構造化文書処理装置、構造化文書処理方法、構造化文書処理システム、および、コンピュータ・プログラム
【課題】ある構造化文書に含まれる例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をより向上させる例示部分を取得可能な構造化文書処理装置を提供すること。
【解決手段】構造化文書を構成する各部分を選択可能に表示する構造化文書表示部１１と、そのような部分のうち例示部分として選択された選択部分を取得する選択部分取得部１２と、構造化文書を構成する任意の部分が、類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部１３と、構造化文書を構成する部分のうち、前記選択部分に対して表示領域における視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部１４と、有用性条件を満たさないと判断される選択部分の代わりに、有用性条件を満たすと判断される視覚的特徴類似部分を例示部分として出力する例示部分出力部１５とを備える。
【解決手段】構造化文書を構成する各部分を選択可能に表示する構造化文書表示部１１と、そのような部分のうち例示部分として選択された選択部分を取得する選択部分取得部１２と、構造化文書を構成する任意の部分が、類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部１３と、構造化文書を構成する部分のうち、前記選択部分に対して表示領域における視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部１４と、有用性条件を満たさないと判断される選択部分の代わりに、有用性条件を満たすと判断される視覚的特徴類似部分を例示部分として出力する例示部分出力部１５とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、構造化文書を処理する構造化文書処理装置、構造化文書処理システム、構造化文書処理方法、および、コンピュータ・プログラムに関する。
【背景技術】
【０００２】
文書の内容を構造化し、構造を表す情報とともに文書の内容を格納した構造化文書が知られている。例えば、構造化文書の構造は、マークアップ言語によって記述される。構造化文書の構造を記述する代表的なマークアップ言語としては、ＸＭＬ言語（Extensible Markup Language）やＨＴＭＬ言語（Hyper Text Markup Language）等が普及している。
【０００３】
このような構造化文書の集合に対して、類似構造を有する構造化文書を特定する構造化文書処理装置の一例が、特許文献１に記載されている。この特許文献１に記載された構造化文書処理装置は、構造化文書の集合から、所定の長さの文字列を全て抽出してその出現頻度をカウントし、出現頻度が所定の割合以上の文字列を高頻出文字列とする。特許文献１では、このようにして特定された高頻出文字列は、構造化文書における構造を表す情報である傾向が強いとみなされる。そして、この構造化文書処理装置は、各構造化文書において、高頻出文字列に該当する部分の文字数である高頻度文字数をカウントする。高頻出文字列が構造を表す情報であれば、類似構造を有する各構造化文書の高頻度文字数は、ほぼ等しくなると考えられる。そこで、この構造化文書処理装置は、各構造化文書の高頻度文字数に基づいて、構造化文書の集合を複数のクラスタに分割する。なお、この構造化文書処理装置は、含まれる構造化文書数が少ないクラスタをノイズクラスタとして除去する。
【０００４】
ところで、このような類似構造を有する構造化文書を特定する構造化文書処理装置において、ある構造化文書の一部分である例示部分に類似する部分構造を有する部分を、他の構造化文書において特定することが考えられる。このような構造化文書処理装置では、例示部分が、類似構造の判定に有用な情報を含んでいることが重要となる。
【０００５】
このような例示部分を抽出する構造化文書処理装置の一例が、特許文献２に記載されている。この特許文献２に記載された構造化文書処理装置は、ある構造化文書において指定された部分に基づいて、例示部分を抽出する。具体的には、この構造化文書処理装置は、指定された部分の始点より前で、かつ、始点から最も近くに記述されている所定の種類のタグを始点タグとして抽出する。また、この構造化文書処理装置は、指定された部分の終点より後で、かつ、終点から最も近くに記述されている所定の種類のタグを終点タグとして抽出する。そして、この構造化文書処理装置は、始点タグおよび終点タグの組合せを、例示部分に類似する部分を他の構造化文書において抽出するための抽出条件として生成する。ここで、この構造化文書処理装置は、所定の種類のタグとして、出現頻度の低いタグを採用することにより、始点タグおよび終点タグの組合せの、抽出条件としての有用性を高くしている。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００４−３１０３６０号公報
【特許文献２】特開２０１０−２３８１２５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、特許文献１には、構造化文書の一部分を類似構造の判定対象とする場合の動作については記載されていない。また、特許文献１に記載された高頻度文字数に基づく類似構造判定処理を、構造化文書の一部分に適用した場合であっても、構造化文書の一部分として指定される例示部分に、類似構造判定に有用となる情報が適切に含まれないことがある場合の動作については記載されていない。例えば、例示部分に、本来対象としたい部分との関連が薄い部分までが含まれるケースや、本来対象としたい部分の特徴的な構造を表す情報を除いたテキスト情報などだけが含まれるようなケースがあると考えられる。このような場合、特許文献１に記載された構造化文書処理装置は、類似構造の判定精度を低下させるという問題が生じる。
【０００８】
また、特許文献２に記載された構造化文書処理装置は、指定された部分を含み、出現頻度の低い所定の種類のタグに挟まれた部分を例示部分として抽出する。しかしながら、そのような出現頻度の低いタグは、必ずしも構造化文書に含まれているとは限らない。したがって、この構造化文書処理装置は、そのような出現頻度の低いタグを抽出できないこともあると考えられる。この場合、この構造化文書処理装置は、有用な例示部分を抽出できないことになる。また、この構造化文書処理装置は、元の指定部分に、類似構造判定に有用な情報が既に含まれていた場合であっても、さらに広範囲を例示部分として抽出することになる。このような場合、この構造化文書処理装置が抽出する例示部分は、本来対象としたい部分との関連が薄い部分までを含んでしまう可能性がある。また、この構造化文書処理装置は、元の指定部分に、類似構造判定に有用な情報が含まれていなかった場合には、類似構造判定に有用な情報を含む例示部分を抽出することができるかもしれない。しかしながら、この構造化文書処理装置が抽出する所定種類のタグは、出現頻度の低いものであるため、指定された部分から遠く離れている可能性が高い。そのような場合、この構造化文書処理装置が抽出する例示部分は、粒度の粗いものとなり、本来対象としたい部分との関連性が薄い部分までを含んでしまう可能性がある。
【０００９】
このように、特許文献１および特許文献２に記載されたものは、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定において有用な例示部分を精度よく取得することができない。
【００１０】
本発明は、上述の課題を解決するためになされたもので、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をより向上させる例示部分を取得することができる構造化文書処理装置を提供することを目的とする。
【課題を解決するための手段】
【００１１】
本発明の構造化文書処理装置は、構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示部と、前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得部と、前記構造化文書を構成する任意の部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部と、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部と、前記有用性判断部によって前記選択部分が前記有用性条件を満たさないと判断される場合、前記視覚的特徴類似部分抽出部によって抽出される前記視覚的特徴類似部分のうち、前記有用性判断部によって前記有用性条件を満たすと判断される部分を、前記選択部分の代わりに前記例示部分として出力する例示部分出力部と、を備える。
【００１２】
また、本発明の構造化文書処理システムは、前記構造化文書処理装置と、前記構造化文書処理装置から出力された例示部分に類似する部分構造を有する部分を他の構造化文書において特定する類似構造判定装置と、を備える。
【００１３】
また、本発明の構造化文書処理方法は、構造化文書を構成する各部分を選択可能に表示領域に表示し、前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得し、前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断し、前記選択部分が前記有用性条件を満たさない場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出し、前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する。
【００１４】
また、本発明のコンピュータ・プログラムは、構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示ステップと、前記構造化文書を構成する部分のうち、構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得ステップと、前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断ステップと、前記選択部分が前記有用性条件を満たさないと判断される場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出ステップと、前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する例示部分出力ステップと、をコンピュータ装置に実行させる。
【発明の効果】
【００１５】
本発明は、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をより向上させる例示部分を取得することができる構造化文書処理装置を提供することができる。
【図面の簡単な説明】
【００１６】
【図１】本発明の第１の実施の形態としての構造化文書処理システムの構成を示すブロック図である。
【図２】本発明の第１の実施の形態としての構造化文書処理装置のハードウェア構成図である。
【図３】本発明の第１の実施の形態としての構造化文書処理装置の機能ブロック図である。
【図４】本発明の第１の実施の形態としての構造化文書処理装置の動作を説明するフローチャートである。
【図５】本発明の第２の実施の形態としての構造化文書処理装置の機能ブロック図である。
【図６】本発明の第２の実施の形態としての構造化文書処理装置の動作を説明するフローチャートである。
【図７】本発明の第３の実施の形態としての構造化文書処理装置の構成を説明するブロック図である。
【図８】本発明の第３の実施の形態におけるクリッピング開発サイトを構成するＨＴＭＬ文書の一例を示す図である。
【図９】本発明の第３の実施の形態においてクリッピング対象のウェブサイトを構成するＨＴＭＬ文書の一例を示す図である。
【図１０】（ａ）、（ｂ）および（ｃ）は、本発明の第３の実施の形態において構造化文書表示部によって表示される表示領域の一例を示す図である。
【図１１】本発明の第４の実施の形態としての構造化文書処理装置の機能ブロック図である。
【図１２】本発明の第４の実施の形態において例示部分保持部によって保持される情報の一例を説明する図である。
【図１３】本発明の第４の実施の形態としての構造化文書処理装置の動作を説明するフローチャートである。
【図１４】本発明の第４の実施の形態としての構造化文書処理装置の構成を説明するブロック図である。
【発明を実施するための形態】
【００１７】
以下、本発明の実施の形態について、図面を参照して詳細に説明する。
【００１８】
（第１の実施の形態）
本発明の第１の実施の形態としての構造化文書処理システム１の構成を図１に示す。図１において、構造化文書処理システム１は、構造化文書処理装置１０と、類似構造判定装置９０とを備える。構造化文書処理装置１０は、構造化文書の一部分の類似構造判定の対象となる例示部分を取得し、類似構造判定装置９０に出力する装置である。類似構造判定装置９０は、構造化文書処理装置１０から出力された例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する装置である。構造化文書処理装置１０および類似構造判定装置９０は、互いに通信可能に接続されている。
【００１９】
なお、構造化文書は、文字データ、画像情報を含む文書データであり、たとえばマークアップ言語で記述された文書データや、その他の形式のデータ構造を有する文書データでも良い。
【００２０】
次に、構造化文書処理装置１０のハードウェア構成を図２に示す。図２において、構造化文書処理装置１０は、ＣＰＵ（Central Processing Unit）１００１と、ＲＡＭ（Random Access Memory）１００２と、ＲＯＭ（Read Only Memory）１００３と、ハードディスク等の記憶装置１００４と、表示装置１００５と、入力装置１００６と、ネットワークインタフェース１００７とを備えたコンピュータ装置によって構成されている。
【００２１】
ＲＯＭ１００３および記憶装置１００４には、コンピュータ装置を本実施の形態としての構造化文書処理装置１０として機能させるためのコンピュータ・プログラムおよび各種データが記憶されている。
【００２２】
ＣＰＵ１００１は、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行する。
【００２３】
表示装置１００５は、液晶ディスプレイ等によって構成され、ＣＰＵ１００１の制御にしたがって各種情報を表示領域に表示する。
【００２４】
入力装置１００６は、マウスやキーボードによって構成され、ＣＰＵ１００１の制御にしたがって各種の入力情報を取得する。
【００２５】
ネットワークインタフェース１００７は、ＣＰＵ１００１の制御にしたがって、ネットワークを介して情報を送受信する。
【００２６】
類似構造判定装置９０は、ＣＰＵ、ＲＡＭ、ＲＯＭ、記憶装置、および、ネットワークインタフェースを少なくとも備えるコンピュータ装置によって構成される。類似構造判定装置９０を構成するコンピュータ装置のＲＯＭおよび記憶装置には、コンピュータ装置を本実施の形態における類似構造判定装置９０として機能させるためのコンピュータ・プログラムおよび各種データが記憶されている。このコンピュータ・プログラムとしては、構造化文書の一部分の類似構造を判定する一般的な技術を適用したものが記憶される。ＣＰＵは、記憶装置からこのコンピュータ・プログラムおよび各種データをＲＡＭに読み込んで実行する。
【００２７】
なお、構造化文書処理装置１０および類似構造判定装置９０は、互いに通信可能に接続される代わりに、同一のコンピュータ装置によって構成されていてもよい。
【００２８】
次に、構造化文書処理装置１０の機能ブロック構成を図３に示す。図３において、構造化文書処理装置１０は、構造化文書表示部１１と、選択部分取得部１２と、有用性判断部１３と、視覚的特徴類似部分抽出部１４と、例示部分出力部１５と、を有する。ここで、構造化文書表示部１１は、表示装置１００５と、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１とによって構成される。また、選択部分取得部１２は、入力装置１００６と、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１とによって構成される。また、有用性判断部１３および視覚的特徴類似部分抽出部１４は、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１によって構成される。また、例示部分出力部１５は、ネットワークインタフェース１００７と、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１とによって構成される。なお、構造化文書処理装置１０の各機能ブロックを構成するハードウェア構成は、上述の構成に限定されない。
【００２９】
構造化文書表示部１１は、構造化文書を、表示装置１００５の表示領域に表示する。具体的には、構造化文書表示部１１は、対象の構造化文書を解析することにより、その構造および内容に応じてレンダリングした画像を、表示装置１００５の表示領域に表示する。
【００３０】
また、構造化文書表示部１１は、構造化文書を表示する際に、その構造を構成する各部分を選択可能に表示する。構造化文書を構成する各部分とは、例えば、構造化文書がＨＴＭＬ文書またはＸＭＬ文書であれば、その文書をＤＯＭ（Document Object Model）に基づくツリー構造で表現した際の各要素であってもよい。また、選択可能な表示例について説明する。例えば、構造化文書表示部１１は、対象の構造化文書をレンダリングした画像において、その構造を構成する各部分の領域をあらかじめ算出しておく。そして、構造化文書表示部１１は、入力装置１００６としてのマウスの操作に基づくマウスオーバを検知した部分の領域の背景色を変化させてもよい。さらに、選択部分取得部１２は、背景色を変化させた領域における右クリックの検知に応じて、該当する部分を例示部分として選択するか否かを問うメニューを表示するようにしてもよい。
【００３１】
選択部分取得部１２は、構造化文書表示部１１によって表示された構造化文書において、例えば入力装置１００６の選択操作により例示部分として選択された選択部分を取得する。例えば、構造化文書がＨＴＭＬ文書またはＸＭＬ文書であれば、選択部分取得部１２は、その文書をＤＯＭに基づくツリー構造で表現した際のいずれかの要素を選択するようにしてもよい。また、選択部分取得部１２は、選択部分を表す情報を、有用性判断部１３と、視覚的特徴類似部分抽出部１４と、例示部分出力部１５とに出力する。ここで、選択部分取得部１２が出力する選択部分を表す情報は、選択部分の文書データそのものであってもよいし、構造化文書の構造においてその選択部分を一意に識別可能な情報であってもよい。
【００３２】
有用性判断部１３は、構造化文書を構成する任意の部分が、構造化文書の一部分の類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する。ここで、有用性が判断される任意の部分は、選択部分取得部１２で例示部分として選択された選択部分でも、後述の視覚的特徴類似部分抽出部１４で抽出される視覚的特徴類似部分でもよい。また、類似構造判定において有用であることを示す有用性条件は、例えば、任意の部分が、その構造化文書内で識別性を有することであってもよい。これは、ある構造化文書においてある部分が有する識別性は、その識別性に基づき同様に識別される他の部分に対して、類似構造を有するか否かの判定要因になり得るからである。
【００３３】
例えば、Ｗ３Ｃ（World Wide Web Consortium）勧告のHTML 4.01 Specificationでは、要素の属性として設定され得るｉｄ属性は、その構造化文書内においてユニークな属性値を持つよう規定されている。したがって、このようなＷ３Ｃ勧告にしたがって記述された構造化文書において、ｉｄ属性が設定されている要素は、その構造化文書における識別性を有するものとみなすことができる。そこで、有用性判断部１３は、構造化文書における任意の部分が、ｉｄ属性が設定された要素である場合には、その部分は、類似構造判定における有用性条件を満たすと判断してもよい。また、有用性判断部１３は、ｉｄ属性に限らず、ユニークな属性値を持つよう規定されたその他の属性を有する部分を、有用性条件を満たす部分と判断してもよい。
【００３４】
また、例えば、上述のＷ３Ｃ勧告において、要素の属性として設定され得るｃｌａｓｓ属性は、要素にクラスを割り当てるものとして規定されている。すなわち、１つの構造化文書内に、同一のクラス属性値が割り当てられた要素は１つ以上存在し得る。また、１つの要素に、複数のクラス属性値が割り当てられてもよいと規定されている。したがって、このようなＷ３Ｃ勧告にしたがって記述された構造化文書において、同一のｃｌａｓｓ属性値の出現回数が少ない要素は、その構造化文書における識別性が高いとみなすことができる。そこで、有用性判断部１３は、構造化文書における任意の部分が、ｃｌａｓｓ属性が設定された要素であり、かつ、その構造化文書においてそのｃｌａｓｓ属性値の出現回数が閾値以下であれば、その部分は、類似構造判定における有用性条件を満たすと判断してもよい。また、有用性判断部１３は、ｃｌａｓｓ属性に限らず、同一の属性値の出現回数が閾値以下の他の属性を有する部分を、有用性条件を満たす部分と判断してもよい。
【００３５】
なお、有用性判断部１３が用いる有用性条件は、上述の例に限らない。例えば、有用性判断部１３は、要素の属性および要素のツリー構造における位置関係を組み合わせた有用性条件を用いてもよい。例えば、有用性判断部１３は、ｉｄ属性を有する要素よりも上にあり、ｃｌａｓｓ属性を有する要素よりも下にある要素であることを、有用性条件としてもよい。なお、ここで、「上にある」とは、ツリー構造においてよりルートに近いことを表し、「下にある」とは、ツリー構造においてより末端のノードに近いことを表すものとする。その他、例えば、有用性判断部１３は、要素の視覚的属性に設定された属性値の出現回数が閾値以下であることや、イベント属性の属性値として設定された関数の出現回数が閾値以下であることを、有用性条件としてもよい。
【００３６】
視覚的特徴類似部分抽出部１４は、構造化文書を構成する部分のうち、選択部分取得部１２において例示部分として入力された選択部分に対して、表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する。ここで、類似構造判定対象として適切な例示部分に対して視覚的特徴が類似する部分は、利用者により例示部分として誤選択される可能性がある。したがって、適切な例示部分は、選択部分ではなく視覚的特徴類似部分である可能性がある。なお、視覚的特徴類似部分抽出部１４は、複数の視覚的特徴類似部分を抽出してもよい。
【００３７】
ここで、視覚的特徴とは、例えば、表示領域における選択部分の領域の表示位置であってもよい。もし、選択部分の領域が矩形であれば、視覚的特徴類似部分抽出部１４は、構造化文書を構成する部分のうち、選択部分の領域の左上の座標との距離が閾値以下の距離に左上の頂点が位置する矩形の領域に対応する部分を、視覚的特徴類似部分として抽出してもよい。
【００３８】
また、例えば、視覚的特徴類似部分抽出部１４は、視覚的特徴として、表示領域における選択部分の領域の表示上の大きさをさらに用いてもよい。この場合、視覚的特徴類似部分抽出部１４は、選択部分の領域の表示位置との距離が閾値以下の表示位置に表示される領域であって、かつ、その表示上の大きさの選択部分に対する差分が閾値以下である部分を、視覚的特徴類似部分として抽出する。なお、領域の形状が矩形であれば、表示上の大きさの差分は、幅および高さの各差分であってもよい。あるいは、表示上の大きさの差分は、領域の面積の差分であってもよい。
【００３９】
なお、視覚的特徴類似部分抽出部１４が視覚的特徴類似部分の抽出に用いる視覚的特徴は、上述の表示位置や表示上の大きさに限らない。例えば、視覚的特徴類似部分抽出部１４は、選択部分に設定されたフォントサイズ、フォント色、背景色、背景イメージ等の視覚的特徴に基づく条件を用いて、視覚的特徴類似部分を抽出してもよい。例えば、ＨＴＭＬ文書では、このような視覚的特徴がｓｔｙｌｅ属性によって指定されることが多い。そこで、視覚的特徴類似部分抽出部１４は、選択部分と同一のｓｔｙｌｅ属性値が設定された要素を視覚的特徴類似部分として抽出してもよい。
【００４０】
例示部分出力部１５は、選択部分または視覚的特徴類似部分を、類似構造判定の例示部分（適切な例示部分）として類似構造判定装置９０に出力する。具体的には、有用性判断部１３によって選択部分が有用性条件を満たすと判断された場合は、選択部分を例示部分として出力する。一方、例示部分出力部１５は、選択部分が有用性条件を満たさないと判断された場合、視覚的特徴類似部分抽出部１４によって抽出される視覚的特徴類似部分のうち、有用性判断部１３によって有用性条件を満たすと判断された部分を、例示部分として出力する。
【００４１】
以上のように構成された構造化文書処理装置１０の動作について、図４を参照して説明する。
【００４２】
まず、構造化文書表示部１１は、任意の構造化文書を、その構造を構成する各部分を選択可能に表示領域に表示する（ステップＳ１）。例えば、構造化文書表示部１１は、この任意の構造化文書を構成する各部分に対応する領域をマウスオーバに応じてハイライトさせ、右クリックに応じて選択可否を問うメニューを表示してもよい。また、この任意の構造化文書は、コンピュータ装置の記憶装置１００４にあらかじめ記憶された構造化文書のうち、利用者により入力装置１００６を介して指定されたものであってもよい。あるいは、この任意の構造化文書は、利用者により入力装置１００６を介して指定されたＵＲＬ（Uniform Resource Locator）から、ネットワークインタフェース１００７を介して取得されたものであってもよい。
【００４３】
次に、選択部分取得部１２は、表示領域に表示された構造化文書を構成する部分のうち、利用者によって入力装置１００６を用いて指定される選択部分を取得する（ステップＳ２）。例えば、選択部分取得部１２は、上述の右クリックで表示されたメニューにおいて「選択」との選択肢が選択されたことを検知すると、その領域に対応する部分を選択部分として取得するようにしてもよい。
【００４４】
次に、有用性判断部１３は、ステップＳ２で取得された選択部分が、類似構造判定における有用性があることを表す有用性条件を満たすか否かを判断する（ステップＳ３）。このとき、前述のように、構造化文書における識別性に基づき有用性を判断する場合は、有用性判断部１３は、ステップＳ１で表示した構造化文書全体の情報も用いて、選択部分が識別性を有するか否かを判断する。
【００４５】
ここで、有用性条件を満たすと判断された場合、例示部分出力部１５は、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する（ステップＳ４）。このとき、利用者に対するわかりやすさのために、例示部分出力部１５は、選択部分を例示部分として出力したことを表す情報を、表示装置１００５に表示してもよい。そして、構造化文書処理装置１０は、動作を終了する。
【００４６】
一方、ステップＳ３において、有用性条件を満たさないと判断された場合、視覚的特徴類似部分抽出部１４は、選択部分に対する視覚的特徴類似部分を抽出する（ステップＳ５）。このとき、視覚的特徴類似部分抽出部１４は、ステップＳ１で表示した構造化文書全体から、視覚的特徴類似部分を抽出する。
【００４７】
次に、例示部分出力部１５は、ステップＳ５において、視覚的特徴類似部分が抽出されたか否かを判断する（ステップＳ６）。
【００４８】
ここで、視覚的特徴類似部分が抽出されていないと判断された場合、例示部分出力部１５は、ステップＳ４を実行し、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する。
【００４９】
一方、ステップＳ６において、視覚的特徴類似部分が抽出されたと判断された場合、有用性判断部１３は、視覚的特徴類似部分が有用性条件を満たすか否かを判断する（ステップＳ７）。
【００５０】
ここで、有用性があると判断された場合、例示部分出力部１５は、視覚的特徴類似部分を、類似構造判定の例示部分として類似構造判定装置９０に出力する（ステップＳ８）。
【００５１】
一方、ステップＳ７において、視覚的特徴類似部分が有用性条件を満たさないと判断された場合、例示部分出力部１５は、ステップＳ４を実行し、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として類似構造判定装置９０に出力する。
【００５２】
以上で、構造化文書処理装置１０は動作を終了する。
【００５３】
そして、類似構造判定装置９０は、ステップＳ４またはステップＳ８において出力された例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する。
【００５４】
なお、ステップＳ５において、複数の視覚的特徴類似部分が抽出された場合、ステップＳ７において有用性判断部１３は、各視覚的特徴類似部分について有用性条件を満たすか否か判断すればよい。また、この場合、ステップＳ８において、例示部分出力部１５は、有用性条件を満たすいずれかの視覚的特徴類似部分を出力すればよい。
【００５５】
次に、本発明の第１の実施の形態の効果について述べる。
【００５６】
本発明の第１の実施の形態としての構造化文書処理装置は、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をより向上させる例示部分を取得することができる。
【００５７】
その理由は、有用性判断部が、利用者により選択される選択部分の類似構造判定における有用性を判断し、有用性がないと判断された場合は、視覚的特徴類似部分抽出部が、選択部分に対して視覚的特徴が類似する視覚的特徴類似部分を抽出するからである。そして、視覚的特徴類似部分に前述の有用性があると判断されれば、例示部分出力部が、利用者により選択された選択部分の代わりに視覚的特徴類似部分を、例示部分として出力するからである。これにより、本実施の形態としての構造化文書処理装置は、類似構造判定対象として適切な例示部分に視覚的特徴が類似している部分が誤って選択されてしまったケースに対応できる。このような場合、間違えて選択された選択部分には、類似構造判定上有用となる情報が含まれないことが多い。そのような場合であっても、本実施の形態としての構造化文書処理装置は、選択部分に視覚的特徴が類似する部分のうち、類似構造判定の上で有用性があると判断される部分を、選択部分の代わりに例示部分として出力することになる。このように、本実施の形態としての構造化文書処理装置は、例示部分として指定された部分が類似構造判定において有用であるか否かをチェックし、有用でない場合は、その指定された部分に視覚的特徴が類似する部分のうち有用である部分を用いて、指定された部分を置き換える。これにより、本実施の形態としての構造化文書処理装置は、類似構造判定精度をより向上させる例示部分を出力することができる。
【００５８】
また、本発明の第１の実施の形態としての構造化文書処理システムは、構造化文書の一部分を対象とした類似構造判定精度を向上させることができる。
【００５９】
その理由は、本発明の第１の実施の形態としての構造化文書処理装置によって取得される、類似構造判定の上で有用性があると判断された例示部分を用いて類似構造判定処理を行うからである。
【００６０】
（第２の実施の形態）
次に、本発明の第２の実施の形態について、図面を参照して説明する。本発明の第２の実施の形態としての構造化文書処理システム２は、本発明の第１の実施の形態としての構造化文書処理システム１に対して、構造化文書処理装置１０に替えて構造化文書処理装置２０を備える点が異なる。
【００６１】
本発明の第２の実施の形態としての構造化文書処理装置２０の機能ブロック構成を図５に示す。なお、構造化文書処理装置２０のハードウェア構成については、本発明の第１の実施の形態としての構造化文書処理装置１０を構成するコンピュータ装置と同様なコンピュータ装置によって構成されるため、本実施の形態における詳細な説明を省略する。
【００６２】
図５において、構造化文書処理装置２０は、本発明の第１の実施の形態としての構造化文書処理装置１０に対して、構造化文書表示部１１に替えて構造化文書表示部２１と、選択部分取得部１２に替えて選択部分取得部２２と、例示部分出力部１５に替えて例示部分出力部２５とを備える点が異なる。
【００６３】
構造化文書表示部２１は、本発明の第１の実施の形態における構造化文書表示部１１と同様に構成されることに加えて、次のように構成される。構造化文書表示部２１は、選択部分取得部２２によって取得された選択部分が有用性条件を満たさない場合に、その選択部分、および、有用性条件を満たす視覚的特徴類似部分をそれぞれ選択可能に表示する。例えば、構造化文書表示部２１は、表示中の構造化文書において、有用性条件を満たさないと判断された選択部分の領域の背景色と、有用性条件を満たすと判断された視覚的特徴類似部分の領域の背景色とを、他の領域と異なる各色にそれぞれ変化させてもよい。例えば、構造化文書表示部２１は、有用性条件を満たさないと判断された選択部分の領域の背景色を赤色に変化させ、有用性条件を満たすと判断された視覚的特徴類似部分の領域の背景色を青色に変化させてもよい。これにより、構造化文書表示部２１は、各領域がクリック操作により選択可能であることを認識可能に表示することができる。
【００６４】
選択部分取得部２２は、本発明の第１の実施の形態における選択部分取得部１２と同様に構成されることに加えて、選択部分および視覚的特徴類似部分のいずれが選択されたかを判断する。例えば、選択部分取得部２２は、有用性条件を満たさない選択部分の領域、および、有用性条件を満たす視覚的特徴類似部分の領域のいずれかに対するクリック操作を検知すると、検知した領域に対応する部分が選択されたと判断してもよい。
【００６５】
例示部分出力部２５は、有用性判断部１３によって選択部分が有用性条件を満たさないと判断された場合で、視覚的特徴類似部分の少なくとも１つが有用性条件を満たすと判断された場合には、選択部分取得部２２による判断にしたがって、選択部分および視覚的特徴類似部分のいずれかを例示部分として出力する。
【００６６】
以上のように構成された構造化文書処理装置２０の動作について、図６を参照して説明する。
【００６７】
まず、構造化文書処理装置２０は、ステップＳ１〜Ｓ７まで、本発明の第１の実施の形態としての構造化文書処理装置１０と同様に動作する。
【００６８】
ステップＳ７において、視覚的特徴類似部分に有用性が有ると判断された場合、構造化文書表示部２１は、ステップＳ１で選択された選択部分、および、ステップＳ７で有用性が有ると判断された視覚的特徴類似部分のそれぞれに対応する領域を選択可能に表示する（ステップＳ２１）。もし、ステップＳ５で複数の視覚的特徴類似部分が抽出され、ステップＳ７で複数の視覚的特徴類似部分に有用性が有ると判断された場合、構造化文書表示部２１は、選択部分、および、有用性がある各視覚的特徴類似部分の領域を、それぞれ選択可能に表示すればよい。
【００６９】
次に、選択部分取得部２２は、ステップＳ２１で表示された選択部分および視覚的特徴類似部分の各領域のいずれが選択されたかを判断する（ステップＳ２２）。
【００７０】
ここで、視覚的特徴類似部分の領域が選択された場合、例示部分出力部２５は、ステップＳ８を実行し、該当する視覚的特徴類似部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する。
【００７１】
一方、選択部分の領域が選択された場合、例示部分出力部２５は、ステップＳ４を実行し、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する。
【００７２】
以上で、構造化文書処理装置２０は動作を終了する。
【００７３】
そして、類似構造判定装置９０は、ステップＳ４またはステップＳ８において出力された例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する。
【００７４】
次に、本発明の第２の実施の形態の効果について述べる。
【００７５】
本発明の第２の実施の形態としての構造化文書処理装置は、ある構造化文書の一部分の例示部分に対して類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をさらに向上させる例示部分を取得することができる。
【００７６】
その理由は、任意の構造化文書において利用者によって指定された選択部分に類似構造判定上の有用性が無く、選択部分に類似する視覚的特徴類似部分に有用性がある場合、構造化文書表示部および選択部分取得部が、選択部分および視覚的特徴類似部分のいずれを例示部分とするかを利用者に問い合わせるからである。つまり、本実施の形態としての構造化文書処理装置は、任意の構造化文書において利用者によって選択部分が指定されたとき、後段の類似構造判定装置における類似構造判定の例示部分として選択部分より有用な部分があれば、その有用な部分を利用者に示唆するからである。そして、本実施の形態としての構造化文書処理装置は、いずれの部分が例示部分として適切であるかのフィードバック情報に基づいて、例示部分を出力するからである。その結果、本実施の形態としての構造化文書処理装置は、選択部分に有用性がなく、視覚的特徴類似部分に有用性があると判定した場合であっても、利用者の意図と異なる視覚的特徴類似部分を例示部分とすることがないからである。
【００７７】
（第３の実施の形態）
次に、本発明の第３の実施の形態について、図面を参照して説明する。本発明の第３の実施の形態では、本発明の第２の実施の形態としての構造化文書処理装置２０を用いて、企業内イントラネット上のウェブサイトから所望の部分をクリッピングするシステム開発において所望部分のサンプルとなる例示部分を設定する具体例について説明する。
【００７８】
なお、本実施の形態において、本発明における構造化文書として、ＨＴＭＬ文書を適用するものとする。また、本実施の形態において、本発明における構造化文書を構成する部分として、ＨＴＭＬ文書の構造をＤＯＭによって表現した際の各要素を適用するものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＤＯＭの要素単位で選択または抽出されるものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＸＰａｔｈ（XML Path Language）で表現されるものとする。
【００７９】
まず、本実施の形態における構造化文書処理装置２０の構成について、図７を参照して説明する。なお、構造化文書処理装置２０は、図２に示したようなハードウェア構成を備えたコンピュータ装置単体によって構成することも可能であるが、本実施の形態では、端末およびプロクシサーバによって構成される例について説明する。図７において、構造化文書処理装置２０は、端末２０１およびプロクシサーバ２０２によって構成される。ここで、端末２０１およびプロクシサーバ２０２は、それぞれ図２に示したようなハードウェア構成を備えたコンピュータ装置によって構成可能である。ただし、プロクシサーバ２０２は、表示装置１００５および入力装置１００６を有していなくてもよい。また、端末２０１およびプロクシサーバ２０２は、ＬＡＮ（Local Area Network）によって接続されているものとする。
【００８０】
端末２０１には、指定されたＵＲＬにアクセスすることによりＵＲＬが示す構造化文書をダウンロードし、構造を解析してレンダリング表示するブラウザアプリケーション（以下、単にブラウザとも記載する）があらかじめインストールされているものとする。また、このブラウザは、JavaScript（登録商標）によって記載されたコンピュータ・プログラムを実行する機能も有するものとする。
【００８１】
プロクシサーバ２０２は、クリッピング開発サイトを構成するファイル群をあらかじめ記憶している。クリッピング開発用のサイトは、クリッピング開発サイトの初期ページに該当するＨＴＭＬ文書、および、構造化文書処理装置２０の各機能ブロックを実現するJavaScript（登録商標）ファイル等によって構成される。
【００８２】
また、プロクシサーバ２０２には、要求されたＵＲＬに対応する構造化文書を要求元に返信するウェブサーバアプリケーションがあらかじめインストールされているものとする。また、プロクシサーバ２０２は、イントラネットに接続されている。そして、プロクシサーバ２０２は、端末２０１から要求されたＵＲＬに対応する構造化文書を自装置で保持していない場合は、イントラネット上のそのＵＲＬに対応するノードにアクセスする。これにより、プロクシサーバ２０２は、要求されたＵＲＬに対応する構造化文書を取得し、端末２０１に返信するものとする。
【００８３】
このように、本実施の形態では、構造化文書処理装置２０を構成する各機能ブロックは、プロクシサーバ２０２の記憶装置に記憶されたJavaScript（登録商標）ファイルが、端末２０１にダウンロードされ、ブラウザによって実行されることによって実現される。
【００８４】
以上のように構成された構造化文書処理装置２０の動作の具体例について以下に説明する。
【００８５】
まず、端末２０１は、プロクシサーバ２０２に要求することにより、クリッピング開発サイトの初期ページに相当するＨＴＭＬ文書を取得して、表示装置に表示する。例えば、クリッピング開発サイトの初期ページに相当するＨＴＭＬ文書の一例は、図８に示すようなものとなる。端末２０１は、このようなＨＴＭＬ文書を解析してレンダリングすることにより、ＵＲＬの入力フォームを表示装置に表示する。
【００８６】
次に、端末２０１は、入力装置を介して、クリッピング対象となるイントラネット上のウェブサイトのＵＲＬを取得する。例えば、端末２０１は、前述のＵＲＬの入力フォームに入力されたテキストデータを、クリッピング対象のＵＲＬとして取得すればよい。そして、端末２０１は、取得したＵＲＬをプロクシサーバ２０２に送信することにより、プロクシサーバ２０２を介して所望のウェブサイトを構成するＨＴＭＬ文書を取得する。このとき、プロクシサーバ２０２は、要求されたＵＲＬのＨＴＭＬ文書に、各機能ブロックを実現するJavaScript（登録商標）ファイルを読み込むためのタグを埋め込む。図９に、そのようなタグが埋め込まれたＨＴＭＬ文書の一例を示す。図９において、網掛けで示した部分が、JavaScript（登録商標）ファイルを読み込むためのタグである。この例では、本実施の形態としての構造化文書処理装置２０を構成する機能ブロックごとに、対応するJavaScript（登録商標）ファイルがあらかじめ用意されている。そして、プロクシサーバ２０２は、このようなタグが埋め込まれたＨＴＭＬ文書と、読み込み対象のJavaScript（登録商標）ファイルとを、端末２０１に対して送信する。
【００８７】
端末２０１は、プロクシサーバ２０２から取得した構造化文書を、レンダリングして表示する。また、端末２０１は、取得した構造化文書に埋め込まれたタグにしたがってJavaScript（登録商標）ファイルを読み込み、そのJavaScript（登録商標）ファイルに記載されたコンピュータ・プログラムを実行する。これにより、構造化文書表示部２１、選択部分取得部２２、有用性判断部１３、視覚的特徴類似部分抽出部１４、および、例示部分出力部２５の各機能ブロックが、端末２０１において展開される。
【００８８】
次に、構造化文書表示部２１は、表示中のＨＴＭＬ文書のＤＯＭの各要素に対応する領域におけるマウスオーバを検知すると、その領域の背景色を変化させる。また、構造化文書表示部２１は、各要素に対応する領域における右クリックを検知すると、「この部分をクリッピングする」という選択肢を含むメニューを表示する（図６のステップＳ１）。
【００８９】
次に、選択部分取得部２２は、上述のメニューにおける「この部分をクリッピングする」選択肢に対するクリックを検知すると、対応する要素を選択部分として取得する（図６のステップＳ２）。
【００９０】
例えば、図１０（ａ）に示すような構造化文書が、図１０（ｂ）に示すようにレンダリングされて表示されていることを想定する。図１０（ｂ）における領域Ａは、図１０（ａ）に示した構造化文書の要素Ａに対応する領域である。要素Ａは、ｉｄ属性やｃｌａｓｓ属性が設定されていないｄｉｖ要素である。また、図１０（ｂ）における領域Ｂは、図１０（ａ）に示した構造化文書の要素Ｂに対応する領域である。要素Ｂは、要素Ａの親要素であり、かつ、ｉｄ属性が設定されたｄｉｖ要素である。このとき、構造化文書表示部２１は、領域Ａに対するマウスオーバを検知して領域Ａの背景色を変化させたとする。さらに、構造化文書表示部２１は、領域Ａにおける右クリックを検知して、前述のようなメニューを表示したとする。そして、選択部分取得部２２は、「この部分をクリッピングする」という選択肢のクリックを検知したとする。その結果、選択部分取得部２２は、領域Ａに対応する要素ＡのＸＰａｔｈを、選択部分として取得する。以降、選択部分として取得された要素Ａを、選択部分Ａとも記載する。
【００９１】
次に、有用性判断部１３は、選択部分Ａが有用性条件を満たすか否かを判断する（図６のステップＳ３）。
【００９２】
ここで、本実施の形態における有用性判断部１３による有用性判断例について説明する。
【００９３】
例えば、有用性判断部１３は、ｉｄ属性が設定されている要素を識別性有りとみなし、その要素は有用性条件を満たすと判断する。
【００９４】
また、有用性判断部１３は、ｉｄ属性が設定されておらずｃｌａｓｓ属性値が設定されている要素について、次のようにして識別性の有無を判断する。ここで、ある要素に、“<div class=”category1 category2”>”のように、１つ以上のｃｌａｓｓ属性値が設定されていることを想定する。このとき、有用性判断部１３は、このＨＴＭＬ文書内でcategory1をｃｌａｓｓ属性値に持つ要素と、category2をｃｌａｓｓ属性値に持つ要素とを検索する。そして、有用性判断部１３は、category1およびcategory2のうち、ヒット数が最小となるｃｌａｓｓ属性値を特定する。そして、有用性判断部１３は、最小のヒット数が閾値以下であれば、そのｃｌａｓｓ属性値が設定された要素は識別性を有するとみなし、有用性条件を満たすと判断する。例えば、category1をｃｌａｓｓ属性値に持つ要素のヒット数が２であり、category2をｃｌａｓｓ属性値に持つ要素のヒット数が５であり、閾値が２に設定されていれば、有用性判断部１３は、“<div class=”category1 category2”>”を識別性有りとみなし、この要素を有用性ありと判断する。
【００９５】
このようにして、有用性判断部１３は、選択部分Ａが、有用性条件を満たす要素であるか否かを判断する。この動作例では、選択部分Ａが、ｉｄ属性およびｃｌａｓｓ属性のいずれも有していないので、有用性判断部１３は、選択部分Ａが有用性条件を満たさないと判断する。
【００９６】
次に、選択部分Ａが有用性条件を満たさないと判断されたため、視覚的特徴類似部分抽出部１４は、選択部分Ａの視覚的特徴類似部分を検索する（図６のステップＳ５）。具体的には、視覚的特徴類似部分抽出部１４は、選択部分Ａの表示上の領域を特定し、特定した領域の絶対座標、幅、高さを算出する。また、視覚的特徴類似部分抽出部１４は、このＨＴＭＬ文書内の他の要素のうち、選択部分Ａの要素と同一種類の要素を検出する。ここで、同一種類の要素とは、ＨＴＭＬ文書においては、同一のタグ名を持つ要素であるといえる。例えば、要素Ａがｄｉｖ要素であれば、視覚的特徴類似部分抽出部１４は、他のｄｉｖ要素を検出する。そして、視覚的特徴類似部分抽出部１４は、検出した各要素についても、表示上の領域の絶対座標、幅、高さをそれぞれ算出する。そして、視覚的特徴類似部分抽出部１４は、検出した他の要素のうち、選択部分Ａに対して絶対座標、幅、高さの差が全て閾値以内である要素を、視覚的特徴類似部分として抽出する。
【００９７】
この例では、要素Ｂは、選択部分Ａと同一のｄｉｖ要素である。また、選択部分Ａおよび要素Ｂの表示上の領域の絶対座標、幅、高さの差が閾値以内であったものとする。そこで、視覚的特徴類似部分抽出部１４は、要素Ｂを視覚的特徴類似部分Ｂとして抽出する。以降、要素Ｂを、視覚的特徴類似部分Ｂとも記載する。
【００９８】
次に、有用性判断部１３は、視覚的特徴類似部分Ｂが、有用性条件を満たす要素であるか否かを判断する（図６のステップＳ７）。この例では、視覚的特徴類似部分Ｂは、ｉｄ属性を有する要素である。そこで、有用性判断部１３は、視覚的特徴類似部分Ｂは有用性条件を満たすと判断する。
【００９９】
次に、視覚的特徴類似部分Ｂが有用性条件を満たすと判断されたので、構造化文書表示部２１は、選択部分Ａに対応する領域と、視覚的特徴類似部分Ｂに対応する領域とをそれぞれ選択可能に表示する（図６のステップＳ２１）。例えば、図１０（ｃ）に示すように、構造化文書表示部２１は、選択部分Ａの領域Ａの背景色と、視覚的特徴類似部分Ｂの領域Ｂの背景色をそれぞれ変化させるとともに、いずれかの領域をクリックするようメッセージを表示してもよい。
【０１００】
ここで、選択部分取得部２２によって、領域Ｂにおけるクリック操作が検出されたとする（図６のステップＳ２２）。そこで、例示部分出力部２５は、視覚的特徴類似部分ＢのＸＰａｔｈを、後段の類似構造判定装置９０に出力する（図６のステップＳ８）。
【０１０１】
一方、ステップＳ２２において、選択部分取得部２２によって、領域Ａにおけるクリックが検出されたとする。この場合、例示部分出力部２５は、選択部分ＡのＸＰａｔｈを、類似構造判定装置９０に出力する（図６のステップＳ４）。
【０１０２】
あるいは、ステップＳ２において、選択部分取得部２２によって要素Ｂが選択部分として取得された場合を想定する。この場合、ステップＳ３において、選択部分Ｂは、ｉｄ属性を有するため、有用性条件を満たすと判断されることになる。そこで、例示部分出力部２５は、ステップＳ４を実行し、選択部分ＢのＸＰａｔｈを、類似構造判定装置９０に出力する。
【０１０３】
以上で、構造化文書処理装置２０の動作の具体例の説明を終了する。
【０１０４】
なお、本実施の形態において、類似構造判定装置９０には、ウェブサイトを構成するＨＴＭＬ文書群から、例示部分に類似する部分構造を有する部分を収集（クリッピング）する装置を適用可能である。また、このような類似構造判定装置９０は、収集した部分に対する適切性の正誤を表すフィードバック情報を取得することにより、その後の類似構造判定処理の精度を向上させる（学習する）機能を有するものであってもよい。また、類似構造判定装置９０は、プロクシサーバ２０２によって構成されてもよい。
【０１０５】
次に、本発明の第３の実施の形態の効果について述べる。
【０１０６】
本発明の第３の実施の形態としての構造化文書処理装置は、クリッピングに関する技術的知識量の少ない利用者に利用される場合であっても、クリッピング対象のサンプルとして有用な例示部分を取得することができる。
【０１０７】
その理由は、有用性判断部が、選択部分取得部によって取得された選択部分について、ＨＴＭＬ文書における識別性を有していないと判断すると、視覚的特徴類似部分抽出部が、選択部分と同一種類の他の要素の中から、選択部分の表示領域との絶対座標、幅、高さの差が閾値以内である要素を視覚的特徴類似部分として抽出するからである。そして、例示部分出力部が、選択部分および識別性を有する視覚的特徴類似部分うち、利用者により選択された一方を例示部分として、類似構造判定装置に出力するからである。
【０１０８】
これにより、本実施の形態としての構造化文書処理装置は、ＨＴＭＬ言語、JavaScript（登録商標）、および、類似構造判定アルゴリズム等に関する技術的知識の少ない利用者によって、ＨＴＭＬ文書における識別性を有していない要素が例示部分として選択された場合であっても、識別性を有する要素に置き換えて類似構造判定装置に出力することが可能となる。その結果、類似構造判定装置は、そのような例示部分に対する類似構造判定精度を向上させることができる。
【０１０９】
また、本発明の第３の実施の形態としての構造化文書処理装置は、例示部分として指定された選択部分の有用性を、より適切に判断することができる。
【０１１０】
その理由は、属性値が一意であるよう規定されたｉｄ属性を有することや、属性値の出現回数が閾値以下のｃｌａｓｓ属性を有することを、有用性条件として用いるからである。ここで、例えば、ｉｄ属性などのように属性値が一意であるよう規定された属性や、ｃｌａｓｓ属性などのように要素の分類を表すクラス名が属性値に設定される属性は、構造化文書の構造に関する作成者の意図がその属性値に反映されていることが多い。したがって、このような属性を有する例示部分は、構造化文書の構造に関する作成者の意図をより確実に反映した類似構造の判定に有用であるといえるからである。
【０１１１】
（第４の実施の形態）
次に、本発明の第４の実施の形態について、図面を参照して説明する。本発明の第４の実施の形態としての構造化文書処理システム４は、本発明の第２の実施の形態としての構造化文書処理システム２に対して、構造化文書処理装置２０に替えて構造化文書処理装置４０を備える点が異なる。
【０１１２】
本発明の第４の実施の形態としての構造化文書処理装置４０の機能ブロック構成を図１１に示す。なお、構造化文書処理装置４０のハードウェア構成については、本発明の第１の実施の形態としての構造化文書処理装置１０を構成するコンピュータ装置と同様なコンピュータ装置によって構成されるため、本実施の形態における詳細な説明を省略する。
【０１１３】
図１１において、構造化文書処理装置４０は、本発明の第２の実施の形態としての構造化文書処理装置２０に対して、構造化文書表示部２１に替えて構造化文書表示部４１と、選択部分取得部２２に替えて選択部分取得部４２と、例示部分出力部２５に替えて例示部分出力部４５とを備え、さらに、例示部分保持部４７と、例示部分候補特定部４８とを備える点が異なる。ここで、構造化文書処理装置４０が、図２に示したようなハードウェア構成を備えるコンピュータ装置によって構成される場合、例示部分保持部４７は、記憶装置１００４によって構成される。また、例示部分候補特定部４８は、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１によって構成される。なお、構造化文書処理装置４０の各機能ブロックを構成するハードウェア構成は、上述の構成に限定されない。
【０１１４】
例示部分保持部４７は、過去に例示部分出力部４５から出力された例示部分を表す情報を保持する。例示部分保持部４７が保持する情報の一例を図１２に示す。図１２の例では、例示部分保持部４７は、例示部分を表す情報として、その例示部分を含む構造化文書を一意に示すＵＲＬと、例示部分を表すＸＰａｔｈと、属性マップ情報とを保持している。ここで、属性マップ情報とは、例示部分に含まれる全ての属性および属性値のペアである。
【０１１５】
例示部分候補特定部４８は、構造化文書表示部４１で表示対象となっている構造化文書において、例示部分保持部４７に保持された例示部分に類似する例示部分候補を特定する。例えば、例示部分保持部４７に図１２に示すような情報が保持されている場合、例示部分候補特定部４８は、対象の構造化文書のＵＲＬと同一ドメインのＵＲＬに対応付けられた例示部分の属性マップ情報に基づいて、例示部分候補を特定してもよい。具体的には、例示部分候補特定部４８は、対象の構造化文書を構成する要素のうち、含まれる属性およびその属性値のペアが、同一ドメインのＵＲＬに対応付けられた例示部分の属性マップ情報にマッチする割合が閾値以上の要素を、例示部分候補としてもよい。
【０１１６】
構造化文書表示部４１は、表示対象の構造化文書において、例示部分候補に対応する領域を選択可能に表示する。例えば、構造化文書表示部４１は、例示部分候補に対応する領域の背景色をその他の領域と異なる色に変化させることにより、その例示部分候補がクリック可能であることを認識可能に表示してもよい。
【０１１７】
選択部分取得部４２は、例示部分候補が選択されたか否かを判断する。そして、選択部分取得部４２は、例示部分候補が選択されたと判断すると、例示部分候補を表す情報を例示部分出力部４５に通知する。例えば、選択部分取得部４２は、例示部分候補の領域におけるクリック操作を検知すると、例示部分候補を表す情報を例示部分出力部４５に通知するようにしてもよい。なお、選択部分取得部４２は、例示部分候補が選択されなかったことを表す情報を取得した場合（例えば、例示部分候補の領域外におけるクリック操作を検知した場合）、本発明の第２の実施の形態における選択部分取得部２２と同様に構成される。
【０１１８】
例示部分出力部４５は、本発明の第２の実施の形態における例示部分出力部２５と同様に構成されることに加えて、選択部分取得部４２から例示部分候補が通知された場合は、その例示部分候補を例示部分として出力する。
【０１１９】
以上のように構成された構造化文書処理装置４０の動作について、図１３を参照して説明する。
【０１２０】
まず、構造化文書表示部４１は、任意の構造化文書を取得する（ステップＳ３１）。この任意の構造化文書は、コンピュータ装置の記憶装置１００４にあらかじめ記憶された構造化文書のうち、利用者により入力装置１００６を介して指定されたものであってもよい。あるいは、この任意の構造化文書は、利用者により入力装置１００６を介して指定されたＵＲＬから、ネットワークインタフェース１００７を介して取得されたものであってもよい。
【０１２１】
次に、例示部分候補特定部４８は、例示部分保持部４７に保持されている例示部分を参照することにより、取得された構造化文書において例示部分候補を特定する（ステップＳ３２）。例えば、例示部分候補特定部４８は、例示部分保持部４７に保持されている例示部分のうち、取得された構造化文書と同一ドメインのＵＲＬに対応付けられたものを特定する。そして、例示部分候補特定部４８は、取得された構造化文書を構成する各要素について、含まれる属性および属性値のペアが、特定した例示部分の属性マップ情報にマッチする割合が閾値以上のものを、例示部分候補として特定するようにしてもよい。
【０１２２】
ここで、例示部分候補が特定されなかった場合（ステップＳ３３でＮｏ）、以降、構造化文書処理装置４０は、図６のステップＳ１〜Ｓ８およびステップＳ２１〜Ｓ２２まで、本発明の第２の実施の形態としての構造化文書処理装置２０と同様に動作して、例示部分を出力する。
【０１２３】
一方、ステップＳ３２で例示部分候補が特定された場合（ステップＳ３３でＹｅｓ）、構造化文書表示部４１は、ステップＳ３１で取得した構造化文書を表示する。このとき、構造化文書表示部４１は、例示部分候補の領域を選択可能に表示する（ステップＳ３４）。例えば、前述のように、構造化文書表示部４１は、例示部分候補の領域の背景色を他の部分と異なる色に設定して構造化文書を表示するようにしてもよい。
【０１２４】
次に、選択部分取得部４２は、例示部分候補が選択されたか否かを判断する（ステップＳ３５）。例えば、選択部分取得部４２は、例示部分候補の領域におけるクリックを検知した場合、例示部分候補が選択されたと判断し、例示部分候補の領域の外部におけるクリックを検知した場合、例示部分候補が選択されなかったと判断してもよい。
【０１２５】
ここで、例示部分候補が選択されたと判断された場合、選択部分取得部４２は、選択された例示部分候補を例示部分出力部４５に通知する。そして、例示部分出力部４５は、通知された例示部分候補を例示部分として、後段の類似構造判定装置９０に出力する（ステップＳ３６）。そして、構造化文書処理装置４０は、動作を終了する。
【０１２６】
一方、ステップＳ３５において、例示部分候補が選択されなかったと判断された場合、以降、構造化文書処理装置４０は、図６のステップＳ１〜Ｓ８およびステップＳ２１〜Ｓ２２まで、本発明の第２の実施の形態としての構造化文書処理装置２０と同様に動作して、例示部分を出力する。なお、ステップＳ３５において、例示部分候補が選択されなかったと判断された場合、例示部分候補特定部４８は、例示部分候補が特定された元となった例示部分を、例示部分保持部４７から削除するようにしてもよい。
【０１２７】
以上で、構造化文書処理装置４０の動作の説明を終了する。
【０１２８】
なお、本実施の形態において、例示部分保持部４７が、例示部分を表す情報として、ＵＲＬ、ＸＰａｔｈ、および、属性マップ情報を保持する例について説明したが、例示部分として保持する情報はこれに限らない。例えば、例示部分保持部４７は、属性マップ情報の代わりに例示部分に含まれる全ての情報を保持するようにしてもよい。例示部分保持部４７は、過去に決定された例示部分と類似する部分を、任意の構造化文書において特定するために必要な情報を保持していればよい。
【０１２９】
また、例示部分保持部４７は、例示部分を表す情報に加えて、その例示部分に対する処理内容を表すタスク情報を含んでいてもよい。例えば、タスク情報は、「クリッピング」であってもよいし、「背景色の変更」や「削除」などであってもよい。このようなタスク情報は、後段の類似構造判定装置９０において、例示部分に類似する部分構造を有する部分が特定された際に、特定された部分に対する処理内容として利用される。
【０１３０】
次に、本発明の第４の実施の形態の効果について述べる。
【０１３１】
本発明の第４の実施の形態としての構造化文書処理装置は、類似構造判定精度をより向上させるような例示部分を連続的に指定する利用者の作業をより効率化することができる。
【０１３２】
その理由は、過去に出力された例示部分を例示部分保持部が保持しておくことにより、例示部分候補特定部が、過去の例示部分に類似する例示部分候補を特定するからである。そして、例示部分候補が適切であることを表すフィードバック情報が取得された場合に、例示部分出力部が、例示部分候補を例示部分として出力するからである。これにより、利用者は、類似構造判定のための例示部分を選択するために新たな構造化文書を開いたときに、過去に指定した例示部分が適切であるか否かを確認することができるからである。さらに、利用者は、過去に指定した例示部分が適切であると確認できれば、新たに例示部分を指定する作業を省略することができるからである。さらに、例示部分候補特定部が、選択されなかった例示部分候補に対応する元の例示部分を削除する構成とした場合、利用者は、過去に選択した例示部分が適切でない場合に、その例示部分の指定を取り消す作業を省略することができるからである。その結果、本発明の第４の実施の形態としての構造化文書処理装置は、例示部分の出力を繰り返すたびに、類似構造判定精度をより高める例示部分を出力することができることになる。これにより、本発明の第４の実施の形態としての構造化文書処理システムは、類似構造判定精度をより向上させることができる。
【０１３３】
（第５の実施の形態）
次に、本発明の第５の実施の形態について、図面を参照して説明する。本発明の第５の実施の形態では、本発明の第３の実施の形態と同様に、企業内イントラネット上のウェブサイトから所望の部分をクリッピングするシステム開発における本発明の適用例について説明する。ただし、本実施の形態では、所望部分のサンプルとなる例示部分として、複数のＨＴＭＬ文書からそれぞれ例示部分を連続的に取得する装置として、本発明の第４の実施の形態としての構造化文書処理装置４０を適用する点が、本発明の第３の実施の形態に対して異なる。
【０１３４】
なお、本実施の形態において、本発明の第３の実施の形態と同様に、本発明における構造化文書として、ＨＴＭＬ文書を適用するものとする。また、本発明における構造化文書を構成する部分として、ＨＴＭＬ文書の構造をＤＯＭによって表現した際の各要素を適用するものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＤＯＭの要素単位で選択または抽出されるものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＸＰａｔｈで表現されるものとする。
【０１３５】
まず、本実施の形態における構造化文書処理装置４０の構成について、図１４を参照して説明する。構造化文書処理装置４０は、図２に示したようなハードウェア構成を備えたコンピュータ装置単体によって構成することも可能であるが、本実施の形態では、端末およびプロクシサーバによって構成される例について説明する。図１４において、構造化文書処理装置４０は、端末４０１およびプロクシサーバ４０２によって構成される。なお、端末４０１およびプロクシサーバ４０２は、それぞれ図２に示したようなハードウェア構成を備えたコンピュータ装置によって構成可能である。ただし、プロクシサーバ４０２は、表示装置１００５および入力装置１００６を有していなくてもよい。また、端末４０１およびプロクシサーバ４０２は、ＬＡＮによって接続されているものとする。
【０１３６】
本実施の形態において、構造化文書処理装置４０を構成する各機能ブロックのうち、構造化文書表示部４１、選択部分取得部４２、有用性判断部１３、視覚的特徴類似部分抽出部１４、および、例示部分出力部４５は、本発明の第３の実施の形態と同様に、JavaScript（登録商標）ファイルとしてプロクシサーバ４０２に格納され、端末４０１にダウンロードされブラウザによって実行されることにより実現される。例示部分保持部４７は、プロクシサーバ４０２の記憶装置によって構成される。例示部分候補特定部４８は、Java（登録商標）のコンピュータ・プログラムモジュールとしてプロクシサーバ４０２の記憶装置に格納され、プロクシサーバ４０２においてサーブレットとして実行されることにより実現される。
【０１３７】
以上のように構成された構造化文書処理装置４０の動作の具体例について説明する。
【０１３８】
まず、端末４０１は、本発明の第３の実施の形態における端末２０１と同様に動作して、クリッピング開発サイトの初期ページを表示装置に表示する。
【０１３９】
そして、端末４０１は、本発明の第３の実施の形態における端末２０１と同様に動作することにより、入力装置を介してクリッピング対象のウェブサイトのＵＲＬを取得する。そして、端末４０１は、取得したＵＲＬをプロクシサーバ４０２に送信する。
【０１４０】
次に、プロクシサーバ４０２は、端末４０１から受信したＵＲＬで特定されるＨＴＭＬ文書をイントラネット上から取得する（図１３のステップＳ３１）。
【０１４１】
次に、プロクシサーバ４０２で動作する例示部分候補特定部４８は、取得されたＨＴＭＬ文書において、例示部分保持部４７に保持された例示部分に類似する例示部分候補を特定する（図１３のステップＳ３２）。例えば、前述のように、例示部分候補特定部４８は、例示部分保持部４７に保持された例示部分のうち、該当のＨＴＭＬ文書と同一ドメインのＵＲＬに対応づけられた過去の例示部分を特定する。そして、例示部分候補特定部４８は、該当のＨＴＭＬ文書を構成する要素のうち、特定した例示部分の属性マップにマッチする属性および属性値のペアの割合が閾値以上の要素を、例示部分候補として特定してもよい。
【０１４２】
次に、例示部分候補特定部４８は、該当のＨＴＭＬ文書において、例示部分候補として特定した要素に、例示部分候補であることを示す属性を付加する。
【０１４３】
そして、プロクシサーバ４０２は、例示部分候補の属性が付加されたＨＴＭＬ文書に対して、さらに、各機能ブロックを実現するJavaScript（登録商標）ファイルを読み込むためのタグを埋め込む処理を行う。そして、プロクシサーバ４０２は、処理後のＨＴＭＬ文書および各JavaScript（登録商標）ファイルを、端末４０１に対して送信する。
【０１４４】
次に、端末４０１は、プロクシサーバ４０２から取得したＨＴＭＬ文書を、ブラウザによってレンダリングして表示する。また、端末４０１は、構造化文書に埋め込まれたタグにしたがってJavaScript（登録商標）ファイルを読み込み、そのファイルに記載されたコンピュータ・プログラムモジュールを実行する。これにより、本実施の形態としての構造化文書表示部４１、選択部分取得部４２、有用性判断部１３、視覚的特徴類似部分抽出部１４、および、例示部分出力部４５の各機能ブロックが、端末４０１において展開される。
【０１４５】
次に、構造化文書表示部４１は、例示部分候補であることを示す属性が付加された要素に対応する領域の背景色を変化させる（図１３のステップＳ３４）。
【０１４６】
次に、選択部分取得部４２は、例示部分候補の領域におけるクリック操作を検知すると（図１３のステップＳ３５でＹｅｓ）、例示部分候補のＸＰａｔｈを、例示部分出力部４５に通知する。そして、例示部分出力部４５は、通知されたＸＰａｔｈを例示部分として、類似構造判定装置９０に出力する（図１３のステップＳ３６）。そして、構造化文書処理装置４０は、動作を終了する。
【０１４７】
一方、選択部分取得部４２によって、例示部分候補の領域の外部におけるクリック操作が検知された場合（図１３のステップＳ３５でＮｏ）、以降、構造化文書処理装置４０は、本発明の第３の実施の形態としての構造化文書処理装置２０と同様に、図６のステップＳ１から動作する。
【０１４８】
なお、選択部分取得部４２は、ステップＳ３５において例示部分候補の領域の外部におけるクリック操作が検知された場合、その例示部分候補が選択されなかったことを表す情報を、プロクシサーバ４０２に送信するようにしてもよい。この場合、選択されなかったことを表す情報を受信したプロクシサーバ４０２の例示部分候補特定部４８は、その例示部分候補を特定した元となった例示部分を、例示部分保持部４７から削除するようにしてもよい。このように動作する場合、例示部分候補特定部４８は、例示部分候補を特定した際に、その例示部分候補と、例示部分とを対応付けて一時的に記憶しておくようにすればよい。
【０１４９】
ステップＳ３６、ステップＳ４またはステップＳ８において、例示部分を出力すると、構造化文書処理装置４０は、動作を終了する。
【０１５０】
以上で、構造化文書処理装置４０の動作の具体例の説明を終了する。
【０１５１】
次に、本発明の第５の実施の形態の効果について述べる。
【０１５２】
本発明の第５の実施の形態としての構造化文書処理装置は、クリッピングシステムの開発において、クリッピング対象としたい例示部分を１つ以上のＨＴＭＬ文書から連続的に指定する利用者の作業を、より効率化するよう支援することができる。
【０１５３】
その理由は、例示部分保持部が、利用者によって過去に指定された例示部分を保持しておき、例示部分の指定のために新たなＨＴＭＬ文書が要求されたときに、例示部分候補特定部が、保持しておいた例示部分に類似する例示部分候補を特定するからである。そして、例示部分候補が適切であるとのフィードバック情報が取得された場合、例示部分出力部が、例示部分候補を例示部分として出力するからである。これにより、利用者は、過去に指定した例示部分が適切であるか否かを確認しながら、複数のＨＴＭＬ文書からそれぞれクリッピング対象とする例示部分を連続して指定する際の開発工数を削減することができる。また、適切でないとされた例示部分候補を例示部分保持部から削除する構成とする場合、本発明の第５の実施の形態としての構造化文書処理装置は、複数のＨＴＭＬ文書のそれぞれから取得される例示部分の出力を繰り返す度に、保持している例示部分の有用性を向上させていくことができることになる。
【０１５４】
なお、上述した本発明の各実施の形態において、各フローチャートを参照して説明した構造化文書処理装置の動作を、本発明のコンピュータ・プログラムとして構造化文書処理装置の記憶装置（記憶媒体）に格納しておき、係るコンピュータ・プログラムを当該ＣＰＵが読み出して実行するようにしてもよい。そして、このような場合において、本発明は、係るコンピュータ・プログラムのコード或いは記憶媒体によって構成される。
【０１５５】
また、上述した各実施の形態は、適宜組み合わせて実施されることが可能である。
【０１５６】
また、本発明は、上述した各実施の形態に限定されず、様々な態様で実施されることが可能である。
【０１５７】
また、上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示部と、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得部と、
前記構造化文書を構成する任意の部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部と、
前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部と、
前記有用性判断部によって前記選択部分が前記有用性条件を満たさないと判断される場合、前記視覚的特徴類似部分抽出部によって抽出される前記視覚的特徴類似部分のうち、前記有用性判断部によって前記有用性条件を満たすと判断される部分を、前記選択部分の代わりに前記例示部分として出力する例示部分出力部と、
を備えた構造化文書処理装置。
（付記２）
前記有用性判断部は、前記構造化文書における識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記１に記載の構造化文書処理装置。
（付記３）
前記有用性判断部は、前記構造化文書において一意に特定される属性値が設定されるよう規定された所定種類の属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記２に記載の構造化文書処理装置。
（付記４）
前記有用性判断部は、前記構造化文書における出現回数が閾値以下の属性値が設定された属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記２または付記３に記載の構造化文書処理装置。
（付記５）
前記視覚的特徴類似部分抽出部は、前記表示領域における前記選択部分の表示位置に対して閾値以下の距離の表示位置に表示される部分を、前記視覚的特徴類似部分として抽出することを特徴とする付記１から付記４のいずれか１つに記載の構造化文書処理装置。
（付記６）
前記視覚的特徴類似部分抽出部は、前記表示領域における前記選択部分の表示上の大きさとの差が閾値以下の大きさを有する部分を、前記視覚的特徴類似部分として抽出することを特徴とする付記５に記載の構造化文書処理装置。
（付記７）
前記構造化文書表示部は、前記選択部分が前記有用性条件を満たさない場合に、該選択部分および前記有用性条件を満たす視覚的特徴類似部分をそれぞれ選択可能にさらに表示し、
前記選択部分取得部は、前記選択部分および前記視覚的特徴類似部分のいずれが選択されたかを判断し、
前記例示部分出力部は、前記選択部分取得部の判断にしたがって前記選択部分および前記視覚的特徴類似部分のいずれか１つを前記例示部分として出力することを特徴とする付記１から付記６のいずれか１つに記載の構造化文書処理装置。
（付記８）
前記例示部分を保持する例示部分保持部と、
前記構造化文書において、前記例示部分保持部に保持された例示部分に類似する部分構造を有する例示部分候補を特定する例示部分候補特定部と、
をさらに備え、
前記構造化文書表示部は、前記例示部分候補を選択可能にさらに表示し、
前記選択部分取得部は、前記例示部分候補が選択されたか否かを判断し、
前記例示部分出力部は、前記例示部分候補が選択された場合は、前記例示部分候補を前記例示部分として出力することを特徴とする付記１から付記７のいずれか１つに記載の構造化文書処理装置。
（付記９）
付記１から付記８のいずれか１つに記載の構造化文書処理装置と、
前記構造化文書処理装置から出力された例示部分に類似する部分構造を有する部分を他の構造化文書において特定する類似構造判定装置と、
を備えた構造化文書処理システム。
（付記１０）
構造化文書を構成する各部分を選択可能に表示領域に表示し、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得し、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断し、
前記選択部分が前記有用性条件を満たさない場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出し、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する、構造化文書処理方法。
（付記１１）
前記構造化文書における識別性を有することを前記有用性条件として用いることを特徴とする付記１０に記載の構造化文書処理方法。
（付記１２）
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示ステップと、
前記構造化文書を構成する部分のうち、構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得ステップと、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断ステップと、
前記選択部分が前記有用性条件を満たさないと判断される場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出ステップと、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する例示部分出力ステップと、
をコンピュータ装置に実行させるコンピュータ・プログラム。
（付記１３）
前記有用性判断ステップで、前記構造化文書において識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記１２に記載のコンピュータ・プログラム。
【符号の説明】
【０１５８】
１、２、４ 構造化文書処理システム
１０、２０、４０ 構造化文書処理装置
１１、２１、４１ 構造化文書表示部
１２、２２、４２ 選択部分取得部
１３ 有用性判断部
１４ 視覚的特徴類似部分抽出部
１５、２５、４５ 例示部分出力部
４７ 例示部分保持部
４８ 例示部分候補特定部
９０ 類似構造判定装置
２０１、４０１ 端末
２０２、４０２ プロクシサーバ
１００１ ＣＰＵ
１００２ ＲＡＭ
１００３ ＲＯＭ
１００４ 記憶装置
１００５ 表示装置
１００６ 入力装置
１００７ ネットワークインタフェース
【技術分野】
【０００１】
本発明は、構造化文書を処理する構造化文書処理装置、構造化文書処理システム、構造化文書処理方法、および、コンピュータ・プログラムに関する。
【背景技術】
【０００２】
文書の内容を構造化し、構造を表す情報とともに文書の内容を格納した構造化文書が知られている。例えば、構造化文書の構造は、マークアップ言語によって記述される。構造化文書の構造を記述する代表的なマークアップ言語としては、ＸＭＬ言語（Extensible Markup Language）やＨＴＭＬ言語（Hyper Text Markup Language）等が普及している。
【０００３】
このような構造化文書の集合に対して、類似構造を有する構造化文書を特定する構造化文書処理装置の一例が、特許文献１に記載されている。この特許文献１に記載された構造化文書処理装置は、構造化文書の集合から、所定の長さの文字列を全て抽出してその出現頻度をカウントし、出現頻度が所定の割合以上の文字列を高頻出文字列とする。特許文献１では、このようにして特定された高頻出文字列は、構造化文書における構造を表す情報である傾向が強いとみなされる。そして、この構造化文書処理装置は、各構造化文書において、高頻出文字列に該当する部分の文字数である高頻度文字数をカウントする。高頻出文字列が構造を表す情報であれば、類似構造を有する各構造化文書の高頻度文字数は、ほぼ等しくなると考えられる。そこで、この構造化文書処理装置は、各構造化文書の高頻度文字数に基づいて、構造化文書の集合を複数のクラスタに分割する。なお、この構造化文書処理装置は、含まれる構造化文書数が少ないクラスタをノイズクラスタとして除去する。
【０００４】
ところで、このような類似構造を有する構造化文書を特定する構造化文書処理装置において、ある構造化文書の一部分である例示部分に類似する部分構造を有する部分を、他の構造化文書において特定することが考えられる。このような構造化文書処理装置では、例示部分が、類似構造の判定に有用な情報を含んでいることが重要となる。
【０００５】
このような例示部分を抽出する構造化文書処理装置の一例が、特許文献２に記載されている。この特許文献２に記載された構造化文書処理装置は、ある構造化文書において指定された部分に基づいて、例示部分を抽出する。具体的には、この構造化文書処理装置は、指定された部分の始点より前で、かつ、始点から最も近くに記述されている所定の種類のタグを始点タグとして抽出する。また、この構造化文書処理装置は、指定された部分の終点より後で、かつ、終点から最も近くに記述されている所定の種類のタグを終点タグとして抽出する。そして、この構造化文書処理装置は、始点タグおよび終点タグの組合せを、例示部分に類似する部分を他の構造化文書において抽出するための抽出条件として生成する。ここで、この構造化文書処理装置は、所定の種類のタグとして、出現頻度の低いタグを採用することにより、始点タグおよび終点タグの組合せの、抽出条件としての有用性を高くしている。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００４−３１０３６０号公報
【特許文献２】特開２０１０−２３８１２５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、特許文献１には、構造化文書の一部分を類似構造の判定対象とする場合の動作については記載されていない。また、特許文献１に記載された高頻度文字数に基づく類似構造判定処理を、構造化文書の一部分に適用した場合であっても、構造化文書の一部分として指定される例示部分に、類似構造判定に有用となる情報が適切に含まれないことがある場合の動作については記載されていない。例えば、例示部分に、本来対象としたい部分との関連が薄い部分までが含まれるケースや、本来対象としたい部分の特徴的な構造を表す情報を除いたテキスト情報などだけが含まれるようなケースがあると考えられる。このような場合、特許文献１に記載された構造化文書処理装置は、類似構造の判定精度を低下させるという問題が生じる。
【０００８】
また、特許文献２に記載された構造化文書処理装置は、指定された部分を含み、出現頻度の低い所定の種類のタグに挟まれた部分を例示部分として抽出する。しかしながら、そのような出現頻度の低いタグは、必ずしも構造化文書に含まれているとは限らない。したがって、この構造化文書処理装置は、そのような出現頻度の低いタグを抽出できないこともあると考えられる。この場合、この構造化文書処理装置は、有用な例示部分を抽出できないことになる。また、この構造化文書処理装置は、元の指定部分に、類似構造判定に有用な情報が既に含まれていた場合であっても、さらに広範囲を例示部分として抽出することになる。このような場合、この構造化文書処理装置が抽出する例示部分は、本来対象としたい部分との関連が薄い部分までを含んでしまう可能性がある。また、この構造化文書処理装置は、元の指定部分に、類似構造判定に有用な情報が含まれていなかった場合には、類似構造判定に有用な情報を含む例示部分を抽出することができるかもしれない。しかしながら、この構造化文書処理装置が抽出する所定種類のタグは、出現頻度の低いものであるため、指定された部分から遠く離れている可能性が高い。そのような場合、この構造化文書処理装置が抽出する例示部分は、粒度の粗いものとなり、本来対象としたい部分との関連性が薄い部分までを含んでしまう可能性がある。
【０００９】
このように、特許文献１および特許文献２に記載されたものは、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定において有用な例示部分を精度よく取得することができない。
【００１０】
本発明は、上述の課題を解決するためになされたもので、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をより向上させる例示部分を取得することができる構造化文書処理装置を提供することを目的とする。
【課題を解決するための手段】
【００１１】
本発明の構造化文書処理装置は、構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示部と、前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得部と、前記構造化文書を構成する任意の部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部と、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部と、前記有用性判断部によって前記選択部分が前記有用性条件を満たさないと判断される場合、前記視覚的特徴類似部分抽出部によって抽出される前記視覚的特徴類似部分のうち、前記有用性判断部によって前記有用性条件を満たすと判断される部分を、前記選択部分の代わりに前記例示部分として出力する例示部分出力部と、を備える。
【００１２】
また、本発明の構造化文書処理システムは、前記構造化文書処理装置と、前記構造化文書処理装置から出力された例示部分に類似する部分構造を有する部分を他の構造化文書において特定する類似構造判定装置と、を備える。
【００１３】
また、本発明の構造化文書処理方法は、構造化文書を構成する各部分を選択可能に表示領域に表示し、前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得し、前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断し、前記選択部分が前記有用性条件を満たさない場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出し、前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する。
【００１４】
また、本発明のコンピュータ・プログラムは、構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示ステップと、前記構造化文書を構成する部分のうち、構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得ステップと、前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断ステップと、前記選択部分が前記有用性条件を満たさないと判断される場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出ステップと、前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する例示部分出力ステップと、をコンピュータ装置に実行させる。
【発明の効果】
【００１５】
本発明は、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をより向上させる例示部分を取得することができる構造化文書処理装置を提供することができる。
【図面の簡単な説明】
【００１６】
【図１】本発明の第１の実施の形態としての構造化文書処理システムの構成を示すブロック図である。
【図２】本発明の第１の実施の形態としての構造化文書処理装置のハードウェア構成図である。
【図３】本発明の第１の実施の形態としての構造化文書処理装置の機能ブロック図である。
【図４】本発明の第１の実施の形態としての構造化文書処理装置の動作を説明するフローチャートである。
【図５】本発明の第２の実施の形態としての構造化文書処理装置の機能ブロック図である。
【図６】本発明の第２の実施の形態としての構造化文書処理装置の動作を説明するフローチャートである。
【図７】本発明の第３の実施の形態としての構造化文書処理装置の構成を説明するブロック図である。
【図８】本発明の第３の実施の形態におけるクリッピング開発サイトを構成するＨＴＭＬ文書の一例を示す図である。
【図９】本発明の第３の実施の形態においてクリッピング対象のウェブサイトを構成するＨＴＭＬ文書の一例を示す図である。
【図１０】（ａ）、（ｂ）および（ｃ）は、本発明の第３の実施の形態において構造化文書表示部によって表示される表示領域の一例を示す図である。
【図１１】本発明の第４の実施の形態としての構造化文書処理装置の機能ブロック図である。
【図１２】本発明の第４の実施の形態において例示部分保持部によって保持される情報の一例を説明する図である。
【図１３】本発明の第４の実施の形態としての構造化文書処理装置の動作を説明するフローチャートである。
【図１４】本発明の第４の実施の形態としての構造化文書処理装置の構成を説明するブロック図である。
【発明を実施するための形態】
【００１７】
以下、本発明の実施の形態について、図面を参照して詳細に説明する。
【００１８】
（第１の実施の形態）
本発明の第１の実施の形態としての構造化文書処理システム１の構成を図１に示す。図１において、構造化文書処理システム１は、構造化文書処理装置１０と、類似構造判定装置９０とを備える。構造化文書処理装置１０は、構造化文書の一部分の類似構造判定の対象となる例示部分を取得し、類似構造判定装置９０に出力する装置である。類似構造判定装置９０は、構造化文書処理装置１０から出力された例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する装置である。構造化文書処理装置１０および類似構造判定装置９０は、互いに通信可能に接続されている。
【００１９】
なお、構造化文書は、文字データ、画像情報を含む文書データであり、たとえばマークアップ言語で記述された文書データや、その他の形式のデータ構造を有する文書データでも良い。
【００２０】
次に、構造化文書処理装置１０のハードウェア構成を図２に示す。図２において、構造化文書処理装置１０は、ＣＰＵ（Central Processing Unit）１００１と、ＲＡＭ（Random Access Memory）１００２と、ＲＯＭ（Read Only Memory）１００３と、ハードディスク等の記憶装置１００４と、表示装置１００５と、入力装置１００６と、ネットワークインタフェース１００７とを備えたコンピュータ装置によって構成されている。
【００２１】
ＲＯＭ１００３および記憶装置１００４には、コンピュータ装置を本実施の形態としての構造化文書処理装置１０として機能させるためのコンピュータ・プログラムおよび各種データが記憶されている。
【００２２】
ＣＰＵ１００１は、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行する。
【００２３】
表示装置１００５は、液晶ディスプレイ等によって構成され、ＣＰＵ１００１の制御にしたがって各種情報を表示領域に表示する。
【００２４】
入力装置１００６は、マウスやキーボードによって構成され、ＣＰＵ１００１の制御にしたがって各種の入力情報を取得する。
【００２５】
ネットワークインタフェース１００７は、ＣＰＵ１００１の制御にしたがって、ネットワークを介して情報を送受信する。
【００２６】
類似構造判定装置９０は、ＣＰＵ、ＲＡＭ、ＲＯＭ、記憶装置、および、ネットワークインタフェースを少なくとも備えるコンピュータ装置によって構成される。類似構造判定装置９０を構成するコンピュータ装置のＲＯＭおよび記憶装置には、コンピュータ装置を本実施の形態における類似構造判定装置９０として機能させるためのコンピュータ・プログラムおよび各種データが記憶されている。このコンピュータ・プログラムとしては、構造化文書の一部分の類似構造を判定する一般的な技術を適用したものが記憶される。ＣＰＵは、記憶装置からこのコンピュータ・プログラムおよび各種データをＲＡＭに読み込んで実行する。
【００２７】
なお、構造化文書処理装置１０および類似構造判定装置９０は、互いに通信可能に接続される代わりに、同一のコンピュータ装置によって構成されていてもよい。
【００２８】
次に、構造化文書処理装置１０の機能ブロック構成を図３に示す。図３において、構造化文書処理装置１０は、構造化文書表示部１１と、選択部分取得部１２と、有用性判断部１３と、視覚的特徴類似部分抽出部１４と、例示部分出力部１５と、を有する。ここで、構造化文書表示部１１は、表示装置１００５と、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１とによって構成される。また、選択部分取得部１２は、入力装置１００６と、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１とによって構成される。また、有用性判断部１３および視覚的特徴類似部分抽出部１４は、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１によって構成される。また、例示部分出力部１５は、ネットワークインタフェース１００７と、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１とによって構成される。なお、構造化文書処理装置１０の各機能ブロックを構成するハードウェア構成は、上述の構成に限定されない。
【００２９】
構造化文書表示部１１は、構造化文書を、表示装置１００５の表示領域に表示する。具体的には、構造化文書表示部１１は、対象の構造化文書を解析することにより、その構造および内容に応じてレンダリングした画像を、表示装置１００５の表示領域に表示する。
【００３０】
また、構造化文書表示部１１は、構造化文書を表示する際に、その構造を構成する各部分を選択可能に表示する。構造化文書を構成する各部分とは、例えば、構造化文書がＨＴＭＬ文書またはＸＭＬ文書であれば、その文書をＤＯＭ（Document Object Model）に基づくツリー構造で表現した際の各要素であってもよい。また、選択可能な表示例について説明する。例えば、構造化文書表示部１１は、対象の構造化文書をレンダリングした画像において、その構造を構成する各部分の領域をあらかじめ算出しておく。そして、構造化文書表示部１１は、入力装置１００６としてのマウスの操作に基づくマウスオーバを検知した部分の領域の背景色を変化させてもよい。さらに、選択部分取得部１２は、背景色を変化させた領域における右クリックの検知に応じて、該当する部分を例示部分として選択するか否かを問うメニューを表示するようにしてもよい。
【００３１】
選択部分取得部１２は、構造化文書表示部１１によって表示された構造化文書において、例えば入力装置１００６の選択操作により例示部分として選択された選択部分を取得する。例えば、構造化文書がＨＴＭＬ文書またはＸＭＬ文書であれば、選択部分取得部１２は、その文書をＤＯＭに基づくツリー構造で表現した際のいずれかの要素を選択するようにしてもよい。また、選択部分取得部１２は、選択部分を表す情報を、有用性判断部１３と、視覚的特徴類似部分抽出部１４と、例示部分出力部１５とに出力する。ここで、選択部分取得部１２が出力する選択部分を表す情報は、選択部分の文書データそのものであってもよいし、構造化文書の構造においてその選択部分を一意に識別可能な情報であってもよい。
【００３２】
有用性判断部１３は、構造化文書を構成する任意の部分が、構造化文書の一部分の類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する。ここで、有用性が判断される任意の部分は、選択部分取得部１２で例示部分として選択された選択部分でも、後述の視覚的特徴類似部分抽出部１４で抽出される視覚的特徴類似部分でもよい。また、類似構造判定において有用であることを示す有用性条件は、例えば、任意の部分が、その構造化文書内で識別性を有することであってもよい。これは、ある構造化文書においてある部分が有する識別性は、その識別性に基づき同様に識別される他の部分に対して、類似構造を有するか否かの判定要因になり得るからである。
【００３３】
例えば、Ｗ３Ｃ（World Wide Web Consortium）勧告のHTML 4.01 Specificationでは、要素の属性として設定され得るｉｄ属性は、その構造化文書内においてユニークな属性値を持つよう規定されている。したがって、このようなＷ３Ｃ勧告にしたがって記述された構造化文書において、ｉｄ属性が設定されている要素は、その構造化文書における識別性を有するものとみなすことができる。そこで、有用性判断部１３は、構造化文書における任意の部分が、ｉｄ属性が設定された要素である場合には、その部分は、類似構造判定における有用性条件を満たすと判断してもよい。また、有用性判断部１３は、ｉｄ属性に限らず、ユニークな属性値を持つよう規定されたその他の属性を有する部分を、有用性条件を満たす部分と判断してもよい。
【００３４】
また、例えば、上述のＷ３Ｃ勧告において、要素の属性として設定され得るｃｌａｓｓ属性は、要素にクラスを割り当てるものとして規定されている。すなわち、１つの構造化文書内に、同一のクラス属性値が割り当てられた要素は１つ以上存在し得る。また、１つの要素に、複数のクラス属性値が割り当てられてもよいと規定されている。したがって、このようなＷ３Ｃ勧告にしたがって記述された構造化文書において、同一のｃｌａｓｓ属性値の出現回数が少ない要素は、その構造化文書における識別性が高いとみなすことができる。そこで、有用性判断部１３は、構造化文書における任意の部分が、ｃｌａｓｓ属性が設定された要素であり、かつ、その構造化文書においてそのｃｌａｓｓ属性値の出現回数が閾値以下であれば、その部分は、類似構造判定における有用性条件を満たすと判断してもよい。また、有用性判断部１３は、ｃｌａｓｓ属性に限らず、同一の属性値の出現回数が閾値以下の他の属性を有する部分を、有用性条件を満たす部分と判断してもよい。
【００３５】
なお、有用性判断部１３が用いる有用性条件は、上述の例に限らない。例えば、有用性判断部１３は、要素の属性および要素のツリー構造における位置関係を組み合わせた有用性条件を用いてもよい。例えば、有用性判断部１３は、ｉｄ属性を有する要素よりも上にあり、ｃｌａｓｓ属性を有する要素よりも下にある要素であることを、有用性条件としてもよい。なお、ここで、「上にある」とは、ツリー構造においてよりルートに近いことを表し、「下にある」とは、ツリー構造においてより末端のノードに近いことを表すものとする。その他、例えば、有用性判断部１３は、要素の視覚的属性に設定された属性値の出現回数が閾値以下であることや、イベント属性の属性値として設定された関数の出現回数が閾値以下であることを、有用性条件としてもよい。
【００３６】
視覚的特徴類似部分抽出部１４は、構造化文書を構成する部分のうち、選択部分取得部１２において例示部分として入力された選択部分に対して、表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する。ここで、類似構造判定対象として適切な例示部分に対して視覚的特徴が類似する部分は、利用者により例示部分として誤選択される可能性がある。したがって、適切な例示部分は、選択部分ではなく視覚的特徴類似部分である可能性がある。なお、視覚的特徴類似部分抽出部１４は、複数の視覚的特徴類似部分を抽出してもよい。
【００３７】
ここで、視覚的特徴とは、例えば、表示領域における選択部分の領域の表示位置であってもよい。もし、選択部分の領域が矩形であれば、視覚的特徴類似部分抽出部１４は、構造化文書を構成する部分のうち、選択部分の領域の左上の座標との距離が閾値以下の距離に左上の頂点が位置する矩形の領域に対応する部分を、視覚的特徴類似部分として抽出してもよい。
【００３８】
また、例えば、視覚的特徴類似部分抽出部１４は、視覚的特徴として、表示領域における選択部分の領域の表示上の大きさをさらに用いてもよい。この場合、視覚的特徴類似部分抽出部１４は、選択部分の領域の表示位置との距離が閾値以下の表示位置に表示される領域であって、かつ、その表示上の大きさの選択部分に対する差分が閾値以下である部分を、視覚的特徴類似部分として抽出する。なお、領域の形状が矩形であれば、表示上の大きさの差分は、幅および高さの各差分であってもよい。あるいは、表示上の大きさの差分は、領域の面積の差分であってもよい。
【００３９】
なお、視覚的特徴類似部分抽出部１４が視覚的特徴類似部分の抽出に用いる視覚的特徴は、上述の表示位置や表示上の大きさに限らない。例えば、視覚的特徴類似部分抽出部１４は、選択部分に設定されたフォントサイズ、フォント色、背景色、背景イメージ等の視覚的特徴に基づく条件を用いて、視覚的特徴類似部分を抽出してもよい。例えば、ＨＴＭＬ文書では、このような視覚的特徴がｓｔｙｌｅ属性によって指定されることが多い。そこで、視覚的特徴類似部分抽出部１４は、選択部分と同一のｓｔｙｌｅ属性値が設定された要素を視覚的特徴類似部分として抽出してもよい。
【００４０】
例示部分出力部１５は、選択部分または視覚的特徴類似部分を、類似構造判定の例示部分（適切な例示部分）として類似構造判定装置９０に出力する。具体的には、有用性判断部１３によって選択部分が有用性条件を満たすと判断された場合は、選択部分を例示部分として出力する。一方、例示部分出力部１５は、選択部分が有用性条件を満たさないと判断された場合、視覚的特徴類似部分抽出部１４によって抽出される視覚的特徴類似部分のうち、有用性判断部１３によって有用性条件を満たすと判断された部分を、例示部分として出力する。
【００４１】
以上のように構成された構造化文書処理装置１０の動作について、図４を参照して説明する。
【００４２】
まず、構造化文書表示部１１は、任意の構造化文書を、その構造を構成する各部分を選択可能に表示領域に表示する（ステップＳ１）。例えば、構造化文書表示部１１は、この任意の構造化文書を構成する各部分に対応する領域をマウスオーバに応じてハイライトさせ、右クリックに応じて選択可否を問うメニューを表示してもよい。また、この任意の構造化文書は、コンピュータ装置の記憶装置１００４にあらかじめ記憶された構造化文書のうち、利用者により入力装置１００６を介して指定されたものであってもよい。あるいは、この任意の構造化文書は、利用者により入力装置１００６を介して指定されたＵＲＬ（Uniform Resource Locator）から、ネットワークインタフェース１００７を介して取得されたものであってもよい。
【００４３】
次に、選択部分取得部１２は、表示領域に表示された構造化文書を構成する部分のうち、利用者によって入力装置１００６を用いて指定される選択部分を取得する（ステップＳ２）。例えば、選択部分取得部１２は、上述の右クリックで表示されたメニューにおいて「選択」との選択肢が選択されたことを検知すると、その領域に対応する部分を選択部分として取得するようにしてもよい。
【００４４】
次に、有用性判断部１３は、ステップＳ２で取得された選択部分が、類似構造判定における有用性があることを表す有用性条件を満たすか否かを判断する（ステップＳ３）。このとき、前述のように、構造化文書における識別性に基づき有用性を判断する場合は、有用性判断部１３は、ステップＳ１で表示した構造化文書全体の情報も用いて、選択部分が識別性を有するか否かを判断する。
【００４５】
ここで、有用性条件を満たすと判断された場合、例示部分出力部１５は、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する（ステップＳ４）。このとき、利用者に対するわかりやすさのために、例示部分出力部１５は、選択部分を例示部分として出力したことを表す情報を、表示装置１００５に表示してもよい。そして、構造化文書処理装置１０は、動作を終了する。
【００４６】
一方、ステップＳ３において、有用性条件を満たさないと判断された場合、視覚的特徴類似部分抽出部１４は、選択部分に対する視覚的特徴類似部分を抽出する（ステップＳ５）。このとき、視覚的特徴類似部分抽出部１４は、ステップＳ１で表示した構造化文書全体から、視覚的特徴類似部分を抽出する。
【００４７】
次に、例示部分出力部１５は、ステップＳ５において、視覚的特徴類似部分が抽出されたか否かを判断する（ステップＳ６）。
【００４８】
ここで、視覚的特徴類似部分が抽出されていないと判断された場合、例示部分出力部１５は、ステップＳ４を実行し、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する。
【００４９】
一方、ステップＳ６において、視覚的特徴類似部分が抽出されたと判断された場合、有用性判断部１３は、視覚的特徴類似部分が有用性条件を満たすか否かを判断する（ステップＳ７）。
【００５０】
ここで、有用性があると判断された場合、例示部分出力部１５は、視覚的特徴類似部分を、類似構造判定の例示部分として類似構造判定装置９０に出力する（ステップＳ８）。
【００５１】
一方、ステップＳ７において、視覚的特徴類似部分が有用性条件を満たさないと判断された場合、例示部分出力部１５は、ステップＳ４を実行し、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として類似構造判定装置９０に出力する。
【００５２】
以上で、構造化文書処理装置１０は動作を終了する。
【００５３】
そして、類似構造判定装置９０は、ステップＳ４またはステップＳ８において出力された例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する。
【００５４】
なお、ステップＳ５において、複数の視覚的特徴類似部分が抽出された場合、ステップＳ７において有用性判断部１３は、各視覚的特徴類似部分について有用性条件を満たすか否か判断すればよい。また、この場合、ステップＳ８において、例示部分出力部１５は、有用性条件を満たすいずれかの視覚的特徴類似部分を出力すればよい。
【００５５】
次に、本発明の第１の実施の形態の効果について述べる。
【００５６】
本発明の第１の実施の形態としての構造化文書処理装置は、ある構造化文書の一部分の例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をより向上させる例示部分を取得することができる。
【００５７】
その理由は、有用性判断部が、利用者により選択される選択部分の類似構造判定における有用性を判断し、有用性がないと判断された場合は、視覚的特徴類似部分抽出部が、選択部分に対して視覚的特徴が類似する視覚的特徴類似部分を抽出するからである。そして、視覚的特徴類似部分に前述の有用性があると判断されれば、例示部分出力部が、利用者により選択された選択部分の代わりに視覚的特徴類似部分を、例示部分として出力するからである。これにより、本実施の形態としての構造化文書処理装置は、類似構造判定対象として適切な例示部分に視覚的特徴が類似している部分が誤って選択されてしまったケースに対応できる。このような場合、間違えて選択された選択部分には、類似構造判定上有用となる情報が含まれないことが多い。そのような場合であっても、本実施の形態としての構造化文書処理装置は、選択部分に視覚的特徴が類似する部分のうち、類似構造判定の上で有用性があると判断される部分を、選択部分の代わりに例示部分として出力することになる。このように、本実施の形態としての構造化文書処理装置は、例示部分として指定された部分が類似構造判定において有用であるか否かをチェックし、有用でない場合は、その指定された部分に視覚的特徴が類似する部分のうち有用である部分を用いて、指定された部分を置き換える。これにより、本実施の形態としての構造化文書処理装置は、類似構造判定精度をより向上させる例示部分を出力することができる。
【００５８】
また、本発明の第１の実施の形態としての構造化文書処理システムは、構造化文書の一部分を対象とした類似構造判定精度を向上させることができる。
【００５９】
その理由は、本発明の第１の実施の形態としての構造化文書処理装置によって取得される、類似構造判定の上で有用性があると判断された例示部分を用いて類似構造判定処理を行うからである。
【００６０】
（第２の実施の形態）
次に、本発明の第２の実施の形態について、図面を参照して説明する。本発明の第２の実施の形態としての構造化文書処理システム２は、本発明の第１の実施の形態としての構造化文書処理システム１に対して、構造化文書処理装置１０に替えて構造化文書処理装置２０を備える点が異なる。
【００６１】
本発明の第２の実施の形態としての構造化文書処理装置２０の機能ブロック構成を図５に示す。なお、構造化文書処理装置２０のハードウェア構成については、本発明の第１の実施の形態としての構造化文書処理装置１０を構成するコンピュータ装置と同様なコンピュータ装置によって構成されるため、本実施の形態における詳細な説明を省略する。
【００６２】
図５において、構造化文書処理装置２０は、本発明の第１の実施の形態としての構造化文書処理装置１０に対して、構造化文書表示部１１に替えて構造化文書表示部２１と、選択部分取得部１２に替えて選択部分取得部２２と、例示部分出力部１５に替えて例示部分出力部２５とを備える点が異なる。
【００６３】
構造化文書表示部２１は、本発明の第１の実施の形態における構造化文書表示部１１と同様に構成されることに加えて、次のように構成される。構造化文書表示部２１は、選択部分取得部２２によって取得された選択部分が有用性条件を満たさない場合に、その選択部分、および、有用性条件を満たす視覚的特徴類似部分をそれぞれ選択可能に表示する。例えば、構造化文書表示部２１は、表示中の構造化文書において、有用性条件を満たさないと判断された選択部分の領域の背景色と、有用性条件を満たすと判断された視覚的特徴類似部分の領域の背景色とを、他の領域と異なる各色にそれぞれ変化させてもよい。例えば、構造化文書表示部２１は、有用性条件を満たさないと判断された選択部分の領域の背景色を赤色に変化させ、有用性条件を満たすと判断された視覚的特徴類似部分の領域の背景色を青色に変化させてもよい。これにより、構造化文書表示部２１は、各領域がクリック操作により選択可能であることを認識可能に表示することができる。
【００６４】
選択部分取得部２２は、本発明の第１の実施の形態における選択部分取得部１２と同様に構成されることに加えて、選択部分および視覚的特徴類似部分のいずれが選択されたかを判断する。例えば、選択部分取得部２２は、有用性条件を満たさない選択部分の領域、および、有用性条件を満たす視覚的特徴類似部分の領域のいずれかに対するクリック操作を検知すると、検知した領域に対応する部分が選択されたと判断してもよい。
【００６５】
例示部分出力部２５は、有用性判断部１３によって選択部分が有用性条件を満たさないと判断された場合で、視覚的特徴類似部分の少なくとも１つが有用性条件を満たすと判断された場合には、選択部分取得部２２による判断にしたがって、選択部分および視覚的特徴類似部分のいずれかを例示部分として出力する。
【００６６】
以上のように構成された構造化文書処理装置２０の動作について、図６を参照して説明する。
【００６７】
まず、構造化文書処理装置２０は、ステップＳ１〜Ｓ７まで、本発明の第１の実施の形態としての構造化文書処理装置１０と同様に動作する。
【００６８】
ステップＳ７において、視覚的特徴類似部分に有用性が有ると判断された場合、構造化文書表示部２１は、ステップＳ１で選択された選択部分、および、ステップＳ７で有用性が有ると判断された視覚的特徴類似部分のそれぞれに対応する領域を選択可能に表示する（ステップＳ２１）。もし、ステップＳ５で複数の視覚的特徴類似部分が抽出され、ステップＳ７で複数の視覚的特徴類似部分に有用性が有ると判断された場合、構造化文書表示部２１は、選択部分、および、有用性がある各視覚的特徴類似部分の領域を、それぞれ選択可能に表示すればよい。
【００６９】
次に、選択部分取得部２２は、ステップＳ２１で表示された選択部分および視覚的特徴類似部分の各領域のいずれが選択されたかを判断する（ステップＳ２２）。
【００７０】
ここで、視覚的特徴類似部分の領域が選択された場合、例示部分出力部２５は、ステップＳ８を実行し、該当する視覚的特徴類似部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する。
【００７１】
一方、選択部分の領域が選択された場合、例示部分出力部２５は、ステップＳ４を実行し、ステップＳ２で取得された選択部分を、類似構造判定の例示部分として、類似構造判定装置９０に出力する。
【００７２】
以上で、構造化文書処理装置２０は動作を終了する。
【００７３】
そして、類似構造判定装置９０は、ステップＳ４またはステップＳ８において出力された例示部分に類似する部分構造を有する部分を、他の構造化文書において特定する。
【００７４】
次に、本発明の第２の実施の形態の効果について述べる。
【００７５】
本発明の第２の実施の形態としての構造化文書処理装置は、ある構造化文書の一部分の例示部分に対して類似する部分構造を有する部分を、他の構造化文書において特定する際に、類似構造判定精度をさらに向上させる例示部分を取得することができる。
【００７６】
その理由は、任意の構造化文書において利用者によって指定された選択部分に類似構造判定上の有用性が無く、選択部分に類似する視覚的特徴類似部分に有用性がある場合、構造化文書表示部および選択部分取得部が、選択部分および視覚的特徴類似部分のいずれを例示部分とするかを利用者に問い合わせるからである。つまり、本実施の形態としての構造化文書処理装置は、任意の構造化文書において利用者によって選択部分が指定されたとき、後段の類似構造判定装置における類似構造判定の例示部分として選択部分より有用な部分があれば、その有用な部分を利用者に示唆するからである。そして、本実施の形態としての構造化文書処理装置は、いずれの部分が例示部分として適切であるかのフィードバック情報に基づいて、例示部分を出力するからである。その結果、本実施の形態としての構造化文書処理装置は、選択部分に有用性がなく、視覚的特徴類似部分に有用性があると判定した場合であっても、利用者の意図と異なる視覚的特徴類似部分を例示部分とすることがないからである。
【００７７】
（第３の実施の形態）
次に、本発明の第３の実施の形態について、図面を参照して説明する。本発明の第３の実施の形態では、本発明の第２の実施の形態としての構造化文書処理装置２０を用いて、企業内イントラネット上のウェブサイトから所望の部分をクリッピングするシステム開発において所望部分のサンプルとなる例示部分を設定する具体例について説明する。
【００７８】
なお、本実施の形態において、本発明における構造化文書として、ＨＴＭＬ文書を適用するものとする。また、本実施の形態において、本発明における構造化文書を構成する部分として、ＨＴＭＬ文書の構造をＤＯＭによって表現した際の各要素を適用するものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＤＯＭの要素単位で選択または抽出されるものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＸＰａｔｈ（XML Path Language）で表現されるものとする。
【００７９】
まず、本実施の形態における構造化文書処理装置２０の構成について、図７を参照して説明する。なお、構造化文書処理装置２０は、図２に示したようなハードウェア構成を備えたコンピュータ装置単体によって構成することも可能であるが、本実施の形態では、端末およびプロクシサーバによって構成される例について説明する。図７において、構造化文書処理装置２０は、端末２０１およびプロクシサーバ２０２によって構成される。ここで、端末２０１およびプロクシサーバ２０２は、それぞれ図２に示したようなハードウェア構成を備えたコンピュータ装置によって構成可能である。ただし、プロクシサーバ２０２は、表示装置１００５および入力装置１００６を有していなくてもよい。また、端末２０１およびプロクシサーバ２０２は、ＬＡＮ（Local Area Network）によって接続されているものとする。
【００８０】
端末２０１には、指定されたＵＲＬにアクセスすることによりＵＲＬが示す構造化文書をダウンロードし、構造を解析してレンダリング表示するブラウザアプリケーション（以下、単にブラウザとも記載する）があらかじめインストールされているものとする。また、このブラウザは、JavaScript（登録商標）によって記載されたコンピュータ・プログラムを実行する機能も有するものとする。
【００８１】
プロクシサーバ２０２は、クリッピング開発サイトを構成するファイル群をあらかじめ記憶している。クリッピング開発用のサイトは、クリッピング開発サイトの初期ページに該当するＨＴＭＬ文書、および、構造化文書処理装置２０の各機能ブロックを実現するJavaScript（登録商標）ファイル等によって構成される。
【００８２】
また、プロクシサーバ２０２には、要求されたＵＲＬに対応する構造化文書を要求元に返信するウェブサーバアプリケーションがあらかじめインストールされているものとする。また、プロクシサーバ２０２は、イントラネットに接続されている。そして、プロクシサーバ２０２は、端末２０１から要求されたＵＲＬに対応する構造化文書を自装置で保持していない場合は、イントラネット上のそのＵＲＬに対応するノードにアクセスする。これにより、プロクシサーバ２０２は、要求されたＵＲＬに対応する構造化文書を取得し、端末２０１に返信するものとする。
【００８３】
このように、本実施の形態では、構造化文書処理装置２０を構成する各機能ブロックは、プロクシサーバ２０２の記憶装置に記憶されたJavaScript（登録商標）ファイルが、端末２０１にダウンロードされ、ブラウザによって実行されることによって実現される。
【００８４】
以上のように構成された構造化文書処理装置２０の動作の具体例について以下に説明する。
【００８５】
まず、端末２０１は、プロクシサーバ２０２に要求することにより、クリッピング開発サイトの初期ページに相当するＨＴＭＬ文書を取得して、表示装置に表示する。例えば、クリッピング開発サイトの初期ページに相当するＨＴＭＬ文書の一例は、図８に示すようなものとなる。端末２０１は、このようなＨＴＭＬ文書を解析してレンダリングすることにより、ＵＲＬの入力フォームを表示装置に表示する。
【００８６】
次に、端末２０１は、入力装置を介して、クリッピング対象となるイントラネット上のウェブサイトのＵＲＬを取得する。例えば、端末２０１は、前述のＵＲＬの入力フォームに入力されたテキストデータを、クリッピング対象のＵＲＬとして取得すればよい。そして、端末２０１は、取得したＵＲＬをプロクシサーバ２０２に送信することにより、プロクシサーバ２０２を介して所望のウェブサイトを構成するＨＴＭＬ文書を取得する。このとき、プロクシサーバ２０２は、要求されたＵＲＬのＨＴＭＬ文書に、各機能ブロックを実現するJavaScript（登録商標）ファイルを読み込むためのタグを埋め込む。図９に、そのようなタグが埋め込まれたＨＴＭＬ文書の一例を示す。図９において、網掛けで示した部分が、JavaScript（登録商標）ファイルを読み込むためのタグである。この例では、本実施の形態としての構造化文書処理装置２０を構成する機能ブロックごとに、対応するJavaScript（登録商標）ファイルがあらかじめ用意されている。そして、プロクシサーバ２０２は、このようなタグが埋め込まれたＨＴＭＬ文書と、読み込み対象のJavaScript（登録商標）ファイルとを、端末２０１に対して送信する。
【００８７】
端末２０１は、プロクシサーバ２０２から取得した構造化文書を、レンダリングして表示する。また、端末２０１は、取得した構造化文書に埋め込まれたタグにしたがってJavaScript（登録商標）ファイルを読み込み、そのJavaScript（登録商標）ファイルに記載されたコンピュータ・プログラムを実行する。これにより、構造化文書表示部２１、選択部分取得部２２、有用性判断部１３、視覚的特徴類似部分抽出部１４、および、例示部分出力部２５の各機能ブロックが、端末２０１において展開される。
【００８８】
次に、構造化文書表示部２１は、表示中のＨＴＭＬ文書のＤＯＭの各要素に対応する領域におけるマウスオーバを検知すると、その領域の背景色を変化させる。また、構造化文書表示部２１は、各要素に対応する領域における右クリックを検知すると、「この部分をクリッピングする」という選択肢を含むメニューを表示する（図６のステップＳ１）。
【００８９】
次に、選択部分取得部２２は、上述のメニューにおける「この部分をクリッピングする」選択肢に対するクリックを検知すると、対応する要素を選択部分として取得する（図６のステップＳ２）。
【００９０】
例えば、図１０（ａ）に示すような構造化文書が、図１０（ｂ）に示すようにレンダリングされて表示されていることを想定する。図１０（ｂ）における領域Ａは、図１０（ａ）に示した構造化文書の要素Ａに対応する領域である。要素Ａは、ｉｄ属性やｃｌａｓｓ属性が設定されていないｄｉｖ要素である。また、図１０（ｂ）における領域Ｂは、図１０（ａ）に示した構造化文書の要素Ｂに対応する領域である。要素Ｂは、要素Ａの親要素であり、かつ、ｉｄ属性が設定されたｄｉｖ要素である。このとき、構造化文書表示部２１は、領域Ａに対するマウスオーバを検知して領域Ａの背景色を変化させたとする。さらに、構造化文書表示部２１は、領域Ａにおける右クリックを検知して、前述のようなメニューを表示したとする。そして、選択部分取得部２２は、「この部分をクリッピングする」という選択肢のクリックを検知したとする。その結果、選択部分取得部２２は、領域Ａに対応する要素ＡのＸＰａｔｈを、選択部分として取得する。以降、選択部分として取得された要素Ａを、選択部分Ａとも記載する。
【００９１】
次に、有用性判断部１３は、選択部分Ａが有用性条件を満たすか否かを判断する（図６のステップＳ３）。
【００９２】
ここで、本実施の形態における有用性判断部１３による有用性判断例について説明する。
【００９３】
例えば、有用性判断部１３は、ｉｄ属性が設定されている要素を識別性有りとみなし、その要素は有用性条件を満たすと判断する。
【００９４】
また、有用性判断部１３は、ｉｄ属性が設定されておらずｃｌａｓｓ属性値が設定されている要素について、次のようにして識別性の有無を判断する。ここで、ある要素に、“<div class=”category1 category2”>”のように、１つ以上のｃｌａｓｓ属性値が設定されていることを想定する。このとき、有用性判断部１３は、このＨＴＭＬ文書内でcategory1をｃｌａｓｓ属性値に持つ要素と、category2をｃｌａｓｓ属性値に持つ要素とを検索する。そして、有用性判断部１３は、category1およびcategory2のうち、ヒット数が最小となるｃｌａｓｓ属性値を特定する。そして、有用性判断部１３は、最小のヒット数が閾値以下であれば、そのｃｌａｓｓ属性値が設定された要素は識別性を有するとみなし、有用性条件を満たすと判断する。例えば、category1をｃｌａｓｓ属性値に持つ要素のヒット数が２であり、category2をｃｌａｓｓ属性値に持つ要素のヒット数が５であり、閾値が２に設定されていれば、有用性判断部１３は、“<div class=”category1 category2”>”を識別性有りとみなし、この要素を有用性ありと判断する。
【００９５】
このようにして、有用性判断部１３は、選択部分Ａが、有用性条件を満たす要素であるか否かを判断する。この動作例では、選択部分Ａが、ｉｄ属性およびｃｌａｓｓ属性のいずれも有していないので、有用性判断部１３は、選択部分Ａが有用性条件を満たさないと判断する。
【００９６】
次に、選択部分Ａが有用性条件を満たさないと判断されたため、視覚的特徴類似部分抽出部１４は、選択部分Ａの視覚的特徴類似部分を検索する（図６のステップＳ５）。具体的には、視覚的特徴類似部分抽出部１４は、選択部分Ａの表示上の領域を特定し、特定した領域の絶対座標、幅、高さを算出する。また、視覚的特徴類似部分抽出部１４は、このＨＴＭＬ文書内の他の要素のうち、選択部分Ａの要素と同一種類の要素を検出する。ここで、同一種類の要素とは、ＨＴＭＬ文書においては、同一のタグ名を持つ要素であるといえる。例えば、要素Ａがｄｉｖ要素であれば、視覚的特徴類似部分抽出部１４は、他のｄｉｖ要素を検出する。そして、視覚的特徴類似部分抽出部１４は、検出した各要素についても、表示上の領域の絶対座標、幅、高さをそれぞれ算出する。そして、視覚的特徴類似部分抽出部１４は、検出した他の要素のうち、選択部分Ａに対して絶対座標、幅、高さの差が全て閾値以内である要素を、視覚的特徴類似部分として抽出する。
【００９７】
この例では、要素Ｂは、選択部分Ａと同一のｄｉｖ要素である。また、選択部分Ａおよび要素Ｂの表示上の領域の絶対座標、幅、高さの差が閾値以内であったものとする。そこで、視覚的特徴類似部分抽出部１４は、要素Ｂを視覚的特徴類似部分Ｂとして抽出する。以降、要素Ｂを、視覚的特徴類似部分Ｂとも記載する。
【００９８】
次に、有用性判断部１３は、視覚的特徴類似部分Ｂが、有用性条件を満たす要素であるか否かを判断する（図６のステップＳ７）。この例では、視覚的特徴類似部分Ｂは、ｉｄ属性を有する要素である。そこで、有用性判断部１３は、視覚的特徴類似部分Ｂは有用性条件を満たすと判断する。
【００９９】
次に、視覚的特徴類似部分Ｂが有用性条件を満たすと判断されたので、構造化文書表示部２１は、選択部分Ａに対応する領域と、視覚的特徴類似部分Ｂに対応する領域とをそれぞれ選択可能に表示する（図６のステップＳ２１）。例えば、図１０（ｃ）に示すように、構造化文書表示部２１は、選択部分Ａの領域Ａの背景色と、視覚的特徴類似部分Ｂの領域Ｂの背景色をそれぞれ変化させるとともに、いずれかの領域をクリックするようメッセージを表示してもよい。
【０１００】
ここで、選択部分取得部２２によって、領域Ｂにおけるクリック操作が検出されたとする（図６のステップＳ２２）。そこで、例示部分出力部２５は、視覚的特徴類似部分ＢのＸＰａｔｈを、後段の類似構造判定装置９０に出力する（図６のステップＳ８）。
【０１０１】
一方、ステップＳ２２において、選択部分取得部２２によって、領域Ａにおけるクリックが検出されたとする。この場合、例示部分出力部２５は、選択部分ＡのＸＰａｔｈを、類似構造判定装置９０に出力する（図６のステップＳ４）。
【０１０２】
あるいは、ステップＳ２において、選択部分取得部２２によって要素Ｂが選択部分として取得された場合を想定する。この場合、ステップＳ３において、選択部分Ｂは、ｉｄ属性を有するため、有用性条件を満たすと判断されることになる。そこで、例示部分出力部２５は、ステップＳ４を実行し、選択部分ＢのＸＰａｔｈを、類似構造判定装置９０に出力する。
【０１０３】
以上で、構造化文書処理装置２０の動作の具体例の説明を終了する。
【０１０４】
なお、本実施の形態において、類似構造判定装置９０には、ウェブサイトを構成するＨＴＭＬ文書群から、例示部分に類似する部分構造を有する部分を収集（クリッピング）する装置を適用可能である。また、このような類似構造判定装置９０は、収集した部分に対する適切性の正誤を表すフィードバック情報を取得することにより、その後の類似構造判定処理の精度を向上させる（学習する）機能を有するものであってもよい。また、類似構造判定装置９０は、プロクシサーバ２０２によって構成されてもよい。
【０１０５】
次に、本発明の第３の実施の形態の効果について述べる。
【０１０６】
本発明の第３の実施の形態としての構造化文書処理装置は、クリッピングに関する技術的知識量の少ない利用者に利用される場合であっても、クリッピング対象のサンプルとして有用な例示部分を取得することができる。
【０１０７】
その理由は、有用性判断部が、選択部分取得部によって取得された選択部分について、ＨＴＭＬ文書における識別性を有していないと判断すると、視覚的特徴類似部分抽出部が、選択部分と同一種類の他の要素の中から、選択部分の表示領域との絶対座標、幅、高さの差が閾値以内である要素を視覚的特徴類似部分として抽出するからである。そして、例示部分出力部が、選択部分および識別性を有する視覚的特徴類似部分うち、利用者により選択された一方を例示部分として、類似構造判定装置に出力するからである。
【０１０８】
これにより、本実施の形態としての構造化文書処理装置は、ＨＴＭＬ言語、JavaScript（登録商標）、および、類似構造判定アルゴリズム等に関する技術的知識の少ない利用者によって、ＨＴＭＬ文書における識別性を有していない要素が例示部分として選択された場合であっても、識別性を有する要素に置き換えて類似構造判定装置に出力することが可能となる。その結果、類似構造判定装置は、そのような例示部分に対する類似構造判定精度を向上させることができる。
【０１０９】
また、本発明の第３の実施の形態としての構造化文書処理装置は、例示部分として指定された選択部分の有用性を、より適切に判断することができる。
【０１１０】
その理由は、属性値が一意であるよう規定されたｉｄ属性を有することや、属性値の出現回数が閾値以下のｃｌａｓｓ属性を有することを、有用性条件として用いるからである。ここで、例えば、ｉｄ属性などのように属性値が一意であるよう規定された属性や、ｃｌａｓｓ属性などのように要素の分類を表すクラス名が属性値に設定される属性は、構造化文書の構造に関する作成者の意図がその属性値に反映されていることが多い。したがって、このような属性を有する例示部分は、構造化文書の構造に関する作成者の意図をより確実に反映した類似構造の判定に有用であるといえるからである。
【０１１１】
（第４の実施の形態）
次に、本発明の第４の実施の形態について、図面を参照して説明する。本発明の第４の実施の形態としての構造化文書処理システム４は、本発明の第２の実施の形態としての構造化文書処理システム２に対して、構造化文書処理装置２０に替えて構造化文書処理装置４０を備える点が異なる。
【０１１２】
本発明の第４の実施の形態としての構造化文書処理装置４０の機能ブロック構成を図１１に示す。なお、構造化文書処理装置４０のハードウェア構成については、本発明の第１の実施の形態としての構造化文書処理装置１０を構成するコンピュータ装置と同様なコンピュータ装置によって構成されるため、本実施の形態における詳細な説明を省略する。
【０１１３】
図１１において、構造化文書処理装置４０は、本発明の第２の実施の形態としての構造化文書処理装置２０に対して、構造化文書表示部２１に替えて構造化文書表示部４１と、選択部分取得部２２に替えて選択部分取得部４２と、例示部分出力部２５に替えて例示部分出力部４５とを備え、さらに、例示部分保持部４７と、例示部分候補特定部４８とを備える点が異なる。ここで、構造化文書処理装置４０が、図２に示したようなハードウェア構成を備えるコンピュータ装置によって構成される場合、例示部分保持部４７は、記憶装置１００４によって構成される。また、例示部分候補特定部４８は、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１によって構成される。なお、構造化文書処理装置４０の各機能ブロックを構成するハードウェア構成は、上述の構成に限定されない。
【０１１４】
例示部分保持部４７は、過去に例示部分出力部４５から出力された例示部分を表す情報を保持する。例示部分保持部４７が保持する情報の一例を図１２に示す。図１２の例では、例示部分保持部４７は、例示部分を表す情報として、その例示部分を含む構造化文書を一意に示すＵＲＬと、例示部分を表すＸＰａｔｈと、属性マップ情報とを保持している。ここで、属性マップ情報とは、例示部分に含まれる全ての属性および属性値のペアである。
【０１１５】
例示部分候補特定部４８は、構造化文書表示部４１で表示対象となっている構造化文書において、例示部分保持部４７に保持された例示部分に類似する例示部分候補を特定する。例えば、例示部分保持部４７に図１２に示すような情報が保持されている場合、例示部分候補特定部４８は、対象の構造化文書のＵＲＬと同一ドメインのＵＲＬに対応付けられた例示部分の属性マップ情報に基づいて、例示部分候補を特定してもよい。具体的には、例示部分候補特定部４８は、対象の構造化文書を構成する要素のうち、含まれる属性およびその属性値のペアが、同一ドメインのＵＲＬに対応付けられた例示部分の属性マップ情報にマッチする割合が閾値以上の要素を、例示部分候補としてもよい。
【０１１６】
構造化文書表示部４１は、表示対象の構造化文書において、例示部分候補に対応する領域を選択可能に表示する。例えば、構造化文書表示部４１は、例示部分候補に対応する領域の背景色をその他の領域と異なる色に変化させることにより、その例示部分候補がクリック可能であることを認識可能に表示してもよい。
【０１１７】
選択部分取得部４２は、例示部分候補が選択されたか否かを判断する。そして、選択部分取得部４２は、例示部分候補が選択されたと判断すると、例示部分候補を表す情報を例示部分出力部４５に通知する。例えば、選択部分取得部４２は、例示部分候補の領域におけるクリック操作を検知すると、例示部分候補を表す情報を例示部分出力部４５に通知するようにしてもよい。なお、選択部分取得部４２は、例示部分候補が選択されなかったことを表す情報を取得した場合（例えば、例示部分候補の領域外におけるクリック操作を検知した場合）、本発明の第２の実施の形態における選択部分取得部２２と同様に構成される。
【０１１８】
例示部分出力部４５は、本発明の第２の実施の形態における例示部分出力部２５と同様に構成されることに加えて、選択部分取得部４２から例示部分候補が通知された場合は、その例示部分候補を例示部分として出力する。
【０１１９】
以上のように構成された構造化文書処理装置４０の動作について、図１３を参照して説明する。
【０１２０】
まず、構造化文書表示部４１は、任意の構造化文書を取得する（ステップＳ３１）。この任意の構造化文書は、コンピュータ装置の記憶装置１００４にあらかじめ記憶された構造化文書のうち、利用者により入力装置１００６を介して指定されたものであってもよい。あるいは、この任意の構造化文書は、利用者により入力装置１００６を介して指定されたＵＲＬから、ネットワークインタフェース１００７を介して取得されたものであってもよい。
【０１２１】
次に、例示部分候補特定部４８は、例示部分保持部４７に保持されている例示部分を参照することにより、取得された構造化文書において例示部分候補を特定する（ステップＳ３２）。例えば、例示部分候補特定部４８は、例示部分保持部４７に保持されている例示部分のうち、取得された構造化文書と同一ドメインのＵＲＬに対応付けられたものを特定する。そして、例示部分候補特定部４８は、取得された構造化文書を構成する各要素について、含まれる属性および属性値のペアが、特定した例示部分の属性マップ情報にマッチする割合が閾値以上のものを、例示部分候補として特定するようにしてもよい。
【０１２２】
ここで、例示部分候補が特定されなかった場合（ステップＳ３３でＮｏ）、以降、構造化文書処理装置４０は、図６のステップＳ１〜Ｓ８およびステップＳ２１〜Ｓ２２まで、本発明の第２の実施の形態としての構造化文書処理装置２０と同様に動作して、例示部分を出力する。
【０１２３】
一方、ステップＳ３２で例示部分候補が特定された場合（ステップＳ３３でＹｅｓ）、構造化文書表示部４１は、ステップＳ３１で取得した構造化文書を表示する。このとき、構造化文書表示部４１は、例示部分候補の領域を選択可能に表示する（ステップＳ３４）。例えば、前述のように、構造化文書表示部４１は、例示部分候補の領域の背景色を他の部分と異なる色に設定して構造化文書を表示するようにしてもよい。
【０１２４】
次に、選択部分取得部４２は、例示部分候補が選択されたか否かを判断する（ステップＳ３５）。例えば、選択部分取得部４２は、例示部分候補の領域におけるクリックを検知した場合、例示部分候補が選択されたと判断し、例示部分候補の領域の外部におけるクリックを検知した場合、例示部分候補が選択されなかったと判断してもよい。
【０１２５】
ここで、例示部分候補が選択されたと判断された場合、選択部分取得部４２は、選択された例示部分候補を例示部分出力部４５に通知する。そして、例示部分出力部４５は、通知された例示部分候補を例示部分として、後段の類似構造判定装置９０に出力する（ステップＳ３６）。そして、構造化文書処理装置４０は、動作を終了する。
【０１２６】
一方、ステップＳ３５において、例示部分候補が選択されなかったと判断された場合、以降、構造化文書処理装置４０は、図６のステップＳ１〜Ｓ８およびステップＳ２１〜Ｓ２２まで、本発明の第２の実施の形態としての構造化文書処理装置２０と同様に動作して、例示部分を出力する。なお、ステップＳ３５において、例示部分候補が選択されなかったと判断された場合、例示部分候補特定部４８は、例示部分候補が特定された元となった例示部分を、例示部分保持部４７から削除するようにしてもよい。
【０１２７】
以上で、構造化文書処理装置４０の動作の説明を終了する。
【０１２８】
なお、本実施の形態において、例示部分保持部４７が、例示部分を表す情報として、ＵＲＬ、ＸＰａｔｈ、および、属性マップ情報を保持する例について説明したが、例示部分として保持する情報はこれに限らない。例えば、例示部分保持部４７は、属性マップ情報の代わりに例示部分に含まれる全ての情報を保持するようにしてもよい。例示部分保持部４７は、過去に決定された例示部分と類似する部分を、任意の構造化文書において特定するために必要な情報を保持していればよい。
【０１２９】
また、例示部分保持部４７は、例示部分を表す情報に加えて、その例示部分に対する処理内容を表すタスク情報を含んでいてもよい。例えば、タスク情報は、「クリッピング」であってもよいし、「背景色の変更」や「削除」などであってもよい。このようなタスク情報は、後段の類似構造判定装置９０において、例示部分に類似する部分構造を有する部分が特定された際に、特定された部分に対する処理内容として利用される。
【０１３０】
次に、本発明の第４の実施の形態の効果について述べる。
【０１３１】
本発明の第４の実施の形態としての構造化文書処理装置は、類似構造判定精度をより向上させるような例示部分を連続的に指定する利用者の作業をより効率化することができる。
【０１３２】
その理由は、過去に出力された例示部分を例示部分保持部が保持しておくことにより、例示部分候補特定部が、過去の例示部分に類似する例示部分候補を特定するからである。そして、例示部分候補が適切であることを表すフィードバック情報が取得された場合に、例示部分出力部が、例示部分候補を例示部分として出力するからである。これにより、利用者は、類似構造判定のための例示部分を選択するために新たな構造化文書を開いたときに、過去に指定した例示部分が適切であるか否かを確認することができるからである。さらに、利用者は、過去に指定した例示部分が適切であると確認できれば、新たに例示部分を指定する作業を省略することができるからである。さらに、例示部分候補特定部が、選択されなかった例示部分候補に対応する元の例示部分を削除する構成とした場合、利用者は、過去に選択した例示部分が適切でない場合に、その例示部分の指定を取り消す作業を省略することができるからである。その結果、本発明の第４の実施の形態としての構造化文書処理装置は、例示部分の出力を繰り返すたびに、類似構造判定精度をより高める例示部分を出力することができることになる。これにより、本発明の第４の実施の形態としての構造化文書処理システムは、類似構造判定精度をより向上させることができる。
【０１３３】
（第５の実施の形態）
次に、本発明の第５の実施の形態について、図面を参照して説明する。本発明の第５の実施の形態では、本発明の第３の実施の形態と同様に、企業内イントラネット上のウェブサイトから所望の部分をクリッピングするシステム開発における本発明の適用例について説明する。ただし、本実施の形態では、所望部分のサンプルとなる例示部分として、複数のＨＴＭＬ文書からそれぞれ例示部分を連続的に取得する装置として、本発明の第４の実施の形態としての構造化文書処理装置４０を適用する点が、本発明の第３の実施の形態に対して異なる。
【０１３４】
なお、本実施の形態において、本発明の第３の実施の形態と同様に、本発明における構造化文書として、ＨＴＭＬ文書を適用するものとする。また、本発明における構造化文書を構成する部分として、ＨＴＭＬ文書の構造をＤＯＭによって表現した際の各要素を適用するものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＤＯＭの要素単位で選択または抽出されるものとする。また、本実施の形態において、選択部分および視覚的特徴類似部分は、ＸＰａｔｈで表現されるものとする。
【０１３５】
まず、本実施の形態における構造化文書処理装置４０の構成について、図１４を参照して説明する。構造化文書処理装置４０は、図２に示したようなハードウェア構成を備えたコンピュータ装置単体によって構成することも可能であるが、本実施の形態では、端末およびプロクシサーバによって構成される例について説明する。図１４において、構造化文書処理装置４０は、端末４０１およびプロクシサーバ４０２によって構成される。なお、端末４０１およびプロクシサーバ４０２は、それぞれ図２に示したようなハードウェア構成を備えたコンピュータ装置によって構成可能である。ただし、プロクシサーバ４０２は、表示装置１００５および入力装置１００６を有していなくてもよい。また、端末４０１およびプロクシサーバ４０２は、ＬＡＮによって接続されているものとする。
【０１３６】
本実施の形態において、構造化文書処理装置４０を構成する各機能ブロックのうち、構造化文書表示部４１、選択部分取得部４２、有用性判断部１３、視覚的特徴類似部分抽出部１４、および、例示部分出力部４５は、本発明の第３の実施の形態と同様に、JavaScript（登録商標）ファイルとしてプロクシサーバ４０２に格納され、端末４０１にダウンロードされブラウザによって実行されることにより実現される。例示部分保持部４７は、プロクシサーバ４０２の記憶装置によって構成される。例示部分候補特定部４８は、Java（登録商標）のコンピュータ・プログラムモジュールとしてプロクシサーバ４０２の記憶装置に格納され、プロクシサーバ４０２においてサーブレットとして実行されることにより実現される。
【０１３７】
以上のように構成された構造化文書処理装置４０の動作の具体例について説明する。
【０１３８】
まず、端末４０１は、本発明の第３の実施の形態における端末２０１と同様に動作して、クリッピング開発サイトの初期ページを表示装置に表示する。
【０１３９】
そして、端末４０１は、本発明の第３の実施の形態における端末２０１と同様に動作することにより、入力装置を介してクリッピング対象のウェブサイトのＵＲＬを取得する。そして、端末４０１は、取得したＵＲＬをプロクシサーバ４０２に送信する。
【０１４０】
次に、プロクシサーバ４０２は、端末４０１から受信したＵＲＬで特定されるＨＴＭＬ文書をイントラネット上から取得する（図１３のステップＳ３１）。
【０１４１】
次に、プロクシサーバ４０２で動作する例示部分候補特定部４８は、取得されたＨＴＭＬ文書において、例示部分保持部４７に保持された例示部分に類似する例示部分候補を特定する（図１３のステップＳ３２）。例えば、前述のように、例示部分候補特定部４８は、例示部分保持部４７に保持された例示部分のうち、該当のＨＴＭＬ文書と同一ドメインのＵＲＬに対応づけられた過去の例示部分を特定する。そして、例示部分候補特定部４８は、該当のＨＴＭＬ文書を構成する要素のうち、特定した例示部分の属性マップにマッチする属性および属性値のペアの割合が閾値以上の要素を、例示部分候補として特定してもよい。
【０１４２】
次に、例示部分候補特定部４８は、該当のＨＴＭＬ文書において、例示部分候補として特定した要素に、例示部分候補であることを示す属性を付加する。
【０１４３】
そして、プロクシサーバ４０２は、例示部分候補の属性が付加されたＨＴＭＬ文書に対して、さらに、各機能ブロックを実現するJavaScript（登録商標）ファイルを読み込むためのタグを埋め込む処理を行う。そして、プロクシサーバ４０２は、処理後のＨＴＭＬ文書および各JavaScript（登録商標）ファイルを、端末４０１に対して送信する。
【０１４４】
次に、端末４０１は、プロクシサーバ４０２から取得したＨＴＭＬ文書を、ブラウザによってレンダリングして表示する。また、端末４０１は、構造化文書に埋め込まれたタグにしたがってJavaScript（登録商標）ファイルを読み込み、そのファイルに記載されたコンピュータ・プログラムモジュールを実行する。これにより、本実施の形態としての構造化文書表示部４１、選択部分取得部４２、有用性判断部１３、視覚的特徴類似部分抽出部１４、および、例示部分出力部４５の各機能ブロックが、端末４０１において展開される。
【０１４５】
次に、構造化文書表示部４１は、例示部分候補であることを示す属性が付加された要素に対応する領域の背景色を変化させる（図１３のステップＳ３４）。
【０１４６】
次に、選択部分取得部４２は、例示部分候補の領域におけるクリック操作を検知すると（図１３のステップＳ３５でＹｅｓ）、例示部分候補のＸＰａｔｈを、例示部分出力部４５に通知する。そして、例示部分出力部４５は、通知されたＸＰａｔｈを例示部分として、類似構造判定装置９０に出力する（図１３のステップＳ３６）。そして、構造化文書処理装置４０は、動作を終了する。
【０１４７】
一方、選択部分取得部４２によって、例示部分候補の領域の外部におけるクリック操作が検知された場合（図１３のステップＳ３５でＮｏ）、以降、構造化文書処理装置４０は、本発明の第３の実施の形態としての構造化文書処理装置２０と同様に、図６のステップＳ１から動作する。
【０１４８】
なお、選択部分取得部４２は、ステップＳ３５において例示部分候補の領域の外部におけるクリック操作が検知された場合、その例示部分候補が選択されなかったことを表す情報を、プロクシサーバ４０２に送信するようにしてもよい。この場合、選択されなかったことを表す情報を受信したプロクシサーバ４０２の例示部分候補特定部４８は、その例示部分候補を特定した元となった例示部分を、例示部分保持部４７から削除するようにしてもよい。このように動作する場合、例示部分候補特定部４８は、例示部分候補を特定した際に、その例示部分候補と、例示部分とを対応付けて一時的に記憶しておくようにすればよい。
【０１４９】
ステップＳ３６、ステップＳ４またはステップＳ８において、例示部分を出力すると、構造化文書処理装置４０は、動作を終了する。
【０１５０】
以上で、構造化文書処理装置４０の動作の具体例の説明を終了する。
【０１５１】
次に、本発明の第５の実施の形態の効果について述べる。
【０１５２】
本発明の第５の実施の形態としての構造化文書処理装置は、クリッピングシステムの開発において、クリッピング対象としたい例示部分を１つ以上のＨＴＭＬ文書から連続的に指定する利用者の作業を、より効率化するよう支援することができる。
【０１５３】
その理由は、例示部分保持部が、利用者によって過去に指定された例示部分を保持しておき、例示部分の指定のために新たなＨＴＭＬ文書が要求されたときに、例示部分候補特定部が、保持しておいた例示部分に類似する例示部分候補を特定するからである。そして、例示部分候補が適切であるとのフィードバック情報が取得された場合、例示部分出力部が、例示部分候補を例示部分として出力するからである。これにより、利用者は、過去に指定した例示部分が適切であるか否かを確認しながら、複数のＨＴＭＬ文書からそれぞれクリッピング対象とする例示部分を連続して指定する際の開発工数を削減することができる。また、適切でないとされた例示部分候補を例示部分保持部から削除する構成とする場合、本発明の第５の実施の形態としての構造化文書処理装置は、複数のＨＴＭＬ文書のそれぞれから取得される例示部分の出力を繰り返す度に、保持している例示部分の有用性を向上させていくことができることになる。
【０１５４】
なお、上述した本発明の各実施の形態において、各フローチャートを参照して説明した構造化文書処理装置の動作を、本発明のコンピュータ・プログラムとして構造化文書処理装置の記憶装置（記憶媒体）に格納しておき、係るコンピュータ・プログラムを当該ＣＰＵが読み出して実行するようにしてもよい。そして、このような場合において、本発明は、係るコンピュータ・プログラムのコード或いは記憶媒体によって構成される。
【０１５５】
また、上述した各実施の形態は、適宜組み合わせて実施されることが可能である。
【０１５６】
また、本発明は、上述した各実施の形態に限定されず、様々な態様で実施されることが可能である。
【０１５７】
また、上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示部と、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得部と、
前記構造化文書を構成する任意の部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部と、
前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部と、
前記有用性判断部によって前記選択部分が前記有用性条件を満たさないと判断される場合、前記視覚的特徴類似部分抽出部によって抽出される前記視覚的特徴類似部分のうち、前記有用性判断部によって前記有用性条件を満たすと判断される部分を、前記選択部分の代わりに前記例示部分として出力する例示部分出力部と、
を備えた構造化文書処理装置。
（付記２）
前記有用性判断部は、前記構造化文書における識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記１に記載の構造化文書処理装置。
（付記３）
前記有用性判断部は、前記構造化文書において一意に特定される属性値が設定されるよう規定された所定種類の属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記２に記載の構造化文書処理装置。
（付記４）
前記有用性判断部は、前記構造化文書における出現回数が閾値以下の属性値が設定された属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記２または付記３に記載の構造化文書処理装置。
（付記５）
前記視覚的特徴類似部分抽出部は、前記表示領域における前記選択部分の表示位置に対して閾値以下の距離の表示位置に表示される部分を、前記視覚的特徴類似部分として抽出することを特徴とする付記１から付記４のいずれか１つに記載の構造化文書処理装置。
（付記６）
前記視覚的特徴類似部分抽出部は、前記表示領域における前記選択部分の表示上の大きさとの差が閾値以下の大きさを有する部分を、前記視覚的特徴類似部分として抽出することを特徴とする付記５に記載の構造化文書処理装置。
（付記７）
前記構造化文書表示部は、前記選択部分が前記有用性条件を満たさない場合に、該選択部分および前記有用性条件を満たす視覚的特徴類似部分をそれぞれ選択可能にさらに表示し、
前記選択部分取得部は、前記選択部分および前記視覚的特徴類似部分のいずれが選択されたかを判断し、
前記例示部分出力部は、前記選択部分取得部の判断にしたがって前記選択部分および前記視覚的特徴類似部分のいずれか１つを前記例示部分として出力することを特徴とする付記１から付記６のいずれか１つに記載の構造化文書処理装置。
（付記８）
前記例示部分を保持する例示部分保持部と、
前記構造化文書において、前記例示部分保持部に保持された例示部分に類似する部分構造を有する例示部分候補を特定する例示部分候補特定部と、
をさらに備え、
前記構造化文書表示部は、前記例示部分候補を選択可能にさらに表示し、
前記選択部分取得部は、前記例示部分候補が選択されたか否かを判断し、
前記例示部分出力部は、前記例示部分候補が選択された場合は、前記例示部分候補を前記例示部分として出力することを特徴とする付記１から付記７のいずれか１つに記載の構造化文書処理装置。
（付記９）
付記１から付記８のいずれか１つに記載の構造化文書処理装置と、
前記構造化文書処理装置から出力された例示部分に類似する部分構造を有する部分を他の構造化文書において特定する類似構造判定装置と、
を備えた構造化文書処理システム。
（付記１０）
構造化文書を構成する各部分を選択可能に表示領域に表示し、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得し、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断し、
前記選択部分が前記有用性条件を満たさない場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出し、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する、構造化文書処理方法。
（付記１１）
前記構造化文書における識別性を有することを前記有用性条件として用いることを特徴とする付記１０に記載の構造化文書処理方法。
（付記１２）
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示ステップと、
前記構造化文書を構成する部分のうち、構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得ステップと、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断ステップと、
前記選択部分が前記有用性条件を満たさないと判断される場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出ステップと、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する例示部分出力ステップと、
をコンピュータ装置に実行させるコンピュータ・プログラム。
（付記１３）
前記有用性判断ステップで、前記構造化文書において識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする付記１２に記載のコンピュータ・プログラム。
【符号の説明】
【０１５８】
１、２、４ 構造化文書処理システム
１０、２０、４０ 構造化文書処理装置
１１、２１、４１ 構造化文書表示部
１２、２２、４２ 選択部分取得部
１３ 有用性判断部
１４ 視覚的特徴類似部分抽出部
１５、２５、４５ 例示部分出力部
４７ 例示部分保持部
４８ 例示部分候補特定部
９０ 類似構造判定装置
２０１、４０１ 端末
２０２、４０２ プロクシサーバ
１００１ ＣＰＵ
１００２ ＲＡＭ
１００３ ＲＯＭ
１００４ 記憶装置
１００５ 表示装置
１００６ 入力装置
１００７ ネットワークインタフェース
【特許請求の範囲】
【請求項１】
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示部と、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得部と、
前記構造化文書を構成する任意の部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部と、
前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部と、
前記有用性判断部によって前記選択部分が前記有用性条件を満たさないと判断される場合、前記視覚的特徴類似部分抽出部によって抽出される前記視覚的特徴類似部分のうち、前記有用性判断部によって前記有用性条件を満たすと判断される部分を、前記選択部分の代わりに前記例示部分として出力する例示部分出力部と、
を備えた構造化文書処理装置。
【請求項２】
前記有用性判断部は、前記構造化文書における識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする請求項１に記載の構造化文書処理装置。
【請求項３】
前記有用性判断部は、前記構造化文書において一意に特定される属性値が設定されるよう規定された所定種類の属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする請求項２に記載の構造化文書処理装置。
【請求項４】
前記有用性判断部は、前記構造化文書における出現回数が閾値以下の属性値が設定された属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする請求項２または請求項３に記載の構造化文書処理装置。
【請求項５】
前記視覚的特徴類似部分抽出部は、前記表示領域における前記選択部分の表示位置に対して閾値以下の距離の表示位置に表示される部分を、前記視覚的特徴類似部分として抽出することを特徴とする請求項１から請求項４のいずれか１項に記載の構造化文書処理装置。
【請求項６】
前記構造化文書表示部は、前記選択部分が前記有用性条件を満たさない場合に、該選択部分および前記有用性条件を満たす視覚的特徴類似部分をそれぞれ選択可能にさらに表示し、
前記選択部分取得部は、前記選択部分および前記視覚的特徴類似部分のいずれが選択されたかを判断し、
前記例示部分出力部は、前記選択部分取得部の判断にしたがって前記選択部分および前記視覚的特徴類似部分のいずれか１つを前記例示部分として出力することを特徴とする請求項１から請求項５のいずれか１項に記載の構造化文書処理装置。
【請求項７】
前記例示部分を保持する例示部分保持部と、
前記構造化文書において、前記例示部分保持部に保持された例示部分に類似する例示部分候補を特定する例示部分候補特定部と、
をさらに備え、
前記構造化文書表示部は、前記例示部分候補を選択可能にさらに表示し、
前記選択部分取得部は、前記例示部分候補が選択されたか否かを判断し、
前記例示部分出力部は、前記例示部分候補が選択された場合は、前記例示部分候補を前記例示部分として出力することを特徴とする請求項１から請求項６のいずれか１項に記載の構造化文書処理装置。
【請求項８】
請求項１から請求項７のいずれか１項に記載の構造化文書処理装置と、
前記構造化文書処理装置から出力された例示部分に類似する部分構造を有する部分を他の構造化文書において特定する類似構造判定装置と、
を備えた構造化文書処理システム。
【請求項９】
構造化文書を構成する各部分を選択可能に表示領域に表示し、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得し、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断し、
前記選択部分が前記有用性条件を満たさない場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出し、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する、構造化文書処理方法。
【請求項１０】
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示ステップと、
前記構造化文書を構成する部分のうち、構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得ステップと、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断ステップと、
前記選択部分が前記有用性条件を満たさないと判断される場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出ステップと、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する例示部分出力ステップと、
をコンピュータ装置に実行させるコンピュータ・プログラム。
【請求項１】
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示部と、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得部と、
前記構造化文書を構成する任意の部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断部と、
前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出部と、
前記有用性判断部によって前記選択部分が前記有用性条件を満たさないと判断される場合、前記視覚的特徴類似部分抽出部によって抽出される前記視覚的特徴類似部分のうち、前記有用性判断部によって前記有用性条件を満たすと判断される部分を、前記選択部分の代わりに前記例示部分として出力する例示部分出力部と、
を備えた構造化文書処理装置。
【請求項２】
前記有用性判断部は、前記構造化文書における識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする請求項１に記載の構造化文書処理装置。
【請求項３】
前記有用性判断部は、前記構造化文書において一意に特定される属性値が設定されるよう規定された所定種類の属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする請求項２に記載の構造化文書処理装置。
【請求項４】
前記有用性判断部は、前記構造化文書における出現回数が閾値以下の属性値が設定された属性を有することにより識別性を有する部分を、前記有用性条件を満たす部分として前記判断を行うことを特徴とする請求項２または請求項３に記載の構造化文書処理装置。
【請求項５】
前記視覚的特徴類似部分抽出部は、前記表示領域における前記選択部分の表示位置に対して閾値以下の距離の表示位置に表示される部分を、前記視覚的特徴類似部分として抽出することを特徴とする請求項１から請求項４のいずれか１項に記載の構造化文書処理装置。
【請求項６】
前記構造化文書表示部は、前記選択部分が前記有用性条件を満たさない場合に、該選択部分および前記有用性条件を満たす視覚的特徴類似部分をそれぞれ選択可能にさらに表示し、
前記選択部分取得部は、前記選択部分および前記視覚的特徴類似部分のいずれが選択されたかを判断し、
前記例示部分出力部は、前記選択部分取得部の判断にしたがって前記選択部分および前記視覚的特徴類似部分のいずれか１つを前記例示部分として出力することを特徴とする請求項１から請求項５のいずれか１項に記載の構造化文書処理装置。
【請求項７】
前記例示部分を保持する例示部分保持部と、
前記構造化文書において、前記例示部分保持部に保持された例示部分に類似する例示部分候補を特定する例示部分候補特定部と、
をさらに備え、
前記構造化文書表示部は、前記例示部分候補を選択可能にさらに表示し、
前記選択部分取得部は、前記例示部分候補が選択されたか否かを判断し、
前記例示部分出力部は、前記例示部分候補が選択された場合は、前記例示部分候補を前記例示部分として出力することを特徴とする請求項１から請求項６のいずれか１項に記載の構造化文書処理装置。
【請求項８】
請求項１から請求項７のいずれか１項に記載の構造化文書処理装置と、
前記構造化文書処理装置から出力された例示部分に類似する部分構造を有する部分を他の構造化文書において特定する類似構造判定装置と、
を備えた構造化文書処理システム。
【請求項９】
構造化文書を構成する各部分を選択可能に表示領域に表示し、
前記構造化文書を構成する部分のうち、前記構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得し、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断し、
前記選択部分が前記有用性条件を満たさない場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出し、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する、構造化文書処理方法。
【請求項１０】
構造化文書を構成する各部分を選択可能に表示領域に表示する構造化文書表示ステップと、
前記構造化文書を構成する部分のうち、構造化文書の一部分の類似構造判定の対象となる例示部分として選択された選択部分を取得する選択部分取得ステップと、
前記選択部分が、前記類似構造判定において有用であることを示す有用性条件を満たすか否かを判断する有用性判断ステップと、
前記選択部分が前記有用性条件を満たさないと判断される場合、前記構造化文書を構成する部分のうち、前記選択部分に対して、前記表示領域における表示上の視覚的特徴が類似する視覚的特徴類似部分を抽出する視覚的特徴類似部分抽出ステップと、
前記有用性条件を満たさない前記選択部分の代わりに、前記有用性条件を満たす前記視覚的特徴類似部分を前記例示部分として出力する例示部分出力ステップと、
をコンピュータ装置に実行させるコンピュータ・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】
【公開番号】特開２０１３−８９１４９（Ｐ２０１３−８９１４９Ａ）
【公開日】平成２５年５月１３日（２０１３．５．１３）
【国際特許分類】
【出願番号】特願２０１１−２３１２８２（Ｐ２０１１−２３１２８２）
【出願日】平成２３年１０月２１日（２０１１．１０．２１）
【出願人】（０００００４２３７）日本電気株式会社 (19,353)
【Ｆターム（参考）】
【公開日】平成２５年５月１３日（２０１３．５．１３）
【国際特許分類】
【出願日】平成２３年１０月２１日（２０１１．１０．２１）
【出願人】（０００００４２３７）日本電気株式会社 (19,353)
【Ｆターム（参考）】
[ Back to top ]