特定情報抽出装置および特定情報抽出プログラム
【課題】Ｗｅｂページのような他者が設計、実装したフィールドであっても特定情報を抽出することができる特定情報抽出装置を提供する。
【解決手段】Ｗｅｂページが格納されたＷｅｂページＤＢ１１０から１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページＤＢ１１０に存在するか否かを判定する同一ページ判定部１０１と、前記同一ページ判定部１０１によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する差分検出部１０２と、前記差分検出部１０２によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データＤＢ１２０に格納する差分データ抽出部１０２と、を備えた。
【解決手段】Ｗｅｂページが格納されたＷｅｂページＤＢ１１０から１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページＤＢ１１０に存在するか否かを判定する同一ページ判定部１０１と、前記同一ページ判定部１０１によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する差分検出部１０２と、前記差分検出部１０２によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データＤＢ１２０に格納する差分データ抽出部１０２と、を備えた。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、Ｗｅｂサイトから、例えば個人情報のような特定情報を抽出する特定情報抽出技術に関する。
【背景技術】
【０００２】
コンピュータのＣＰＵ、メモリ等の性能向上、大容量ストレージの低価格化により、ライフログ等の個人が発信する情報を活用する機会が増えてきている。ブログやＥＣサイトでの売買等のＷｅｂ上に発信されたログを活用して、より利用者の嗜好に応じた商品やサービスを提供していく機会も増えてきている。ログの活用に際しては、個人情報のように発信者が公開したくない情報を特定し、必要に応じて除去することが必須となる。
【０００３】
特定情報を除去する方法としては、特許文献１に開示されているように、情報内で特定情報が記載される場所をあらかじめ登録しておき、その場所から得られた情報を特定情報とし、情報全体にあるかマッチングを行い、あった場合に除去する方法がある。
【０００４】
尚、本発明の実施形態例で利用する名字辞典は、例えば非特許文献１に記載されている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２００６−４１１１号公報
【非特許文献】
【０００６】
【非特許文献１】「名字辞典−Ｗｅｂｌｉｏ辞書・百科辞典」、インターネット＜ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｗｅｂｌｉｏ．ｊｐ／ｃａｔ／ｄｉｃｔｉｏｎａｒｙ／ｍｊｋｂｒ＞、[平成２２年１０月２８日検索]
【発明の概要】
【発明が解決しようとする課題】
【０００７】
従来の方法では、あらかじめ特定情報の記載場所を抽出ルールとして登録しておく必要があり、Ｗｅｂページのような他者が設計、実装した場合には、記載場所を目視により確認し、特定することが必要になる。また、タグの情報を基に類推する方法においても多種多様な表現全てに対応することは、困難であり、場所を特定することは困難である。
【０００８】
本発明の目的は、Ｗｅｂページのような他者が設計、実装したフィールドであっても特定情報が記載される場所を検出し、当該場所に記載された特定情報を抽出することができる特定情報抽出装置および特定情報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】
【０００９】
本発明では、上記の課題を解決するため、収集されたログの中から同一のフィールドをもつログを判定し、当該ログにおける差分を差分データとして検出し、当該差分データを抽出し、当該抽出データとして蓄積するように構成した。
【００１０】
すなわち、本発明の特定情報抽出装置は、Ｗｅｂページが格納されたＷｅｂページデータベースから１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページデータベースに存在するか否かを判定する同一ページ判定手段と、前記同一ページ判定手段によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する差分検出手段と、前記差分検出手段によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データデータベースに格納する差分データ抽出手段と、を備えたことを特徴としている。
【発明の効果】
【００１１】
（１）請求項１〜３に記載の発明によれば、Ｗｅｂページのような他者が設計、実装したフィールドであっても特定情報が記載される場所を検出し、記載された特定情報を抽出することができる。
（２）請求項２に記載の発明によれば、ログ情報を活用する際に、抽出された特定情報を公開すべきでない情報として、マスキングを行うことが可能になり、データの公開前に目視等により、チェックを行う必要がなくなる。
【図面の簡単な説明】
【００１２】
【図１】本発明の一実施形態例にかかる特定情報抽出装置のブロック図。
【図２】本発明の一実施形態例における特定情報抽出処理の流れを示すフローチャート。
【図３】Ｗｅｂページの一例を示す説明図。
【図４】図３のＷｅｂページと同一構造であり、内容に差分が生じているＷｅｂページの一例を示す説明図。
【図５】本発明の他の実施形態例における特定情報抽出処理の流れを示すフローチャート。
【発明を実施するための形態】
【００１３】
以下、図面を参照しながら本発明の実施の形態を説明するが、本発明は下記の実施形態例に限定されるものではない。図１は本発明の一実施形態例における特定情報抽出装置１００の構成を示し、図２は図１の装置における特定情報抽出処理の流れを示している。
【００１４】
図１において、特定情報抽出装置１００は、同一ページ判定手段としての同一ページ判定部１０１、差分検出手段としての差分検出部１０２、差分データ抽出手段としての差分データ抽出部１０３、ＷｅｂページＤＢ（データベース）１１０および差分データＤＢ１２０を備えている。
【００１５】
前記同一ページ判定部１０１は、Ｗｅｂページが格納されたＷｅｂページＤＢ１１０から１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページＤＢ１１０に存在するか否かを判定する。
【００１６】
差分検出部１０２は、同一ページ判定部１０１によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する。
【００１７】
差分データ抽出部１０３は、前記差分検出部１０２によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データＤＢ１２０に格納する。
【００１８】
前記特定情報抽出装置１００は、例えばコンピュータにより構成され、通常のコンピュータのハードウェアリソース、例えばＲＯＭ、ＲＡＭ、ＣＰＵ、入力装置、出力装置、通信インターフェース、ハードディスク、記録媒体およびその駆動装置を備えている。
【００１９】
このハードウェアリソースとソフトウェアリソース（ＯＳ、アプリケーションなど）との協働の結果、特定情報抽出装置１００は、図１に示すように、同一ページ判定部１０１、差分検出部１０２、差分データ抽出部１０３、ＷｅｂページＤＢ１１０、差分データＤＢ１２０を実装する。
【００２０】
前記ＷｅｂページＤＢ１１０、差分データＤＢ１２０は、ハードディスクあるいはＲＡＭなどの保存手段・記憶手段に構築されているものとする。
【００２１】
まず同一ページ判定部１０１は、図２のステップＳ１においてＷｅｂページＤＢ１１０から１ページ読み取り、ステップＳ２において読み取るページが存在するか否かの判定を行う。読み取るページが無い場合には、処理を終了する。
【００２２】
読み取るページがある場合は、ステップＳ３において、当該ページと同一の構造を持つページが、ＷｅｂページＤＢ１１０にあるか否かの判定を行う。同一構造をもつページがない場合は、ステップＳ１において新たなページをＷｅｂページＤＢ１１０から読み込む。
【００２３】
同一構造をもつページがある場合は、差分検出部１０２が、ステップＳ４において、同一構造をもつページ間での差分があるか否かの検出を行う。差分が無い場合は、当該ページに対して、他の同一構造をもつページが無いかの判定をステップＳ３において行う。差分がある場合は、差分データ抽出部１０３が、差分のある場所を差分領域として特定し（ステップＳ５）、当該差分領域に記載された情報を差分データとして抽出し（ステップＳ６）、当該差分領域および差分データを差分データＤＢ１２０へ書き込む（ステップＳ７）。
【００２４】
次に本実施形態の具体例を説明する。
【００２５】
図３、図４は、同一構造であり、内容に差分が生じている、ＷｅｂページＤＢ１１０に格納されたＷｅｂページの一例である。
【００２６】
図３に示すページを同一ページ判定部１０１により、ＷｅｂページＤＢ１１０から読み込み、そのページに対して、ＵＲＬ、フレーム、タグが同一の構造をもつ他のページがＷｅｂページＤＢ１１０にないか判定を行い、同一の構造をもつ図４に示すページを検出する（ステップＳ１〜Ｓ３）。
【００２７】
なお、同一構造の判定については、前出の特許文献１に開示されているように、動的情報及び装飾情報を除いた枠組みを表すＵＲＬ、フレーム、タグからなる木構造情報を用いて判定する手法が既出であるため、ここではそれを一例として適用することとする。
【００２８】
ここで、ＵＲＬ、フレーム、タグが同一である２つのファイルに対して、ファイル間でのデータの差分を機械的に取る（ステップＳ４）。取得方法としては、ｕｎｉｘコマンドのｄｉｆｆを使用することにより容易に実現できる。ここで抽出された差分データについて、そのデータが記載されているタグをＷｅｂページＤＢ１１０内の元のＷｅｂページから抽出し、そのタグを抽出された差分データの差分領域として紐付ける。図３、図４での例としては、姓、名、姓カナ、名カナ、郵便番号、市町村、電話番号のタグが差分領域として抽出される（ステップＳ５、Ｓ６）。
【００２９】
そして前記姓、名、姓カナ、名カナ、郵便番号、市町村、電話番号の差分領域に紐付けられた差分データを、差分領域と共に、特徴情報として差分データＤＢ１２０へ書き込み（ステップＳ７）、その後はステップＳ３に戻る。
【００３０】
上記のように本実施形態例によれば、Ｗｅｂページのような他者が設計、実装したフィールドであっても特定情報（差分データ）が記載される場所を検出し、記載された特定情報を抽出することができる。
【００３１】
次に、本発明の他の実施形態例を図５とともに説明する。図５は、本発明の他の実施形態例において、図１の特定情報抽出装置１００が行なう処理の流れを示している。
【００３２】
図５において、ステップＳ１１の同一ページ判定処理では、同一ページ判定部１０１が前記ステップＳ１〜Ｓ３と同一の処理を行なって、前述した同一構造を持つページの有無を判定する。
【００３３】
ステップＳ１２の差分検出処理では、差分検出部１０２が前記ステップＳ４と同一の処理を行って、前述したページ間のデータの差分を検出する。
【００３４】
ステップＳ１３の差分データ抽出処理では、差分データ抽出部１０３が前記ステップＳ５〜Ｓ７と同一の処理を行なって、前述した差分領域および差分データを差分データＤＢ１２０（図５では図示省略）に格納する。
【００３５】
ステップＳ１４の特定情報判定処理では、差分データ抽出部１０３が、前記差分データＤＢ１２０に格納された差分データについて、一般的な言語処理、文字列マッチング等の処理により、人名であることの検証、数字であることの検証等を行なって特定情報を判定し、該判定された特定情報を特定情報ＤＢ１３０に格納する。
【００３６】
例えば、姓の欄に記載の文字列に対しては、日本人の姓としての特徴（漢数字も含めた漢字（２バイトのコード）であること、姓として登録されている最大の文字数の範囲であることなど）の条件を満たし、一般に公開されている名字辞典（例えば、非特許文献１の名字辞典など）とのマッチングを実施し、検証を行なう。
【００３７】
また、電話番号の欄に記載の文字列に対しては、日本の電話番号としての特徴（数字列（１バイトあるいは２バイトのコード）でること、桁数、既定の桁数毎にハイフォン（１バイトあるいは２バイトのコード）が入ることがあるなど）の条件を満たすことにより、検証を行なう。
【００３８】
尚、この特定情報ＤＢ１３０も特定情報抽出装置１００内のハードディスク或いはＲＡＭなどの保存手段・記憶手段に構築されるものである。
【００３９】
ステップＳ１５の特定情報マスキング処理では、差分データ抽出部１０３が、前記特定情報ＤＢ１３０内の特定情報と、前記ステップＳ１３において差分データＤＢ１２０に格納された差分データとのマッチングを行って特定情報のマスキングを実施し、該マスキングされた特定情報によって前記ＷｅｂページＤＢ１１０のデータを更新する。
【００４０】
上記のように本実施形態例によれば、ログ情報を活用する際に、抽出された特定情報を公開すべきでない情報として、マスキングを行うことが可能になり、データの公開前に目視等により、チェックを行う必要がなくなる。
【００４１】
また、本実施形態の特定情報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、本実施形態の特定情報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く、コンピュータでその機能を実現するためのプログラムを、そのコンピュータが読み取り可能な記録媒体、例えばＦＤ（Ｆｌｏｐｐｙ（登録商標） Ｄｉｓｋ）や、ＭＯ（Ｍａｇｎｅｔｏ−Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、メモリカード、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋ）−ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＨＤＤ、リムーバブルディスクなどに記録して、保存したり、配布したりすることが可能である。また、上記のプログラムをインターネットや電子メールなど、ネットワークを通して提供することも可能である。
【符号の説明】
【００４２】
１０１…同一ページ判定部
１０２…差分検出部
１０３…差分データ抽出部
１１０…ＷｅｂページＤＢ
１２０…差分データＤＢ
１３０…特定情報ＤＢ
【技術分野】
【０００１】
本発明は、Ｗｅｂサイトから、例えば個人情報のような特定情報を抽出する特定情報抽出技術に関する。
【背景技術】
【０００２】
コンピュータのＣＰＵ、メモリ等の性能向上、大容量ストレージの低価格化により、ライフログ等の個人が発信する情報を活用する機会が増えてきている。ブログやＥＣサイトでの売買等のＷｅｂ上に発信されたログを活用して、より利用者の嗜好に応じた商品やサービスを提供していく機会も増えてきている。ログの活用に際しては、個人情報のように発信者が公開したくない情報を特定し、必要に応じて除去することが必須となる。
【０００３】
特定情報を除去する方法としては、特許文献１に開示されているように、情報内で特定情報が記載される場所をあらかじめ登録しておき、その場所から得られた情報を特定情報とし、情報全体にあるかマッチングを行い、あった場合に除去する方法がある。
【０００４】
尚、本発明の実施形態例で利用する名字辞典は、例えば非特許文献１に記載されている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２００６−４１１１号公報
【非特許文献】
【０００６】
【非特許文献１】「名字辞典−Ｗｅｂｌｉｏ辞書・百科辞典」、インターネット＜ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｗｅｂｌｉｏ．ｊｐ／ｃａｔ／ｄｉｃｔｉｏｎａｒｙ／ｍｊｋｂｒ＞、[平成２２年１０月２８日検索]
【発明の概要】
【発明が解決しようとする課題】
【０００７】
従来の方法では、あらかじめ特定情報の記載場所を抽出ルールとして登録しておく必要があり、Ｗｅｂページのような他者が設計、実装した場合には、記載場所を目視により確認し、特定することが必要になる。また、タグの情報を基に類推する方法においても多種多様な表現全てに対応することは、困難であり、場所を特定することは困難である。
【０００８】
本発明の目的は、Ｗｅｂページのような他者が設計、実装したフィールドであっても特定情報が記載される場所を検出し、当該場所に記載された特定情報を抽出することができる特定情報抽出装置および特定情報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】
【０００９】
本発明では、上記の課題を解決するため、収集されたログの中から同一のフィールドをもつログを判定し、当該ログにおける差分を差分データとして検出し、当該差分データを抽出し、当該抽出データとして蓄積するように構成した。
【００１０】
すなわち、本発明の特定情報抽出装置は、Ｗｅｂページが格納されたＷｅｂページデータベースから１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページデータベースに存在するか否かを判定する同一ページ判定手段と、前記同一ページ判定手段によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する差分検出手段と、前記差分検出手段によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データデータベースに格納する差分データ抽出手段と、を備えたことを特徴としている。
【発明の効果】
【００１１】
（１）請求項１〜３に記載の発明によれば、Ｗｅｂページのような他者が設計、実装したフィールドであっても特定情報が記載される場所を検出し、記載された特定情報を抽出することができる。
（２）請求項２に記載の発明によれば、ログ情報を活用する際に、抽出された特定情報を公開すべきでない情報として、マスキングを行うことが可能になり、データの公開前に目視等により、チェックを行う必要がなくなる。
【図面の簡単な説明】
【００１２】
【図１】本発明の一実施形態例にかかる特定情報抽出装置のブロック図。
【図２】本発明の一実施形態例における特定情報抽出処理の流れを示すフローチャート。
【図３】Ｗｅｂページの一例を示す説明図。
【図４】図３のＷｅｂページと同一構造であり、内容に差分が生じているＷｅｂページの一例を示す説明図。
【図５】本発明の他の実施形態例における特定情報抽出処理の流れを示すフローチャート。
【発明を実施するための形態】
【００１３】
以下、図面を参照しながら本発明の実施の形態を説明するが、本発明は下記の実施形態例に限定されるものではない。図１は本発明の一実施形態例における特定情報抽出装置１００の構成を示し、図２は図１の装置における特定情報抽出処理の流れを示している。
【００１４】
図１において、特定情報抽出装置１００は、同一ページ判定手段としての同一ページ判定部１０１、差分検出手段としての差分検出部１０２、差分データ抽出手段としての差分データ抽出部１０３、ＷｅｂページＤＢ（データベース）１１０および差分データＤＢ１２０を備えている。
【００１５】
前記同一ページ判定部１０１は、Ｗｅｂページが格納されたＷｅｂページＤＢ１１０から１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページＤＢ１１０に存在するか否かを判定する。
【００１６】
差分検出部１０２は、同一ページ判定部１０１によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する。
【００１７】
差分データ抽出部１０３は、前記差分検出部１０２によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データＤＢ１２０に格納する。
【００１８】
前記特定情報抽出装置１００は、例えばコンピュータにより構成され、通常のコンピュータのハードウェアリソース、例えばＲＯＭ、ＲＡＭ、ＣＰＵ、入力装置、出力装置、通信インターフェース、ハードディスク、記録媒体およびその駆動装置を備えている。
【００１９】
このハードウェアリソースとソフトウェアリソース（ＯＳ、アプリケーションなど）との協働の結果、特定情報抽出装置１００は、図１に示すように、同一ページ判定部１０１、差分検出部１０２、差分データ抽出部１０３、ＷｅｂページＤＢ１１０、差分データＤＢ１２０を実装する。
【００２０】
前記ＷｅｂページＤＢ１１０、差分データＤＢ１２０は、ハードディスクあるいはＲＡＭなどの保存手段・記憶手段に構築されているものとする。
【００２１】
まず同一ページ判定部１０１は、図２のステップＳ１においてＷｅｂページＤＢ１１０から１ページ読み取り、ステップＳ２において読み取るページが存在するか否かの判定を行う。読み取るページが無い場合には、処理を終了する。
【００２２】
読み取るページがある場合は、ステップＳ３において、当該ページと同一の構造を持つページが、ＷｅｂページＤＢ１１０にあるか否かの判定を行う。同一構造をもつページがない場合は、ステップＳ１において新たなページをＷｅｂページＤＢ１１０から読み込む。
【００２３】
同一構造をもつページがある場合は、差分検出部１０２が、ステップＳ４において、同一構造をもつページ間での差分があるか否かの検出を行う。差分が無い場合は、当該ページに対して、他の同一構造をもつページが無いかの判定をステップＳ３において行う。差分がある場合は、差分データ抽出部１０３が、差分のある場所を差分領域として特定し（ステップＳ５）、当該差分領域に記載された情報を差分データとして抽出し（ステップＳ６）、当該差分領域および差分データを差分データＤＢ１２０へ書き込む（ステップＳ７）。
【００２４】
次に本実施形態の具体例を説明する。
【００２５】
図３、図４は、同一構造であり、内容に差分が生じている、ＷｅｂページＤＢ１１０に格納されたＷｅｂページの一例である。
【００２６】
図３に示すページを同一ページ判定部１０１により、ＷｅｂページＤＢ１１０から読み込み、そのページに対して、ＵＲＬ、フレーム、タグが同一の構造をもつ他のページがＷｅｂページＤＢ１１０にないか判定を行い、同一の構造をもつ図４に示すページを検出する（ステップＳ１〜Ｓ３）。
【００２７】
なお、同一構造の判定については、前出の特許文献１に開示されているように、動的情報及び装飾情報を除いた枠組みを表すＵＲＬ、フレーム、タグからなる木構造情報を用いて判定する手法が既出であるため、ここではそれを一例として適用することとする。
【００２８】
ここで、ＵＲＬ、フレーム、タグが同一である２つのファイルに対して、ファイル間でのデータの差分を機械的に取る（ステップＳ４）。取得方法としては、ｕｎｉｘコマンドのｄｉｆｆを使用することにより容易に実現できる。ここで抽出された差分データについて、そのデータが記載されているタグをＷｅｂページＤＢ１１０内の元のＷｅｂページから抽出し、そのタグを抽出された差分データの差分領域として紐付ける。図３、図４での例としては、姓、名、姓カナ、名カナ、郵便番号、市町村、電話番号のタグが差分領域として抽出される（ステップＳ５、Ｓ６）。
【００２９】
そして前記姓、名、姓カナ、名カナ、郵便番号、市町村、電話番号の差分領域に紐付けられた差分データを、差分領域と共に、特徴情報として差分データＤＢ１２０へ書き込み（ステップＳ７）、その後はステップＳ３に戻る。
【００３０】
上記のように本実施形態例によれば、Ｗｅｂページのような他者が設計、実装したフィールドであっても特定情報（差分データ）が記載される場所を検出し、記載された特定情報を抽出することができる。
【００３１】
次に、本発明の他の実施形態例を図５とともに説明する。図５は、本発明の他の実施形態例において、図１の特定情報抽出装置１００が行なう処理の流れを示している。
【００３２】
図５において、ステップＳ１１の同一ページ判定処理では、同一ページ判定部１０１が前記ステップＳ１〜Ｓ３と同一の処理を行なって、前述した同一構造を持つページの有無を判定する。
【００３３】
ステップＳ１２の差分検出処理では、差分検出部１０２が前記ステップＳ４と同一の処理を行って、前述したページ間のデータの差分を検出する。
【００３４】
ステップＳ１３の差分データ抽出処理では、差分データ抽出部１０３が前記ステップＳ５〜Ｓ７と同一の処理を行なって、前述した差分領域および差分データを差分データＤＢ１２０（図５では図示省略）に格納する。
【００３５】
ステップＳ１４の特定情報判定処理では、差分データ抽出部１０３が、前記差分データＤＢ１２０に格納された差分データについて、一般的な言語処理、文字列マッチング等の処理により、人名であることの検証、数字であることの検証等を行なって特定情報を判定し、該判定された特定情報を特定情報ＤＢ１３０に格納する。
【００３６】
例えば、姓の欄に記載の文字列に対しては、日本人の姓としての特徴（漢数字も含めた漢字（２バイトのコード）であること、姓として登録されている最大の文字数の範囲であることなど）の条件を満たし、一般に公開されている名字辞典（例えば、非特許文献１の名字辞典など）とのマッチングを実施し、検証を行なう。
【００３７】
また、電話番号の欄に記載の文字列に対しては、日本の電話番号としての特徴（数字列（１バイトあるいは２バイトのコード）でること、桁数、既定の桁数毎にハイフォン（１バイトあるいは２バイトのコード）が入ることがあるなど）の条件を満たすことにより、検証を行なう。
【００３８】
尚、この特定情報ＤＢ１３０も特定情報抽出装置１００内のハードディスク或いはＲＡＭなどの保存手段・記憶手段に構築されるものである。
【００３９】
ステップＳ１５の特定情報マスキング処理では、差分データ抽出部１０３が、前記特定情報ＤＢ１３０内の特定情報と、前記ステップＳ１３において差分データＤＢ１２０に格納された差分データとのマッチングを行って特定情報のマスキングを実施し、該マスキングされた特定情報によって前記ＷｅｂページＤＢ１１０のデータを更新する。
【００４０】
上記のように本実施形態例によれば、ログ情報を活用する際に、抽出された特定情報を公開すべきでない情報として、マスキングを行うことが可能になり、データの公開前に目視等により、チェックを行う必要がなくなる。
【００４１】
また、本実施形態の特定情報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、本実施形態の特定情報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く、コンピュータでその機能を実現するためのプログラムを、そのコンピュータが読み取り可能な記録媒体、例えばＦＤ（Ｆｌｏｐｐｙ（登録商標） Ｄｉｓｋ）や、ＭＯ（Ｍａｇｎｅｔｏ−Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、メモリカード、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋ）−ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＨＤＤ、リムーバブルディスクなどに記録して、保存したり、配布したりすることが可能である。また、上記のプログラムをインターネットや電子メールなど、ネットワークを通して提供することも可能である。
【符号の説明】
【００４２】
１０１…同一ページ判定部
１０２…差分検出部
１０３…差分データ抽出部
１１０…ＷｅｂページＤＢ
１２０…差分データＤＢ
１３０…特定情報ＤＢ
【特許請求の範囲】
【請求項１】
Ｗｅｂページが格納されたＷｅｂページデータベースから１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページデータベースに存在するか否かを判定する同一ページ判定手段と、
前記同一ページ判定手段によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する差分検出手段と、
前記差分検出手段によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データデータベースに格納する差分データ抽出手段と、
を備えたことを特徴とする特定情報抽出装置。
【請求項２】
前記差分データ抽出手段は、前記抽出された差分データから特定情報を判定し、該判定された特定情報を特定情報データベースに格納し、該格納された特定情報に対してマスキングを行い、該マスキングされた特定情報によって前記Ｗｅｂページデータベースの更新を行うことを特徴とする請求項１に記載の特定情報抽出装置。
【請求項３】
コンピュータを請求項１又は２に記載の各手段として機能させる特定情報抽出プログラム。
【請求項１】
Ｗｅｂページが格納されたＷｅｂページデータベースから１つのＷｅｂページを読み取り、該ページと同一構造を持つページがＷｅｂページデータベースに存在するか否かを判定する同一ページ判定手段と、
前記同一ページ判定手段によって前記同一構造を持つページが存在すると判定された場合に、当該同一構造を持つページ間で内容に差分が有るか否かを検出する差分検出手段と、
前記差分検出手段によって差分が有ると検出された場合に、差分のある場所を差分領域として特定し、当該差分領域に記載された情報を差分データとして抽出し、前記差分領域および差分データを特定情報として差分データデータベースに格納する差分データ抽出手段と、
を備えたことを特徴とする特定情報抽出装置。
【請求項２】
前記差分データ抽出手段は、前記抽出された差分データから特定情報を判定し、該判定された特定情報を特定情報データベースに格納し、該格納された特定情報に対してマスキングを行い、該マスキングされた特定情報によって前記Ｗｅｂページデータベースの更新を行うことを特徴とする請求項１に記載の特定情報抽出装置。
【請求項３】
コンピュータを請求項１又は２に記載の各手段として機能させる特定情報抽出プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２０１２−９８８５５（Ｐ２０１２−９８８５５Ａ）
【公開日】平成２４年５月２４日（２０１２．５．２４）
【国際特許分類】
【出願番号】特願２０１０−２４５０４０（Ｐ２０１０−２４５０４０）
【出願日】平成２２年１１月１日（２０１０．１１．１）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＵＮＩＸ
【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２４年５月２４日（２０１２．５．２４）
【国際特許分類】
【出願日】平成２２年１１月１日（２０１０．１１．１）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＵＮＩＸ
【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 ]