〜「ｋ０４」のＩＤが付されている。そして、図７に示すように、各レコードについて、文字が入っているカラム（ｗＸ）ごとにキーワード記憶テーブル１１ｂを参照し、文字が入っているすべてのカラムの文字が合致した文字列ＩＤを抽出する（Ｓ２０３）。本例では、図２から分かるように、「ｗ０００１１」〜「ｗ０００１４」が抽出される。
【００４３】
次に、抽出された文字列のＩＤを用いて、図３に示すＩＤ参照テーブル１１ｃを参照し、対応するそれぞれの文書ＩＤが取得される（Ｓ２０４）。そして、特定された文書ＩＤのうち、同一の文書ＩＤの数と、検索語記憶テーブルに格納される当該検索語の所定のレコード数（検索語の文字数）とを対比し、同一文書ＩＤの数が前記レコード数以上の場合に、当該ＩＤの文書をヒットしたものと判断し（Ｓ２０５）、当該文書が属するコンテンツをヒットしたものとして検索結果を出力する（Ｓ２０６）。
【００４４】
本例では、図８に示すように、「ｗ０００１１」〜「ｗ０００１４」の各文字列ＩＤに対応する文書ＩＤとして４つの同じ「ｃ００１」ＩＤが取得され、同一の文書ＩＤの数「４」が当該検索語のレコードｋ０１〜ｋ０４の数「４」と一致することから、ＩＤ「ｃ００１」の文書がヒットしたものとして、当該文書を含むコンテンツが出力される。
【００４５】
以下、その他の検索語で検索する場合を説明する。まず、キーワード記憶テーブルに記憶されているキーワード「ホウ酸が」と一文字異なる「ホウ酸は」で検索する場合、図９に示すように、この検索語「ホウ酸は」を格納した検索語記憶テーブルが作成される。そして、Ｓ２０３においてキーワード記憶テーブルを参照してすべての文字カラムが一致する文字列ＩＤを抽出するのであるが、本例では、ｋ０１はｗ０００１１とｗ４〜ｗ６まで一致するものの、ｗ７が不一致となり、同様にｋ０２はｗ６が不一致、ｋ０３はｗ５が不一致、ｋ０４はｗ４が不一致となり、文字列ＩＤは抽出されない。この場合、Ｓ２０４においても文書ＩＤは取得できず、Ｓ２０５ではヒットなしと判定され、該当するコンテンツも登録がないとしてその旨の結果が出力される。
【００４６】
同様に、キーワード「長時間使わないとき」と一部が異なる「長時間使わずに」で検索する場合を説明する。検索語記憶処理部１０ｅにより、図１０（ａ）に示すように検索語記憶テーブルが作成される。本例では、ｋ０１はｗ００１０１とｗ４〜ｗ７までのすべてのカラムで一致し、ｋ０２もｗ００１０２とｗ３〜ｗ７まですべてのカラムが一致する。しかし、ｋ０３はｗ００１０３とｗ７が不一致であり、同様にｋ０４はｗ６とｗ７が不一致、ｋ０５はｗ５とｗ６が不一致、ｋ０６はｗ４とｗ５が不一致、ｋ０７はｗ３とｗ４で不一致となり、結局、Ｓ２０３において文字列ＩＤ「ｗ００１０１」，「ｗ００１０２」の二つが抽出される。
【００４７】
これによりＳ２０４では図１０（ｂ）に示す２つの同一文書ＩＤ「ｃ００３」が取得されるが、その数は検索語のレコード数７に満たないため、Ｓ２０５ではヒットなしと判定され、その旨が出力される。このように、キーワードと異なる文字を含む検索語の場合、登録されている文字列が存在してもヒットしないものと正確に判断できるのである。
【００４８】
次に、キーワード「ホウ酸が」に対して一文字足りない「ホウ酸」で検索する場合、検索語記憶テーブル１１ｄは、図１１（ａ）に示すようになる。ｋ０１のレコードのうち文字が入っているカラムｗ４〜ｗ６は、それぞれ文字列ＩＤ「ｗ０００１１」のカラムｗ４〜ｗ６の文字とすべて一致し、同様にｋ０２は「ｗ０００１２」，ｋ０３は「ｗ０００１３」と一致し、「ｗ０００１１」〜「ｗ０００１３」の３つの文字列ＩＤが抽出される。これによりＳ２０４では図１１（ｂ）に示す３つの同一文書ＩＤ「ｃ００１」が取得され、検索語のレコード数に一致するためＳ２０５でヒットしたと判定される。そして、文書「ｃ００１」に対応するコンテンツがヒットしたものとして表示される。このように、検索語「ホウ酸」自体がキーワードとして登録されていなくても、それを含むキーワード「ホウ酸が」が登録されていることにより問題なく検索できるのである。なお、上述した登録時も、このような一部一致のキーワードは登録されず、切り出しの仕方によって登録数がいたずらに増大することが回避され、優れた検索効率を維持できるシステムとされている。
【００４９】
検索文章が長いと複数の検索語のアンド検索となる。また、検索語や検索文章のほかに検索式が入力されると、従来と同様の方法によりアンド処理等が行われることは言うまでもない。
【００５０】
以上本発明の実施形態について説明したが、本発明はこうした実施例に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲において種々なる形態で実施し得ることは勿論である。
【図面の簡単な説明】
【００５１】
【図１】本発明の代表的実施形態に係る文書検索装置の構成を示す説明図。
【図２】キーワード記憶テーブルの一例を示す説明図。
【図３】ＩＤ参照テーブルの一例を示す説明図。
【図４】キーワードの登録までの手順を示すフロー図。
【図５】入力される検索語に基づき検索を行う手順を示すフロー図。
【図６】検索語「ホウ酸が」を格納した検索語記憶テーブルを示す説明図。
【図７】文字列ＩＤを抽出する仕方を示す説明図。
【図８】取得された文書ＩＤを示す説明図。
【図９】検索語「ホウ酸は」を格納した検索語記憶テーブルを示す説明図。
【図１０】（ａ）は検索語「長時間使わずに」を格納した検索語記憶テーブルを示す説明図、（ｂ）は取得された文書ＩＤを示す説明図。
【図１１】（ａ）は検索語「ホウ酸」を格納した検索語記憶テーブルを示す説明図、（ｂ）は取得された文書ＩＤを示す説明図。
【符号の説明】
【００５２】
１ 文書検索装置
１０ 処理装置
１０ａ 文書記憶処理部
１０ｂ キーワード抽出部
１０ｃ キーワード記憶処理部
１０ｄ 記憶処理部
１０ｅ 検索語記憶処理部
１０ｆ 抽出部
１０ｇ 特定部
１０ｈ ヒット判定部
１０ｉ 文書出力処理部
１１ 記憶装置
１１ａ 文書データ記憶部
１１ｂ キーワード記憶テーブル
１１ｃ 参照テーブル
１１ｄ 検索語記憶テーブル
１２ 入力手段
１３ 出力手段
【特許請求の範囲】
【請求項１】
コンピュータからなる文書検索装置が、
入力された検索対象となる文書データを、ＩＤを付して文書データ記憶部に記憶する手順と、
前記文書データ記憶部に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出する手順と、
抽出した各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、
前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する手順と、
入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、
検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列のＩＤを抽出する手順と、
抽出した文字列のＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する手順と、
特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものとして出力する手順と、
を備えていることを特徴とする文書検索方法。
【請求項２】
前記キーワード記憶テーブルに格納される各キーワードのレコード数、および前記検索語記憶テーブルに格納される各検索語のレコード数が、それぞれ各キーワードの文字数、各検索語の文字数とされる請求項１記載の文書検索方法。
【請求項３】
各キーワードをレコードに格納する際、および各検索語をレコードに格納する際に、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードをそれぞれ作成してなる請求項１又は２記載の文書検索方法。
【請求項４】
前記キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数を５〜９に設定してなる請求項１〜３の何れか１項に記載の文書検索方法。
【請求項５】
コンピュータからなる文書検索装置であって、
文書データを入力する文書入力手段と、
前記文書入力手段により入力された検索対象となる文書データをＩＤを付して記憶する文書記憶手段と、
前記文書記憶手段に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出するキーワード抽出手段と、
前記キーワード抽出手段により抽出された各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶手段と、
前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する関連ＩＤ記憶手段と、
検索語を入力する検索語入力手段と、
前記検索語入力手段により入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶手段と、
検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列ＩＤを抽出する文字列抽出手段と、
前記文字列抽出手段により抽出されたＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する文書特定手段と、
特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものと判定するヒット判定手段と、
前記ヒット判定手段により判定された文書を出力する文書出力手段と、
よりなることを特徴とする文書検索装置。
【請求項６】
キーワード記憶手段によりキーワード記憶テーブルに格納される各キーワードのレコード数、および検索語記憶手段により検索語記憶テーブルに格納される各検索語のレコード数を、それぞれ各キーワードの文字数、各検索語の文字数としてなる請求項５記載の文書検索装置。
【請求項７】
キーワード記憶手段により各キーワードをレコードに格納する際、および検索語記憶手段により各検索語をレコードに格納する際に、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードをそれぞれ作成してなる請求項５又は６記載の文書検索装置。
【請求項８】
前記キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数を５〜９に設定してなる請求項５〜７の何れか１項に記載の文書検索装置。
【請求項１】
コンピュータからなる文書検索装置が、
入力された検索対象となる文書データを、ＩＤを付して文書データ記憶部に記憶する手順と、
前記文書データ記憶部に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出する手順と、
抽出した各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、
前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する手順と、
入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する手順と、
検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列のＩＤを抽出する手順と、
抽出した文字列のＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する手順と、
特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものとして出力する手順と、
を備えていることを特徴とする文書検索方法。
【請求項２】
前記キーワード記憶テーブルに格納される各キーワードのレコード数、および前記検索語記憶テーブルに格納される各検索語のレコード数が、それぞれ各キーワードの文字数、各検索語の文字数とされる請求項１記載の文書検索方法。
【請求項３】
各キーワードをレコードに格納する際、および各検索語をレコードに格納する際に、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードをそれぞれ作成してなる請求項１又は２記載の文書検索方法。
【請求項４】
前記キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数を５〜９に設定してなる請求項１〜３の何れか１項に記載の文書検索方法。
【請求項５】
コンピュータからなる文書検索装置であって、
文書データを入力する文書入力手段と、
前記文書入力手段により入力された検索対象となる文書データをＩＤを付して記憶する文書記憶手段と、
前記文書記憶手段に記憶される文書データから、複数の連続した文字列からなるキーワードを切り出して抽出するキーワード抽出手段と、
前記キーワード抽出手段により抽出された各キーワードを、一文字づつ格納される一定数のカラムを有したレコードからなるキーワード記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納するキーワード記憶手段と、
前記キーワード記憶テーブルの各レコードに記憶された文字列のＩＤと、当該文字列のキーワードが抽出された文書のＩＤとを関連付けてＩＤ参照テーブルに記憶する関連ＩＤ記憶手段と、
検索語を入力する検索語入力手段と、
前記検索語入力手段により入力された検索語を、前記キーワード記憶テーブルの各レコードと同数のカラムを有したレコードからなる検索語記憶テーブルに対し、所定数のレコードにそれぞれ一文字づつずらして格納する検索語記憶手段と、
検索語記憶テーブルの各カラム毎に、キーワード記憶テーブルの同一カラムを参照することにより、検索語記憶テーブルの各レコードの文字列とキーワード記憶テーブルの各レコードの文字列とが合致するか否か判定し、合致した文字列ＩＤを抽出する文字列抽出手段と、
前記文字列抽出手段により抽出されたＩＤに基づき、前記ＩＤ参照テーブルを参照し、対応する文書ＩＤを特定する文書特定手段と、
特定された文書ＩＤのうち、同一の文書ＩＤの数が、検索語記憶テーブルに格納される当該検索語の所定のレコード数以上の場合に、当該ＩＤの文書をヒットしたものと判定するヒット判定手段と、
前記ヒット判定手段により判定された文書を出力する文書出力手段と、
よりなることを特徴とする文書検索装置。
【請求項６】
キーワード記憶手段によりキーワード記憶テーブルに格納される各キーワードのレコード数、および検索語記憶手段により検索語記憶テーブルに格納される各検索語のレコード数を、それぞれ各キーワードの文字数、各検索語の文字数としてなる請求項５記載の文書検索装置。
【請求項７】
キーワード記憶手段により各キーワードをレコードに格納する際、および検索語記憶手段により各検索語をレコードに格納する際に、中央部のカラムに先頭の文字を格納したレコードから順に、先頭文字を一つ前のカラムに格納したレコードをそれぞれ作成してなる請求項５又は６記載の文書検索装置。
【請求項８】
前記キーワード記憶テーブル、および検索語記憶テーブルにおける前記カラムの数を５〜９に設定してなる請求項５〜７の何れか１項に記載の文書検索装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【公開番号】特開２００７−３１６７８８（Ｐ２００７−３１６７８８Ａ）
【公開日】平成１９年１２月６日（２００７．１２．６）
【国際特許分類】
【出願番号】特願２００６−１４３６０４（Ｐ２００６−１４３６０４）
【出願日】平成１８年５月２４日（２００６．５．２４）
【出願人】（５９９１０８２４２）Ｓｋｙ株式会社 (257)
【Ｆターム（参考）】
【公開日】平成１９年１２月６日（２００７．１２．６）
【国際特許分類】
【出願日】平成１８年５月２４日（２００６．５．２４）
【出願人】（５９９１０８２４２）Ｓｋｙ株式会社 (257)
【Ｆターム（参考）】
[ Back to top ]