文書構造抽出装置，文書構造抽出方法及びその方法を実装した文書構造抽出プログラム
【課題】構造化文書を構成する文字の特徴に基づいて、該構造化文書から文書構造を抽出する。
【解決手段】まず、情報蓄積部１ｄが、文字の特徴に基づいて文書構造を特定し判定する判定基準を記憶する。次に、情報解析部１ｃが、構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する。そして、情報解析部１ｃが、その抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する。
【解決手段】まず、情報蓄積部１ｄが、文字の特徴に基づいて文書構造を特定し判定する判定基準を記憶する。次に、情報解析部１ｃが、構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する。そして、情報解析部１ｃが、その抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、構造化文書を解析する技術に関するものである。
【背景技術】
【０００２】
インターネットの普及によって、様々な情報が得られるようになってきた。インターネットの利用方法のうちの一つにウェブコンテンツの閲覧が知られている。ウェブコンテンツはＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）文書や画像などからなり、ＨＴＭＬ文書で記述されたとおりに、テキストや画像をブラウザ上に表示するものである。
【０００３】
しかし、ウェブコンテンツはブラウザを使って利用されるだけでなく、音声ブラウザを始め様々なソフトウェアや装置を使って利用されている。様々なソフトウェアや装置、すなわち、様々なブラウザに対応できるように、ウェブコンテンツをデザインすることが求められている。
【０００４】
言い換えれば、ウェブコンテンツに対しアクセシビリティの確保が求められ、多くの研究が行われている（例えば、特許文献１参照）。２００４年のＪＩＳ（Ｊａｐａｎｅｓｅ Ｉｎｄｕｓｔｒｉａｌ Ｓｔａｎｄａｒｄ） Ｘ８３４１−３の制定以来、特に自治体等の公共向けサイトではウェブアクセシビリティに対応することが求められており、対応したサイトも増えている。アクセシビリティの観点から悪いデザインの部分を指摘し、修正を促すチェックツールが開発されている。
【０００５】
近年、スタイルシートの普及によって、ＨＴＭＬ文書の要素に頼らなくとも見栄えを自由にデザインできるようになってきた。本来、スタイルシートは誤ったＨＴＭＬの記述をなくすことが目的の仕組みであった。しかし、ＨＴＭＬ文書が適切に構造化されなくても、スタイルシートで外観の構造を制御できるようになってきた。
【特許文献１】特開２００５−５６１５１号公報（段落［００３５］〜［００３８］等）。
【発明の開示】
【発明が解決しようとする課題】
【０００６】
上述のように、様々なブラウザ等に対応するためには、ＨＴＭＬ文書（即ち、構造化文書）の構造を明確に記述することが必要である。特に、見出し部分をＨＴＭＬにおけるＨ要素（Ｈタグ、構造化要素のうちの一つであって構文的かつ明示的に見出し示すタグ）で記述することにより、音声ブラウザで読み上げても、見出しであることを伝えることができる。
【０００７】
ウェブコンテンツは視覚的に情報を伝えることを中心に発展してきた。そのため、外観上は見出しに見えるものの、ＨＴＭＬ文書には見出しを表わすＨ要素が無いものもある。これは、アクセシビリティの観点からは悪いデザインのＨＴＭＬ文書といえる。
【０００８】
ウェブコンテンツにＨ要素が適切に付与されてあれば、可視情報（見た目）以外で情報を表現するブラウザ、例えば、音声ブラウザでは、見出しの部分を判断し、効果音を鳴らすなどして、見出しであることを伝えることができる。しかし、Ｈ要素が適切に付与されてなければ、音声ブラウザでは、ＨＴＭＬ文書中のどこが見出しであるかを表現できないという問題があった。
【０００９】
また、ＨＴＭＬ文書の悪いデザインを抽出するチェックツールを使ってチェックできる項目は、主に、ＨＴＭＬ文書の文法チェックであった。すなわち、ＨＴＭＬ文書内を調べて、主に、不適当なＨＴＭＬ要素の有無を判定することであった。そのため、Ｈ要素が付与されていない箇所で、本来的な意味ではどこにＨ要素を付与すべき（即ち、見出しとなりうる箇所である）か、というチェックは、従来のチェックツールでは不可能であった。つまり、本来的意味の（あるいは、暗黙的な）見出しの部分を識別できず、さらに、従来のチェックツールでは、ＨＴＭＬ文書の意味的な文章構造に関する問題を抽出することはできないという問題があった。
【００１０】
本発明は、前記課題に基づいてなされたものであって、構造化文書を構成する文字の特徴に基づいて、意味的な文章構造を定義付け、該構造化文書から該文書構造を抽出する文書構造抽出装置，文書構造抽出方法及びその方法を実装した文書構造抽出プログラムを提供することにある。
【課題を解決するための手段】
【００１１】
前記課題の解決を図るために、請求項１記載の発明は、記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する文書構造抽出装置であって、文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積手段と、前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出手段と、抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出手段と、を備えることを特徴とする。
【００１２】
請求項２記載の発明は、請求項１に記載の発明において、前記情報蓄積手段が、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、前記文字特徴抽出手段が、見出しに関する文字の特徴を抽出する見出し特徴抽出手段を備え、前記文書構造抽出手段が、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して特定し抽出する見出し抽出手段を備える、ことを特徴とする。
【００１３】
請求項３記載の発明は、請求項２に記載の発明において、前記見出し特徴抽出手段が、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得する手段を備え、前記見出し抽出手段が、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して判定する手段を備える、ことを特徴とする。
【００１４】
請求項４記載の発明は、請求項１に記載の発明において、前記情報蓄積手段が、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、前記文字特徴抽出手段が、リストに関する文字の特徴を抽出するリスト特徴抽出手段を備え、前記文書構造抽出手段が、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出手段を備える、ことを特徴とする。
【００１５】
請求項５記載の発明は、記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する装置に使用される文書構造抽出方法であって、文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積ステップと、前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出ステップと、抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出ステップと、を有することを特徴とする。
【００１６】
請求項６記載の発明は、請求項５に記載の発明において、前記情報蓄積ステップが、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、前記文字特徴抽出ステップが、見出しに関する文字の特徴を抽出する見出し特徴抽出ステップを有し、前記文書構造抽出ステップが、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して判定する見出し抽出ステップを有する、ことを特徴とする。
【００１７】
請求項７記載の発明は、請求項６に記載の発明において、前記見出し特徴抽出ステップが、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得するステップを有し、前記見出し抽出ステップが、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して特定し抽出するステップを有する、ことを特徴とする。
【００１８】
請求項８記載の発明は、請求項５に記載の発明において、前記情報蓄積ステップが、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、前記文字特徴抽出ステップが、リストに関する文字の特徴を抽出するリスト特徴抽出ステップを有し、前記文書構造抽出ステップが、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出ステップを有する、ことを特徴とする。
【００１９】
請求項９記載の発明は、文書構造抽出プログラムであって、請求項５乃至８のいずれかに記載の文書構造抽出方法を、コンピュータで実行可能なコンピュータプログラムとして記述したことを特徴とする。
【００２０】
前記請求項１，５記載の発明は、文書構造を特定し判定する前記判定基準に基づいて、その文書構造を有する文章部分の有無が判明し、該文章部分を特定できる。
【００２１】
前記請求項２，６記載の発明は、見出しを特定し判定する前記判定基準に基づいて、その見出しを有する文章部分の有無が判明し、見出しを特定できる。
【００２２】
前記請求項３，７記載の発明は、文字に関する希少度を取得できる。
【００２３】
前記請求項４，８記載の発明は、リストを特定し判定する前記判定基準に基づいて、そのリストを有する文章部分の有無が判明し、リストを特定できる。
【００２４】
前記請求項９記載の発明は、請求項５乃至８のいずれかに記載の文書構造抽出方法をコンピュータプログラムとして記載できる。
【発明の効果】
【００２５】
以上示したように請求項１，５の発明によれば、構造化文書から特定の文書構造を抽出できる。
【００２６】
請求項２，６の発明によれば、構造化文書から見出しを抽出できる。
【００２７】
請求項３，７の発明によれば、希少度に基づいた判定を行うことができる。
【００２８】
請求項４，８の発明によれば、構造化文書からリストを抽出できる。
【００２９】
請求項９の発明によれば、請求項５乃至８のいずれかに記載の文書構造抽出方法を実装したコンピュータプログラムを提供できる。
【００３０】
これらを以ってコンテンツサービス技術分野に貢献できる。
【発明を実施するための最良の形態】
【００３１】
以下、本実施形態における文書構造抽出装置を図面等に基づいて詳細に説明する。
図１中の文書構造抽出装置１は、各部を制御する制御部１ａ，ウェブコンテンツを受信し解析結果を送信する送受信部（例えば、ＨＴＴＰ（ＨｙｐｅｒＴｅｘｔ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ）プロトコルを実装した構造化文書取得手段を有する送受信部）１ｂ，受信したウェブコンテンツを解析する情報解析部１ｃ，解析に関する情報を蓄積する情報蓄積部１ｄ，解析結果に基づいて情報を構成する情報構成部１ｅ，キーボード、マウス等の入力装置を有する情報入力部１ｆ，モニタやスピーカを有する情報出力部１ｇを備える。
【００３２】
また、図１の文書構造抽出装置１は、ネットワーク１００を介して、ウェブサーバ２と通信し、ウェブコンテンツ（即ち、ＨＴＭＬで構成されたウェブコンテンツ、あるいは、ＨＴＭＬ文書、あるいは、構造化文書）を受信し表示する。
【００３３】
なお、本実施形態における文書構造抽出装置をパーソナルコンピュータで実現することもできる。例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含む制御部１ａ，送受信部１ｂ，情報解析部１ｃ，ハードディスク装置やメモリなどの記憶装置を含む情報蓄積部１ｄ，情報構成部１ｅは、パーソナルコンピュータ本体に備えられても良い。また、本実施形態における文書構造抽出装置をブラウザ（例えば、インターネットブラウザ）の機能に含めても良い。本実施形態における文書構造抽出装置の処理で使用される情報（データ）は、予め備えられたハードディスク装置やメモリなどの記憶装置に記憶されても良い。
【００３４】
［実施例１］
実施例１は、文字の特徴に基づいて文書構造の一つである見出しを抽出する例である。
【００３５】
実施例１ではＨＴＭＬ文書の中の見出しを抽出する。まず、ＨＴＭＬ文書の中の文字を抽出する。以下の説明における文字はテキストで表現されているとは限らない。例えば、画像中に文字の図形情報を含む場合、その画像を文字の特徴のひとつとして扱うこととする。
【００３６】
ＨＴＭＬ文書の明示的な文書構造を構成するＨＴＭＬ要素（すなわち、タグ）は、二種類に大別される。それらは、ブロックレベル要素とインライン要素である。ブロックレベル要素とは、見出しを表すＨ要素、段落を表すｐ要素、リストを表すｏｌ要素やｕｌ要素、テーブルを表すｔａｂｌｅ要素などである。一般的にこれらの要素の前後は改行される。一方、インライン要素は文章の一部分として含まれる要素で、リンク要素、強調要素などである。
【００３７】
なお、以下の説明では、前記ブロックレベル要素が正しく使用されている、とは限らないため、改行を表すｂｒ要素でタグ付けされたときにも別の文章として扱う。
【００３８】
以上を考慮した、本実施例１における文章とその特徴の抽出手順を図２に基づいて説明する。なお、以下の説明で、図１中の符号と同じ符号のものの説明は省略する。
【００３９】
まず、キーボードなどの情報入力部１ｆからＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）を入力する（Ｓ１０１）。
【００４０】
続いて、制御部１ａを介し送受信部１ｂから、ネットワーク１００を介して、入力されたＵＲＬのウェブサーバ２と通信し、ウェブコンテンツを送受信部１ｂにて受信する（Ｓ１０２）。
【００４１】
続いて、受信したウェブコンテンツを情報蓄積部１ｄに記録する（Ｓ１０３）。
【００４２】
続いて、記録されたウェブコンテンツを情報解析部１ｃで解析し、文章とそれを構成する文字の特徴を抽出し、その結果を情報蓄積部１ｄに記録する（Ｓ１０４：文字特徴抽出）。
【００４３】
このときの抽出方法を以下に詳細に説明する。
【００４４】
まず、ＨＴＭＬ文書からタグを除いた部分を文章単位で抜き出す。なお、文章単位とは、前述したようにインライン要素である場合の他にも、ｂｒ要素などによって改行されているときには、改行の前後で別文章とみなして抽出する。その際、文章に付加されているタグから、文字の特徴を合わせて抽出する。
【００４５】
一般的に、外観で（目で見たときに）見出しであることを示すために、様々な工夫が施されている。例えば、見出しの次に本文があるとしたとき、見出しの文字が本文の文字よりも大きくなっているなどの方法がある。その他にも以下のような方法が考えられる。
（１）見出しと本文の文字の色が異なる。
（２）見出しと本文の文字のフォントが異なる。
（３）見出しが太字であり、本文の文字は太字ではない。
（４）見出しの部分のみ、文字の前にアイコンが付いている。
（５）見出しの部分のみ、文字が枠で囲まれている。
（６）見出しの部分のみ、周りの余白が広い。
（７）見出しと本文の文字の背景色が異なる。
（８）見出しと本文の文字の始まりの位置が異なる。
【００４６】
なお、文字の特徴とは、上記のようなものとして説明するが、これらに限るものではない。
【００４７】
また、上記の文字の特徴の表現方法としては、例えば、次のようなタグ付けされたものがある。
【００４８】
＜ｆｏｎｔ＝１２ｐｘ＞タイトル＜／ｆｏｎｔ＞
上述のようにタグ付けされた場合には、文字の大きさを１２ｐｘ（ｐｉｘｅｌ）として情報蓄積部１ｄに記録する。
【００４９】
また、文字の大きさを指定するために、スタイルシートが使われている場合もある。例えば、対象となる文字にクラスやＩＤ（Ｉｄｅｎｔｉｆｉｅｒ）でタグ付けして、そのクラスやＩＤに対応する表現方法をスタイルシートに記述する場合である。
【００５０】
その場合には、スタイルシートを参照して文字の特徴を記録する。こうして、情報蓄積部１ｄには図３中の解析データＴ１のようなデータが記録される。なお、解析データＴ１は、ウェブページ内の行番号を示す行番号フィールドＦ１１，判定結果フィールドＦ１２，Ｈ要素の有無フィールドＦ１３，文字列を含む文章フィールドＦ１４，文字の特徴フィールドＦ１５から構成される。さらに、前記文字の特徴フィールドＦ１５は、大きさフィールドＦ１５１，フォント種類フィールドＦ１５２，文字色フィールドＦ１５３，背景色フィールドＦ１５４，太字フィールドＦ１５５，文字表現フィールドＦ１５６から構成される。
【００５１】
本実施例１では、文字自体の特徴だけでなく、背景色も文字の特徴として記録する。例えば、図４に示すようなウェブページｗ１を解析すると図３のような結果となる。
【００５２】
また、文字の図形情報を含む画像中の該文字を認識する場合には、一般的な画像認識の技術を使って、文字を抽出する。なお、同じ画像の中は一つの文章として認識する。その文字の特徴についても、画像認識技術を使って認識するが、その際に、文字画像であるというのも大きな特徴となるので、その旨を図３中の解析データＴ１の文字表現フィールドＦ１５６のように記録する。
【００５３】
ここで、文字の特徴に基づいて、意味的に、その文字で構成された文（文字列）が見出しであるか否かを判定する（文書構造抽出）方法について説明する。
【００５４】
前記見出しであるか否かを判定する方法は、見出しを特定する絶対的な特徴（即ち、意味的に見出しを判定するための文字の特徴から成る判定基準）を、あらかじめ情報蓄積部１ｄに記録しておき、その基準によって判定する方法である。即ち、前記判定基準が文字の特徴に基づいて意味的な文章構造を定義付けるものである。
【００５５】
その際の判定基準の要素の一例が、図５中の判定基準表Ｔ２である。判定基準表Ｔ２に対象となる特徴フィールドＦ２１の「文字の大きさ」の基準として、予め定めることができる基準である絶対基準フィールドＦ２２が「１４ｐｘ以上」とあるため、解析データＴ１の１、２、４、７行目の文章が見出しとして判断される。この結果は解析データＴ１に追記され、図６の解析データＴ１Ａの判定結果フィールドＦ１２のように記録される。なお、判定結果フィールドＦ１２では、見出し以外のものを本文として記録している。
【００５６】
なお、判定基準表Ｔ２には判断基準が複数存在するが、これらの判断基準をすべて満たしたときに見出しと判断してもよいし、上記のように、最低ひとつの基準を満たしたときに見出しと判断してもよい。
【００５７】
また、判定基準となる特徴は、あらかじめ定まらない場合もある。例えば、文字の大きさが相対的に大きい場合や、文字の色が他と異なる場合である。このような場合には、相対的な基準に、文字の特徴の希少度を計算し、比較する。
【００５８】
この相対的な文字の特徴の希少度（即ち、文字の特徴が出現する度合い、出現頻度）に関する基準の例が、図７中の判定基準表Ｔ３である。判定基準表Ｔ３は、対象となる特徴フィールドＦ３１，相対基準の採用順位フィールドＦ３２から構成される。前記希少度は、各特徴（例えば、対象となる特徴フィールドＦ３１の「文字の大きさ」）に当てはまる文章の文字数を数える。以下では、文字の大きさを数えた例について説明する。
【００５９】
前記文字数を数えた結果が図８中の集計結果Ｔ４である。集計結果Ｔ４は、ウェブページ内の行番号を示す行番号フィールドＦ４１，文章を構成する文字数を示す文字数フィールドＦ４２，文章本体を示す文章フィールドＦ４３，文章を表示する際の文字の大きさを示す大きさフィールドＦ４４から構成される。また、それらを解析した結果が図９中の解析データＴ５である。解析データＴ５は、文字の大きさフィールドＦ５１，順位フィールドＦ５２，文字数フィールドＦ５３から構成される。判定基準表Ｔ４及び解析データＴ５において、最も文字数の多い１２ｐｘの文字以外は見出しと判定する。例えば、２０ｐｘの文章はＨ１要素（第一の見出し）、１６ｐｘの文字はＨ２要素（第二の見出し）などと判定できる。
【００６０】
また、文字の大きさ以外の特徴を合わせて判定する場合、矛盾が発生することが考えられるが、図７の判定基準表Ｔ３の相対基準の採用順位フィールドＦ３２における採用順位に従って、対象となる特徴フィールドＦ３１に関して、例えば、文字表現よりもフォントを、フォントよりも文字の大きさを基準として判定すればよい。
【００６１】
また、図１０中の判定基準表Ｔ６が、絶対的な基準（絶対基準フィールドＦ６２）と相対的な基準（相対基準フィールドＦ６３）とを組み合わせて使った例である。判定基準表Ｔ６は、対象となる特徴フィールドＦ６１，絶対基準フィールドＦ６２，相対基準フィールドＦ６３，基準の採用順位フィールドＦ６４から構成される。
【００６２】
ここで、図２中のステップＳ１０５に戻ると、見出しと判定された部分にＨ要素でタグ付けされているか否かをチェックする。すなわち、図６中の解析データＴ１において、見出しと判断された１，２，４，７行目にＨ要素が付与されているか否かを判定する。次に、図１１の解析データＴ１Ｂに示すような結果（Ｈ要素の有無フィールドＦ１３）を得て、その結果を情報蓄積部１ｄに記録しておく。
【００６３】
そして、情報構成部１ｅが、図１２中の符号ｗ２で示すように、Ｈ要素でタグ付けする必要がある箇所を示すように出力情報を構成し、該出力情報を情報出力部１ｇを介して表示する（Ｓ１０６）。
【００６４】
以上のように、本実施例１によれば、前記抽出された見出しに対して適切な処理を施すように促す（あるいは、警告する）チェックツールを構成できる。
【００６５】
［実施例２］
本実施例２は、文字の特徴に基づいて、意味的に文書構造の一つであるリスト（あるいは、リスト構造）を抽出し、抽出されたリスト情報をチェックツールではなく、ブラウザに応用した例である。
【００６６】
本実施例２の動作フローを図１３に基づいて説明する。なお、図１３中のステップＳ２０１〜Ｓ２０３は、図２中のステップＳ１０１〜Ｓ１０３と同じ動作のため、説明を省略する。以下では、図１３中のステップＳ２０４〜Ｓ２０８を説明する。
【００６７】
ステップＳ２０４では、ＨＴＭＬ文書の情報を解析する。なお、以下では、実施例１と同様に図４のウェブページの解析を一例として説明する。
【００６８】
図４中の解析データＴ１の最後の３行はリストと考えられる。リストの特徴は、例えば、リスト要素を構成する文字列の先頭に同じ印（即ち、リスト要素先頭文字）「・」が付与されていることである。また、インデントの位置が同じという特徴も有る。ここでは、これら２つの特徴を用いて、リストを判別する方法を説明する。ただし、リストの特徴は、これらの特徴に限るものではない。
【００６９】
また、図４のようなウェブページを表現するために、テーブル（或いは、テーブル構造）を使うことが広く知られている。テーブルでウェブページの外観（見た目）を制御しても、ＨＴＭＬ文書では適切なタグ付けされていない（例えば、Ｈ要素やｕｌ要素、ｏｌ要素などが使われていない）ということになるため、適切な文書構造を抽出するには問題となる。以下では、テーブルが使用されているウェブページの解析方法も説明する。
【００７０】
ステップＳ２０４は、図１４のようなＨＴＭＬ文書の構造ＨＴを解析する。構造ＨＴは、テーブルで区切られているので、テーブルのセルの中を文章として定義すると、例えば、１行１列目に「Ａ社サイト」、２行１列目は空欄、２行２列目には「企業理念」と記載されている。このようなテーブルによる構造を解析すると図１５中の解析データＴ７のようになる。解析データＴ７は、行番号フィールドＦ７１，文章フィールドＦ７２，文章が位置する行番号を示す行フィールドＦ７３，文章の先頭が位置する列番号を示す列フィールドＦ７４，対象要素の有無フィールドＦ７５，要素の種別フィールドＦ７６から構成される。
【００７１】
前記解析データＴ７の列フィールドＦ７４によってインデントの位置を解析できるため、８，９，１０行目はともに３，４列目にある文章となっており、同じインデントの位置であることがわかる。
【００７２】
次に、リスト要素の先頭に同じ印が付与されているか否かを判定する。例えば、その判定方法の一つは、リストである絶対的な特徴を、情報蓄積部１ｄにあらかじめ記録しておき、その特徴に基づく基準によって判定する方法である。
【００７３】
例えば、その基準とは、「・」、「○」、「●」などの印（リスト要素先頭文字）を情報蓄積部１ｄに記録しておくものである。また、数字で表されるリストはｏｌ要素で表されるため、数字である場合も判定できる。図１５中の解析データＴ７では、８，９，１０行目に、あらかじめ登録してあった「・」を構造ＨＴ中に発見したため、要素の種別フィールドＦ７６にその旨を記載されている。
【００７４】
ここで、「・」がリストの印（リスト要素先頭文字）であると判定できたため、その直後の文章、例えば、「サイトマップ」，「プライバシーポリシー」，「このサイトについて」の三つの文章をリスト要素で表されるべき文章であると判定できる。
【００７５】
また、サイト特有の画像などを使っている場合には、判定基準となる印は、あらかじめ決めた候補の中にない場合もある。このような場合には、構造ＨＴ中に複数表れる印を調べればよい。
【００７６】
文章を総当りで同じものか否かを判定するには、同じ印があるか否かを判別し、同じ印があれば、図１６中の解析データＴ７Ａの同じ要素の有無フィールドＦ７５のように設定する。
【００７７】
文章が画像である場合には、画像ファイル名が同じものか否かを判別すればよい。その画像ファイル名直後の文章（例えば、「サイトマップ」、「プライバシーポリシー」、「このサイトについて」の三つの文章）がリスト要素で表されるべき文章と判定できる。
【００７８】
また、実施例１のように、印をあらかじめ登録しておく方法と同じ印があるかを判別する方法を合わせて使ってもよい。
【００７９】
さて、図１３の説明に戻ると、ステップＳ２０５では、リストを表す印（リスト要素先頭文字）が数字であるか、「・」などの記号であるかを判別する。前記印が数字であれば、ステップＳ２０７へ進み、その印の直後の文章をｏｌ要素でタグ付けして、情報蓄積部１ｄに記録する。
【００８０】
ステップＳ２０５において、リストを表す印が数字でなければ、ステップＳ２０６へ進み、印の直後の文章をｕｌ要素でタグ付けして、情報蓄積部１ｄに記録する。
【００８１】
そして、ステップＳ２０８で、情報蓄積部１ｄからｏｌ要素またｕｌ要素でタグ付けされた文章をリストと見做し、それらの文章を音声ブラウザで読み上げる。
【００８２】
また、図１５の解析データＴ７、図１６の解析データＴ７Ａでは、文章の始まる位置、インデントの位置が、列フィールドＦ７４に列数で表されている。例えば、１行目の「Ａ社サイト」は１列目、２，４，７行目は２列目、３，５，８，９，１０行目は３列目、と設定されている。これらの列数を考慮し、最も下位の列にある文章を本文として、その他を見出しと判定することもできる。
【００８３】
さらに、階層を考慮すれば、図１７中の解析データＴ８のようにまとめられる。解析データＴ８は、行番号フィールドＦ８１，付与すべき要素フィールドＦ８２，文章フィールドＦ８３，行フィールドＦ８４，列フィールドＦ８５，同じ要素の有無フィールドＦ８６，要素の種別フィールドＦ８７から構成される。例えば、図１７の解析データＴ８の８，９，１０行目の文章構造は、８，９，１０行目の「・」を削除し、同じリスト群に属するので全体をｕｌ要素でタグ付けし、各行をｌｉ要素でタグ付けすればよい。
【００８４】
以上のように、本実施例２では、文書構造を把握した上で、ウェブページの外観（見た目）から推測される情報構造にＨＴＭＬ文書を改変し、記録して、その記録されたＨＴＭＬ文書を音声ブラウザで読み上げるという、文書構造を補って読み上げる音声ブラウザを構成できる。
【００８５】
なお、本実施形態の文書構造抽出装置における各手段の一部もしくは全部の機能をコンピュータのプログラムで構成し、そのプログラムをコンピュータを用いて実行して本発明を実現することができること、本実施形態の文書構造抽出方法における手順をコンピュータのプログラムで構成し、そのプログラムをコンピュータに実行させることができることは言うまでもない。
【００８６】
以上のように、本実施形態は、一般的なウェブコンテンツは見栄えのよさを主にデザインされているため、見出しの部分はいくつかの特徴を持ってデザインされていることが多いこと、に着目して、構成されている。
【００８７】
そのため、ウェブページの外観上、見出しに見える部分の有するＨＴＭＬ要素以外の特徴を抽出できれば、その特徴を持つ部分に対して、適切な警告（例えば、Ｈ要素を付与すべきであるという警告）を行うことができる。
【００８８】
本実施形態では、見出しを表わす部分の有する特徴をあらかじめ登録しておき、その特徴を持つ部分の有無を調べ、見出し部分を抽出できる。
【００８９】
以上、本発明の実施形態について説明したが、本発明は説明した実施形態に限定されるものでなく、各請求項に記載した範囲において各種の変形を行うことが可能である。
【００９０】
例えば、上述の実施例では、ＨＴＭＬ文書を対象にしたが、同じく構造化文書であるＸＭＬ（ｅＸｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）文書を対象にしても良い。
【図面の簡単な説明】
【００９１】
【図１】本実施形態における文書構造抽出装置の構成図。
【図２】実施形例１における文書構造抽出装置の動作を示すフローチャート。
【図３】ウェブコンテンツに関する解析データの例１を示す図。
【図４】ウェブページの一例を示す図。
【図５】判定基準表の例１を示す図。
【図６】ウェブコンテンツに関する解析データの例２を示す図。
【図７】判定基準表の例２を示す図。
【図８】特定の文字の大きさに当てはまる文章の文字数を数えた結果を示す図。
【図９】ウェブコンテンツに関する解析データの例３を示す図。
【図１０】判定基準表の例３を示す図。
【図１１】ウェブコンテンツに関する解析データの例４を示す図。
【図１２】Ｈ要素でタグ付けする必要がある箇所を表示した例を示す図。
【図１３】実施形例２における文書構造抽出装置の動作を示すフローチャート。
【図１４】文章におけるテーブルの一例を示す図。
【図１５】ウェブコンテンツに関する解析データの例５を示す図。
【図１６】ウェブコンテンツに関する解析データの例６を示す図。
【図１７】ウェブコンテンツに関する解析データの例７を示す図。
【符号の説明】
【００９２】
１…文書構造抽出装置
１ａ…制御部
１ｂ…送受信部
１ｃ…情報解析部
１ｄ…情報蓄積部
１ｅ…情報構成部
１ｆ…情報入力部
１ｇ…情報出力部
２…ウェブサーバ
１００…ネットワーク
Ｔ１，Ｔ１Ａ，Ｔ１Ｂ，Ｔ５，Ｔ７，Ｔ７Ａ，Ｔ８…解析データ
Ｆ１１…行番号フィールド
Ｆ１２…判定結果フィールド
Ｆ１３…Ｈ要素の有無フィールド
Ｆ１４…文章フィールド
Ｆ１５…文字の特徴フィールド
Ｆ１５１…大きさフィールド
Ｆ１５２…フォント種類フィールド
Ｆ１５３…文字色フィールド
Ｆ１５４…背景色フィールド
Ｆ１５５…太字フィールド
Ｆ１５６…文字表現フィールド
Ｆ２１…特徴フィールド
Ｆ２２…絶対基準フィールド
Ｆ３１…対象となる特徴フィールド
Ｆ３２…相対基準の採用順位フィールド
Ｆ４１…行番号フィールド
Ｆ４２…文字数フィールド
Ｆ４３…文章フィールド
Ｆ４４…大きさフィールド
Ｆ５１…文字の大きさフィールド
Ｆ５２…順位フィールド
Ｆ５３…文字数フィールド
Ｆ６１…対象となる特徴フィールド
Ｆ６２…絶対基準フィールド
Ｆ６３…相対基準フィールド
Ｆ６４…基準の採用順位フィールド
Ｆ７１…行番号フィールド
Ｆ７２…文章フィールド
Ｆ７３…行フィールド
Ｆ７４…列フィールド
Ｆ７５…対象要素の有無フィールド
Ｆ７６…要素の種別フィールド
Ｆ８１…行番号フィールド
Ｆ８２…付与すべき要素フィールド
Ｆ８３…文章フィールド
Ｆ８４…行フィールド
Ｆ８５…列フィールド
Ｆ８６…同じ要素の有無フィールド
Ｆ８７…要素の種別フィールド
ＨＴ…文書構造
ｗ１…ウェブページ
ｗ２…解析結果表示画面
Ｔ２，Ｔ３，Ｔ６…判定基準表
Ｔ４…集計結果
【技術分野】
【０００１】
本発明は、構造化文書を解析する技術に関するものである。
【背景技術】
【０００２】
インターネットの普及によって、様々な情報が得られるようになってきた。インターネットの利用方法のうちの一つにウェブコンテンツの閲覧が知られている。ウェブコンテンツはＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）文書や画像などからなり、ＨＴＭＬ文書で記述されたとおりに、テキストや画像をブラウザ上に表示するものである。
【０００３】
しかし、ウェブコンテンツはブラウザを使って利用されるだけでなく、音声ブラウザを始め様々なソフトウェアや装置を使って利用されている。様々なソフトウェアや装置、すなわち、様々なブラウザに対応できるように、ウェブコンテンツをデザインすることが求められている。
【０００４】
言い換えれば、ウェブコンテンツに対しアクセシビリティの確保が求められ、多くの研究が行われている（例えば、特許文献１参照）。２００４年のＪＩＳ（Ｊａｐａｎｅｓｅ Ｉｎｄｕｓｔｒｉａｌ Ｓｔａｎｄａｒｄ） Ｘ８３４１−３の制定以来、特に自治体等の公共向けサイトではウェブアクセシビリティに対応することが求められており、対応したサイトも増えている。アクセシビリティの観点から悪いデザインの部分を指摘し、修正を促すチェックツールが開発されている。
【０００５】
近年、スタイルシートの普及によって、ＨＴＭＬ文書の要素に頼らなくとも見栄えを自由にデザインできるようになってきた。本来、スタイルシートは誤ったＨＴＭＬの記述をなくすことが目的の仕組みであった。しかし、ＨＴＭＬ文書が適切に構造化されなくても、スタイルシートで外観の構造を制御できるようになってきた。
【特許文献１】特開２００５−５６１５１号公報（段落［００３５］〜［００３８］等）。
【発明の開示】
【発明が解決しようとする課題】
【０００６】
上述のように、様々なブラウザ等に対応するためには、ＨＴＭＬ文書（即ち、構造化文書）の構造を明確に記述することが必要である。特に、見出し部分をＨＴＭＬにおけるＨ要素（Ｈタグ、構造化要素のうちの一つであって構文的かつ明示的に見出し示すタグ）で記述することにより、音声ブラウザで読み上げても、見出しであることを伝えることができる。
【０００７】
ウェブコンテンツは視覚的に情報を伝えることを中心に発展してきた。そのため、外観上は見出しに見えるものの、ＨＴＭＬ文書には見出しを表わすＨ要素が無いものもある。これは、アクセシビリティの観点からは悪いデザインのＨＴＭＬ文書といえる。
【０００８】
ウェブコンテンツにＨ要素が適切に付与されてあれば、可視情報（見た目）以外で情報を表現するブラウザ、例えば、音声ブラウザでは、見出しの部分を判断し、効果音を鳴らすなどして、見出しであることを伝えることができる。しかし、Ｈ要素が適切に付与されてなければ、音声ブラウザでは、ＨＴＭＬ文書中のどこが見出しであるかを表現できないという問題があった。
【０００９】
また、ＨＴＭＬ文書の悪いデザインを抽出するチェックツールを使ってチェックできる項目は、主に、ＨＴＭＬ文書の文法チェックであった。すなわち、ＨＴＭＬ文書内を調べて、主に、不適当なＨＴＭＬ要素の有無を判定することであった。そのため、Ｈ要素が付与されていない箇所で、本来的な意味ではどこにＨ要素を付与すべき（即ち、見出しとなりうる箇所である）か、というチェックは、従来のチェックツールでは不可能であった。つまり、本来的意味の（あるいは、暗黙的な）見出しの部分を識別できず、さらに、従来のチェックツールでは、ＨＴＭＬ文書の意味的な文章構造に関する問題を抽出することはできないという問題があった。
【００１０】
本発明は、前記課題に基づいてなされたものであって、構造化文書を構成する文字の特徴に基づいて、意味的な文章構造を定義付け、該構造化文書から該文書構造を抽出する文書構造抽出装置，文書構造抽出方法及びその方法を実装した文書構造抽出プログラムを提供することにある。
【課題を解決するための手段】
【００１１】
前記課題の解決を図るために、請求項１記載の発明は、記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する文書構造抽出装置であって、文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積手段と、前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出手段と、抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出手段と、を備えることを特徴とする。
【００１２】
請求項２記載の発明は、請求項１に記載の発明において、前記情報蓄積手段が、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、前記文字特徴抽出手段が、見出しに関する文字の特徴を抽出する見出し特徴抽出手段を備え、前記文書構造抽出手段が、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して特定し抽出する見出し抽出手段を備える、ことを特徴とする。
【００１３】
請求項３記載の発明は、請求項２に記載の発明において、前記見出し特徴抽出手段が、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得する手段を備え、前記見出し抽出手段が、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して判定する手段を備える、ことを特徴とする。
【００１４】
請求項４記載の発明は、請求項１に記載の発明において、前記情報蓄積手段が、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、前記文字特徴抽出手段が、リストに関する文字の特徴を抽出するリスト特徴抽出手段を備え、前記文書構造抽出手段が、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出手段を備える、ことを特徴とする。
【００１５】
請求項５記載の発明は、記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する装置に使用される文書構造抽出方法であって、文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積ステップと、前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出ステップと、抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出ステップと、を有することを特徴とする。
【００１６】
請求項６記載の発明は、請求項５に記載の発明において、前記情報蓄積ステップが、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、前記文字特徴抽出ステップが、見出しに関する文字の特徴を抽出する見出し特徴抽出ステップを有し、前記文書構造抽出ステップが、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して判定する見出し抽出ステップを有する、ことを特徴とする。
【００１７】
請求項７記載の発明は、請求項６に記載の発明において、前記見出し特徴抽出ステップが、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得するステップを有し、前記見出し抽出ステップが、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して特定し抽出するステップを有する、ことを特徴とする。
【００１８】
請求項８記載の発明は、請求項５に記載の発明において、前記情報蓄積ステップが、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、前記文字特徴抽出ステップが、リストに関する文字の特徴を抽出するリスト特徴抽出ステップを有し、前記文書構造抽出ステップが、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出ステップを有する、ことを特徴とする。
【００１９】
請求項９記載の発明は、文書構造抽出プログラムであって、請求項５乃至８のいずれかに記載の文書構造抽出方法を、コンピュータで実行可能なコンピュータプログラムとして記述したことを特徴とする。
【００２０】
前記請求項１，５記載の発明は、文書構造を特定し判定する前記判定基準に基づいて、その文書構造を有する文章部分の有無が判明し、該文章部分を特定できる。
【００２１】
前記請求項２，６記載の発明は、見出しを特定し判定する前記判定基準に基づいて、その見出しを有する文章部分の有無が判明し、見出しを特定できる。
【００２２】
前記請求項３，７記載の発明は、文字に関する希少度を取得できる。
【００２３】
前記請求項４，８記載の発明は、リストを特定し判定する前記判定基準に基づいて、そのリストを有する文章部分の有無が判明し、リストを特定できる。
【００２４】
前記請求項９記載の発明は、請求項５乃至８のいずれかに記載の文書構造抽出方法をコンピュータプログラムとして記載できる。
【発明の効果】
【００２５】
以上示したように請求項１，５の発明によれば、構造化文書から特定の文書構造を抽出できる。
【００２６】
請求項２，６の発明によれば、構造化文書から見出しを抽出できる。
【００２７】
請求項３，７の発明によれば、希少度に基づいた判定を行うことができる。
【００２８】
請求項４，８の発明によれば、構造化文書からリストを抽出できる。
【００２９】
請求項９の発明によれば、請求項５乃至８のいずれかに記載の文書構造抽出方法を実装したコンピュータプログラムを提供できる。
【００３０】
これらを以ってコンテンツサービス技術分野に貢献できる。
【発明を実施するための最良の形態】
【００３１】
以下、本実施形態における文書構造抽出装置を図面等に基づいて詳細に説明する。
図１中の文書構造抽出装置１は、各部を制御する制御部１ａ，ウェブコンテンツを受信し解析結果を送信する送受信部（例えば、ＨＴＴＰ（ＨｙｐｅｒＴｅｘｔ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ）プロトコルを実装した構造化文書取得手段を有する送受信部）１ｂ，受信したウェブコンテンツを解析する情報解析部１ｃ，解析に関する情報を蓄積する情報蓄積部１ｄ，解析結果に基づいて情報を構成する情報構成部１ｅ，キーボード、マウス等の入力装置を有する情報入力部１ｆ，モニタやスピーカを有する情報出力部１ｇを備える。
【００３２】
また、図１の文書構造抽出装置１は、ネットワーク１００を介して、ウェブサーバ２と通信し、ウェブコンテンツ（即ち、ＨＴＭＬで構成されたウェブコンテンツ、あるいは、ＨＴＭＬ文書、あるいは、構造化文書）を受信し表示する。
【００３３】
なお、本実施形態における文書構造抽出装置をパーソナルコンピュータで実現することもできる。例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含む制御部１ａ，送受信部１ｂ，情報解析部１ｃ，ハードディスク装置やメモリなどの記憶装置を含む情報蓄積部１ｄ，情報構成部１ｅは、パーソナルコンピュータ本体に備えられても良い。また、本実施形態における文書構造抽出装置をブラウザ（例えば、インターネットブラウザ）の機能に含めても良い。本実施形態における文書構造抽出装置の処理で使用される情報（データ）は、予め備えられたハードディスク装置やメモリなどの記憶装置に記憶されても良い。
【００３４】
［実施例１］
実施例１は、文字の特徴に基づいて文書構造の一つである見出しを抽出する例である。
【００３５】
実施例１ではＨＴＭＬ文書の中の見出しを抽出する。まず、ＨＴＭＬ文書の中の文字を抽出する。以下の説明における文字はテキストで表現されているとは限らない。例えば、画像中に文字の図形情報を含む場合、その画像を文字の特徴のひとつとして扱うこととする。
【００３６】
ＨＴＭＬ文書の明示的な文書構造を構成するＨＴＭＬ要素（すなわち、タグ）は、二種類に大別される。それらは、ブロックレベル要素とインライン要素である。ブロックレベル要素とは、見出しを表すＨ要素、段落を表すｐ要素、リストを表すｏｌ要素やｕｌ要素、テーブルを表すｔａｂｌｅ要素などである。一般的にこれらの要素の前後は改行される。一方、インライン要素は文章の一部分として含まれる要素で、リンク要素、強調要素などである。
【００３７】
なお、以下の説明では、前記ブロックレベル要素が正しく使用されている、とは限らないため、改行を表すｂｒ要素でタグ付けされたときにも別の文章として扱う。
【００３８】
以上を考慮した、本実施例１における文章とその特徴の抽出手順を図２に基づいて説明する。なお、以下の説明で、図１中の符号と同じ符号のものの説明は省略する。
【００３９】
まず、キーボードなどの情報入力部１ｆからＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）を入力する（Ｓ１０１）。
【００４０】
続いて、制御部１ａを介し送受信部１ｂから、ネットワーク１００を介して、入力されたＵＲＬのウェブサーバ２と通信し、ウェブコンテンツを送受信部１ｂにて受信する（Ｓ１０２）。
【００４１】
続いて、受信したウェブコンテンツを情報蓄積部１ｄに記録する（Ｓ１０３）。
【００４２】
続いて、記録されたウェブコンテンツを情報解析部１ｃで解析し、文章とそれを構成する文字の特徴を抽出し、その結果を情報蓄積部１ｄに記録する（Ｓ１０４：文字特徴抽出）。
【００４３】
このときの抽出方法を以下に詳細に説明する。
【００４４】
まず、ＨＴＭＬ文書からタグを除いた部分を文章単位で抜き出す。なお、文章単位とは、前述したようにインライン要素である場合の他にも、ｂｒ要素などによって改行されているときには、改行の前後で別文章とみなして抽出する。その際、文章に付加されているタグから、文字の特徴を合わせて抽出する。
【００４５】
一般的に、外観で（目で見たときに）見出しであることを示すために、様々な工夫が施されている。例えば、見出しの次に本文があるとしたとき、見出しの文字が本文の文字よりも大きくなっているなどの方法がある。その他にも以下のような方法が考えられる。
（１）見出しと本文の文字の色が異なる。
（２）見出しと本文の文字のフォントが異なる。
（３）見出しが太字であり、本文の文字は太字ではない。
（４）見出しの部分のみ、文字の前にアイコンが付いている。
（５）見出しの部分のみ、文字が枠で囲まれている。
（６）見出しの部分のみ、周りの余白が広い。
（７）見出しと本文の文字の背景色が異なる。
（８）見出しと本文の文字の始まりの位置が異なる。
【００４６】
なお、文字の特徴とは、上記のようなものとして説明するが、これらに限るものではない。
【００４７】
また、上記の文字の特徴の表現方法としては、例えば、次のようなタグ付けされたものがある。
【００４８】
＜ｆｏｎｔ＝１２ｐｘ＞タイトル＜／ｆｏｎｔ＞
上述のようにタグ付けされた場合には、文字の大きさを１２ｐｘ（ｐｉｘｅｌ）として情報蓄積部１ｄに記録する。
【００４９】
また、文字の大きさを指定するために、スタイルシートが使われている場合もある。例えば、対象となる文字にクラスやＩＤ（Ｉｄｅｎｔｉｆｉｅｒ）でタグ付けして、そのクラスやＩＤに対応する表現方法をスタイルシートに記述する場合である。
【００５０】
その場合には、スタイルシートを参照して文字の特徴を記録する。こうして、情報蓄積部１ｄには図３中の解析データＴ１のようなデータが記録される。なお、解析データＴ１は、ウェブページ内の行番号を示す行番号フィールドＦ１１，判定結果フィールドＦ１２，Ｈ要素の有無フィールドＦ１３，文字列を含む文章フィールドＦ１４，文字の特徴フィールドＦ１５から構成される。さらに、前記文字の特徴フィールドＦ１５は、大きさフィールドＦ１５１，フォント種類フィールドＦ１５２，文字色フィールドＦ１５３，背景色フィールドＦ１５４，太字フィールドＦ１５５，文字表現フィールドＦ１５６から構成される。
【００５１】
本実施例１では、文字自体の特徴だけでなく、背景色も文字の特徴として記録する。例えば、図４に示すようなウェブページｗ１を解析すると図３のような結果となる。
【００５２】
また、文字の図形情報を含む画像中の該文字を認識する場合には、一般的な画像認識の技術を使って、文字を抽出する。なお、同じ画像の中は一つの文章として認識する。その文字の特徴についても、画像認識技術を使って認識するが、その際に、文字画像であるというのも大きな特徴となるので、その旨を図３中の解析データＴ１の文字表現フィールドＦ１５６のように記録する。
【００５３】
ここで、文字の特徴に基づいて、意味的に、その文字で構成された文（文字列）が見出しであるか否かを判定する（文書構造抽出）方法について説明する。
【００５４】
前記見出しであるか否かを判定する方法は、見出しを特定する絶対的な特徴（即ち、意味的に見出しを判定するための文字の特徴から成る判定基準）を、あらかじめ情報蓄積部１ｄに記録しておき、その基準によって判定する方法である。即ち、前記判定基準が文字の特徴に基づいて意味的な文章構造を定義付けるものである。
【００５５】
その際の判定基準の要素の一例が、図５中の判定基準表Ｔ２である。判定基準表Ｔ２に対象となる特徴フィールドＦ２１の「文字の大きさ」の基準として、予め定めることができる基準である絶対基準フィールドＦ２２が「１４ｐｘ以上」とあるため、解析データＴ１の１、２、４、７行目の文章が見出しとして判断される。この結果は解析データＴ１に追記され、図６の解析データＴ１Ａの判定結果フィールドＦ１２のように記録される。なお、判定結果フィールドＦ１２では、見出し以外のものを本文として記録している。
【００５６】
なお、判定基準表Ｔ２には判断基準が複数存在するが、これらの判断基準をすべて満たしたときに見出しと判断してもよいし、上記のように、最低ひとつの基準を満たしたときに見出しと判断してもよい。
【００５７】
また、判定基準となる特徴は、あらかじめ定まらない場合もある。例えば、文字の大きさが相対的に大きい場合や、文字の色が他と異なる場合である。このような場合には、相対的な基準に、文字の特徴の希少度を計算し、比較する。
【００５８】
この相対的な文字の特徴の希少度（即ち、文字の特徴が出現する度合い、出現頻度）に関する基準の例が、図７中の判定基準表Ｔ３である。判定基準表Ｔ３は、対象となる特徴フィールドＦ３１，相対基準の採用順位フィールドＦ３２から構成される。前記希少度は、各特徴（例えば、対象となる特徴フィールドＦ３１の「文字の大きさ」）に当てはまる文章の文字数を数える。以下では、文字の大きさを数えた例について説明する。
【００５９】
前記文字数を数えた結果が図８中の集計結果Ｔ４である。集計結果Ｔ４は、ウェブページ内の行番号を示す行番号フィールドＦ４１，文章を構成する文字数を示す文字数フィールドＦ４２，文章本体を示す文章フィールドＦ４３，文章を表示する際の文字の大きさを示す大きさフィールドＦ４４から構成される。また、それらを解析した結果が図９中の解析データＴ５である。解析データＴ５は、文字の大きさフィールドＦ５１，順位フィールドＦ５２，文字数フィールドＦ５３から構成される。判定基準表Ｔ４及び解析データＴ５において、最も文字数の多い１２ｐｘの文字以外は見出しと判定する。例えば、２０ｐｘの文章はＨ１要素（第一の見出し）、１６ｐｘの文字はＨ２要素（第二の見出し）などと判定できる。
【００６０】
また、文字の大きさ以外の特徴を合わせて判定する場合、矛盾が発生することが考えられるが、図７の判定基準表Ｔ３の相対基準の採用順位フィールドＦ３２における採用順位に従って、対象となる特徴フィールドＦ３１に関して、例えば、文字表現よりもフォントを、フォントよりも文字の大きさを基準として判定すればよい。
【００６１】
また、図１０中の判定基準表Ｔ６が、絶対的な基準（絶対基準フィールドＦ６２）と相対的な基準（相対基準フィールドＦ６３）とを組み合わせて使った例である。判定基準表Ｔ６は、対象となる特徴フィールドＦ６１，絶対基準フィールドＦ６２，相対基準フィールドＦ６３，基準の採用順位フィールドＦ６４から構成される。
【００６２】
ここで、図２中のステップＳ１０５に戻ると、見出しと判定された部分にＨ要素でタグ付けされているか否かをチェックする。すなわち、図６中の解析データＴ１において、見出しと判断された１，２，４，７行目にＨ要素が付与されているか否かを判定する。次に、図１１の解析データＴ１Ｂに示すような結果（Ｈ要素の有無フィールドＦ１３）を得て、その結果を情報蓄積部１ｄに記録しておく。
【００６３】
そして、情報構成部１ｅが、図１２中の符号ｗ２で示すように、Ｈ要素でタグ付けする必要がある箇所を示すように出力情報を構成し、該出力情報を情報出力部１ｇを介して表示する（Ｓ１０６）。
【００６４】
以上のように、本実施例１によれば、前記抽出された見出しに対して適切な処理を施すように促す（あるいは、警告する）チェックツールを構成できる。
【００６５】
［実施例２］
本実施例２は、文字の特徴に基づいて、意味的に文書構造の一つであるリスト（あるいは、リスト構造）を抽出し、抽出されたリスト情報をチェックツールではなく、ブラウザに応用した例である。
【００６６】
本実施例２の動作フローを図１３に基づいて説明する。なお、図１３中のステップＳ２０１〜Ｓ２０３は、図２中のステップＳ１０１〜Ｓ１０３と同じ動作のため、説明を省略する。以下では、図１３中のステップＳ２０４〜Ｓ２０８を説明する。
【００６７】
ステップＳ２０４では、ＨＴＭＬ文書の情報を解析する。なお、以下では、実施例１と同様に図４のウェブページの解析を一例として説明する。
【００６８】
図４中の解析データＴ１の最後の３行はリストと考えられる。リストの特徴は、例えば、リスト要素を構成する文字列の先頭に同じ印（即ち、リスト要素先頭文字）「・」が付与されていることである。また、インデントの位置が同じという特徴も有る。ここでは、これら２つの特徴を用いて、リストを判別する方法を説明する。ただし、リストの特徴は、これらの特徴に限るものではない。
【００６９】
また、図４のようなウェブページを表現するために、テーブル（或いは、テーブル構造）を使うことが広く知られている。テーブルでウェブページの外観（見た目）を制御しても、ＨＴＭＬ文書では適切なタグ付けされていない（例えば、Ｈ要素やｕｌ要素、ｏｌ要素などが使われていない）ということになるため、適切な文書構造を抽出するには問題となる。以下では、テーブルが使用されているウェブページの解析方法も説明する。
【００７０】
ステップＳ２０４は、図１４のようなＨＴＭＬ文書の構造ＨＴを解析する。構造ＨＴは、テーブルで区切られているので、テーブルのセルの中を文章として定義すると、例えば、１行１列目に「Ａ社サイト」、２行１列目は空欄、２行２列目には「企業理念」と記載されている。このようなテーブルによる構造を解析すると図１５中の解析データＴ７のようになる。解析データＴ７は、行番号フィールドＦ７１，文章フィールドＦ７２，文章が位置する行番号を示す行フィールドＦ７３，文章の先頭が位置する列番号を示す列フィールドＦ７４，対象要素の有無フィールドＦ７５，要素の種別フィールドＦ７６から構成される。
【００７１】
前記解析データＴ７の列フィールドＦ７４によってインデントの位置を解析できるため、８，９，１０行目はともに３，４列目にある文章となっており、同じインデントの位置であることがわかる。
【００７２】
次に、リスト要素の先頭に同じ印が付与されているか否かを判定する。例えば、その判定方法の一つは、リストである絶対的な特徴を、情報蓄積部１ｄにあらかじめ記録しておき、その特徴に基づく基準によって判定する方法である。
【００７３】
例えば、その基準とは、「・」、「○」、「●」などの印（リスト要素先頭文字）を情報蓄積部１ｄに記録しておくものである。また、数字で表されるリストはｏｌ要素で表されるため、数字である場合も判定できる。図１５中の解析データＴ７では、８，９，１０行目に、あらかじめ登録してあった「・」を構造ＨＴ中に発見したため、要素の種別フィールドＦ７６にその旨を記載されている。
【００７４】
ここで、「・」がリストの印（リスト要素先頭文字）であると判定できたため、その直後の文章、例えば、「サイトマップ」，「プライバシーポリシー」，「このサイトについて」の三つの文章をリスト要素で表されるべき文章であると判定できる。
【００７５】
また、サイト特有の画像などを使っている場合には、判定基準となる印は、あらかじめ決めた候補の中にない場合もある。このような場合には、構造ＨＴ中に複数表れる印を調べればよい。
【００７６】
文章を総当りで同じものか否かを判定するには、同じ印があるか否かを判別し、同じ印があれば、図１６中の解析データＴ７Ａの同じ要素の有無フィールドＦ７５のように設定する。
【００７７】
文章が画像である場合には、画像ファイル名が同じものか否かを判別すればよい。その画像ファイル名直後の文章（例えば、「サイトマップ」、「プライバシーポリシー」、「このサイトについて」の三つの文章）がリスト要素で表されるべき文章と判定できる。
【００７８】
また、実施例１のように、印をあらかじめ登録しておく方法と同じ印があるかを判別する方法を合わせて使ってもよい。
【００７９】
さて、図１３の説明に戻ると、ステップＳ２０５では、リストを表す印（リスト要素先頭文字）が数字であるか、「・」などの記号であるかを判別する。前記印が数字であれば、ステップＳ２０７へ進み、その印の直後の文章をｏｌ要素でタグ付けして、情報蓄積部１ｄに記録する。
【００８０】
ステップＳ２０５において、リストを表す印が数字でなければ、ステップＳ２０６へ進み、印の直後の文章をｕｌ要素でタグ付けして、情報蓄積部１ｄに記録する。
【００８１】
そして、ステップＳ２０８で、情報蓄積部１ｄからｏｌ要素またｕｌ要素でタグ付けされた文章をリストと見做し、それらの文章を音声ブラウザで読み上げる。
【００８２】
また、図１５の解析データＴ７、図１６の解析データＴ７Ａでは、文章の始まる位置、インデントの位置が、列フィールドＦ７４に列数で表されている。例えば、１行目の「Ａ社サイト」は１列目、２，４，７行目は２列目、３，５，８，９，１０行目は３列目、と設定されている。これらの列数を考慮し、最も下位の列にある文章を本文として、その他を見出しと判定することもできる。
【００８３】
さらに、階層を考慮すれば、図１７中の解析データＴ８のようにまとめられる。解析データＴ８は、行番号フィールドＦ８１，付与すべき要素フィールドＦ８２，文章フィールドＦ８３，行フィールドＦ８４，列フィールドＦ８５，同じ要素の有無フィールドＦ８６，要素の種別フィールドＦ８７から構成される。例えば、図１７の解析データＴ８の８，９，１０行目の文章構造は、８，９，１０行目の「・」を削除し、同じリスト群に属するので全体をｕｌ要素でタグ付けし、各行をｌｉ要素でタグ付けすればよい。
【００８４】
以上のように、本実施例２では、文書構造を把握した上で、ウェブページの外観（見た目）から推測される情報構造にＨＴＭＬ文書を改変し、記録して、その記録されたＨＴＭＬ文書を音声ブラウザで読み上げるという、文書構造を補って読み上げる音声ブラウザを構成できる。
【００８５】
なお、本実施形態の文書構造抽出装置における各手段の一部もしくは全部の機能をコンピュータのプログラムで構成し、そのプログラムをコンピュータを用いて実行して本発明を実現することができること、本実施形態の文書構造抽出方法における手順をコンピュータのプログラムで構成し、そのプログラムをコンピュータに実行させることができることは言うまでもない。
【００８６】
以上のように、本実施形態は、一般的なウェブコンテンツは見栄えのよさを主にデザインされているため、見出しの部分はいくつかの特徴を持ってデザインされていることが多いこと、に着目して、構成されている。
【００８７】
そのため、ウェブページの外観上、見出しに見える部分の有するＨＴＭＬ要素以外の特徴を抽出できれば、その特徴を持つ部分に対して、適切な警告（例えば、Ｈ要素を付与すべきであるという警告）を行うことができる。
【００８８】
本実施形態では、見出しを表わす部分の有する特徴をあらかじめ登録しておき、その特徴を持つ部分の有無を調べ、見出し部分を抽出できる。
【００８９】
以上、本発明の実施形態について説明したが、本発明は説明した実施形態に限定されるものでなく、各請求項に記載した範囲において各種の変形を行うことが可能である。
【００９０】
例えば、上述の実施例では、ＨＴＭＬ文書を対象にしたが、同じく構造化文書であるＸＭＬ（ｅＸｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）文書を対象にしても良い。
【図面の簡単な説明】
【００９１】
【図１】本実施形態における文書構造抽出装置の構成図。
【図２】実施形例１における文書構造抽出装置の動作を示すフローチャート。
【図３】ウェブコンテンツに関する解析データの例１を示す図。
【図４】ウェブページの一例を示す図。
【図５】判定基準表の例１を示す図。
【図６】ウェブコンテンツに関する解析データの例２を示す図。
【図７】判定基準表の例２を示す図。
【図８】特定の文字の大きさに当てはまる文章の文字数を数えた結果を示す図。
【図９】ウェブコンテンツに関する解析データの例３を示す図。
【図１０】判定基準表の例３を示す図。
【図１１】ウェブコンテンツに関する解析データの例４を示す図。
【図１２】Ｈ要素でタグ付けする必要がある箇所を表示した例を示す図。
【図１３】実施形例２における文書構造抽出装置の動作を示すフローチャート。
【図１４】文章におけるテーブルの一例を示す図。
【図１５】ウェブコンテンツに関する解析データの例５を示す図。
【図１６】ウェブコンテンツに関する解析データの例６を示す図。
【図１７】ウェブコンテンツに関する解析データの例７を示す図。
【符号の説明】
【００９２】
１…文書構造抽出装置
１ａ…制御部
１ｂ…送受信部
１ｃ…情報解析部
１ｄ…情報蓄積部
１ｅ…情報構成部
１ｆ…情報入力部
１ｇ…情報出力部
２…ウェブサーバ
１００…ネットワーク
Ｔ１，Ｔ１Ａ，Ｔ１Ｂ，Ｔ５，Ｔ７，Ｔ７Ａ，Ｔ８…解析データ
Ｆ１１…行番号フィールド
Ｆ１２…判定結果フィールド
Ｆ１３…Ｈ要素の有無フィールド
Ｆ１４…文章フィールド
Ｆ１５…文字の特徴フィールド
Ｆ１５１…大きさフィールド
Ｆ１５２…フォント種類フィールド
Ｆ１５３…文字色フィールド
Ｆ１５４…背景色フィールド
Ｆ１５５…太字フィールド
Ｆ１５６…文字表現フィールド
Ｆ２１…特徴フィールド
Ｆ２２…絶対基準フィールド
Ｆ３１…対象となる特徴フィールド
Ｆ３２…相対基準の採用順位フィールド
Ｆ４１…行番号フィールド
Ｆ４２…文字数フィールド
Ｆ４３…文章フィールド
Ｆ４４…大きさフィールド
Ｆ５１…文字の大きさフィールド
Ｆ５２…順位フィールド
Ｆ５３…文字数フィールド
Ｆ６１…対象となる特徴フィールド
Ｆ６２…絶対基準フィールド
Ｆ６３…相対基準フィールド
Ｆ６４…基準の採用順位フィールド
Ｆ７１…行番号フィールド
Ｆ７２…文章フィールド
Ｆ７３…行フィールド
Ｆ７４…列フィールド
Ｆ７５…対象要素の有無フィールド
Ｆ７６…要素の種別フィールド
Ｆ８１…行番号フィールド
Ｆ８２…付与すべき要素フィールド
Ｆ８３…文章フィールド
Ｆ８４…行フィールド
Ｆ８５…列フィールド
Ｆ８６…同じ要素の有無フィールド
Ｆ８７…要素の種別フィールド
ＨＴ…文書構造
ｗ１…ウェブページ
ｗ２…解析結果表示画面
Ｔ２，Ｔ３，Ｔ６…判定基準表
Ｔ４…集計結果
【特許請求の範囲】
【請求項１】
記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する文書構造抽出装置であって、
文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積手段と、
前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出手段と、
抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出手段と、
を備えることを特徴とする文書構造抽出装置。
【請求項２】
請求項１に記載の文書構造抽出装置において、
前記情報蓄積手段が、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、
前記文字特徴抽出手段が、見出しに関する文字の特徴を抽出する見出し特徴抽出手段を備え、
前記文書構造抽出手段が、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して特定し抽出する見出し抽出手段を備える、
ことを特徴とする文書構造抽出装置。
【請求項３】
請求項２に記載の文書構造抽出装置において、
前記見出し特徴抽出手段が、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得する手段を備え、
前記見出し抽出手段が、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して判定する手段を備える、
ことを特徴とする文書構造抽出装置。
【請求項４】
請求項１に記載の文書構造抽出装置において、
前記情報蓄積手段が、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、
前記文字特徴抽出手段が、リストに関する文字の特徴を抽出するリスト特徴抽出手段を備え、
前記文書構造抽出手段が、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出手段を備える、
ことを特徴とする文書構造抽出装置。
【請求項５】
記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する装置に使用される文書構造抽出方法であって、
文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積ステップと、
前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出ステップと、
抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出ステップと、
を有することを特徴とする文書構造抽出方法。
【請求項６】
請求項５に記載の文書構造抽出方法において、
前記情報蓄積ステップが、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、
前記文字特徴抽出ステップが、見出しに関する文字の特徴を抽出する見出し特徴抽出ステップを有し、
前記文書構造抽出ステップが、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して判定する見出し抽出ステップを有する、
ことを特徴とする文書構造抽出方法。
【請求項７】
請求項６に記載の文書構造抽出方法において、
前記見出し特徴抽出ステップが、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得するステップを有し、
前記見出し抽出ステップが、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して特定し抽出するステップを有する、
ことを特徴とする文書構造抽出方法。
【請求項８】
請求項５に記載の文書構造抽出方法において、
前記情報蓄積ステップが、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、
前記文字特徴抽出ステップが、リストに関する文字の特徴を抽出するリスト特徴抽出ステップを有し、
前記文書構造抽出ステップが、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出ステップを有する、
ことを特徴とする文書構造抽出方法。
【請求項９】
請求項５乃至８のいずれかに記載の文書構造抽出方法を、コンピュータで実行可能なコンピュータプログラムとして記述したことを特徴とする文書構造抽出プログラム。
【請求項１】
記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する文書構造抽出装置であって、
文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積手段と、
前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出手段と、
抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出手段と、
を備えることを特徴とする文書構造抽出装置。
【請求項２】
請求項１に記載の文書構造抽出装置において、
前記情報蓄積手段が、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、
前記文字特徴抽出手段が、見出しに関する文字の特徴を抽出する見出し特徴抽出手段を備え、
前記文書構造抽出手段が、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して特定し抽出する見出し抽出手段を備える、
ことを特徴とする文書構造抽出装置。
【請求項３】
請求項２に記載の文書構造抽出装置において、
前記見出し特徴抽出手段が、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得する手段を備え、
前記見出し抽出手段が、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して判定する手段を備える、
ことを特徴とする文書構造抽出装置。
【請求項４】
請求項１に記載の文書構造抽出装置において、
前記情報蓄積手段が、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶する手段を備え、
前記文字特徴抽出手段が、リストに関する文字の特徴を抽出するリスト特徴抽出手段を備え、
前記文書構造抽出手段が、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出手段を備える、
ことを特徴とする文書構造抽出装置。
【請求項５】
記憶装置，構造化文書取得手段を備え、該構造化文書取得手段から構造化文書を取得し、該構造化文書から文書構造を抽出する装置に使用される文書構造抽出方法であって、
文字の特徴に基づいて前記文書構造を特定し判定する判定基準を前記記憶装置に記憶する情報蓄積ステップと、
前記構造化文書を解析し、文章と該文章を構成する文字の特徴を抽出する文字特徴抽出ステップと、
抽出された文字の特徴を、前記判定基準に照合し判定して文書構造を特定し抽出する文書構造抽出ステップと、
を有することを特徴とする文書構造抽出方法。
【請求項６】
請求項５に記載の文書構造抽出方法において、
前記情報蓄積ステップが、文字の特徴に基づいて見出しを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、
前記文字特徴抽出ステップが、見出しに関する文字の特徴を抽出する見出し特徴抽出ステップを有し、
前記文書構造抽出ステップが、前記見出しに関する文字の特徴を、前記見出しを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章を見出しと見做して判定する見出し抽出ステップを有する、
ことを特徴とする文書構造抽出方法。
【請求項７】
請求項６に記載の文書構造抽出方法において、
前記見出し特徴抽出ステップが、前記構造化文書中に前記文字の特徴が出現する度合いを示す希少度を取得するステップを有し、
前記見出し抽出ステップが、取得した希少度に基づいて、前記文字で構成された文章を見出しと見做して特定し抽出するステップを有する、
ことを特徴とする文書構造抽出方法。
【請求項８】
請求項５に記載の文書構造抽出方法において、
前記情報蓄積ステップが、文字の特徴に基づいてリストを特定し判定する判定基準を前記記憶装置に記憶するステップを有し、
前記文字特徴抽出ステップが、リストに関する文字の特徴を抽出するリスト特徴抽出ステップを有し、
前記文書構造抽出ステップが、前記リストに関する文字の特徴を、前記リストを特定する要素を判定する判定基準に照合し判定して、その文字の特徴を有する文字で構成された文章をリストと見做して特定し抽出するリスト抽出ステップを有する、
ことを特徴とする文書構造抽出方法。
【請求項９】
請求項５乃至８のいずれかに記載の文書構造抽出方法を、コンピュータで実行可能なコンピュータプログラムとして記述したことを特徴とする文書構造抽出プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【公開番号】特開２００８−１２９８９４（Ｐ２００８−１２９８９４Ａ）
【公開日】平成２０年６月５日（２００８．６．５）
【国際特許分類】
【出願番号】特願２００６−３１４９７８（Ｐ２００６−３１４９７８）
【出願日】平成１８年１１月２２日（２００６．１１．２２）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
【公開日】平成２０年６月５日（２００８．６．５）
【国際特許分類】
【出願日】平成１８年１１月２２日（２００６．１１．２２）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
[ Back to top ]