用語収集装置、およびプログラム
【課題】従来の用語収集装置においては、時事的な用語などを収集できなかった、という課題があった。
【解決手段】１以上の関連文書から用語を取り出す用語取得部と、用語取得部が取得した１以上の用語のうちの各用語について、１以上の関連文書内での出現頻度である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、用語取得部が取得した１以上の用語のうちの各用語について、１以上の関連文書または１以上の非関連文書内での出現頻度である文書中出現頻度を取得する文書中出現頻度取得部と、用語取得部が取得した１以上の用語のうちの各用語について、関連文書中出現頻度、および文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、スコア算出部が算出したスコアに基づいて用語を出力する出力部を具備する用語収集装置により、時事的な用語などを収集できる。
【解決手段】１以上の関連文書から用語を取り出す用語取得部と、用語取得部が取得した１以上の用語のうちの各用語について、１以上の関連文書内での出現頻度である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、用語取得部が取得した１以上の用語のうちの各用語について、１以上の関連文書または１以上の非関連文書内での出現頻度である文書中出現頻度を取得する文書中出現頻度取得部と、用語取得部が取得した１以上の用語のうちの各用語について、関連文書中出現頻度、および文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、スコア算出部が算出したスコアに基づいて用語を出力する出力部を具備する用語収集装置により、時事的な用語などを収集できる。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、１以上の文書から用語を収集する用語収集装置等に関するものである。
【背景技術】
【０００２】
従来の用語収集装置において、検索対象用語を入力させる手段と、前記検索対象用語と関連度の高い用語を検索する関連用語検索手段と、前記検索対象用語と意味的な類似度の高い用語を検索する類似用語検索手段と、前記検索対象用語を語構成上包含する一群の同族用語を検索する同族用語を検索し、前記検索された一群の同族用語を語構成上の包含関係に従って階層化するタームバリエーション作成手段と、前記類似用語検索の際に、検索された類似用語に特徴的な文脈パターンを抽出する文脈抽出手段と、前記関連用語検索手段、前記類似用語検索手段、前記タームバリエーション作成手段と前記文脈抽出手段とを用いて検索した結果を出力する手段とを有していた（例えば、特許文献１参照）。
【０００３】
一方、コンピュータを用いた自動通訳や、人手による通訳などを行う場合に、対訳辞書に登録されていない専門用語が出現した場合の処理がきわめて重要となる。
【０００４】
また、関連する技術として、与えた情報と文書の関連度のスコアを算出する技術「Ｏｋａｐｉ ＢＭ２５」がある（非特許文献１参照）。
【０００５】
さらに、関連する技術として、有意確率を算出する技術がある（例えば、非特許文献２参照）。
【特許文献１】特開２００５−２２２２６３号公報（第１頁、第１図等）
【非特許文献１】Ｓ．Ｅ．Ｒｏｂｅｒｓｏｎ ａｎｄ Ｓ．Ｗａｌｋｅｒ，"Ｏｋａｐｉ／Ｋｅｅｎｂｏｗ ａｔ ＴＲＥＣ−８，" ＴＲＥＣ−８，１９９９．
【非特許文献２】久光 徹，丹羽芳樹，「組み合わせ的確率モデルに基づく特徴単語選択方法」，ＮＬ１４０−１２，ＰＰ．８５−９０，２０００．
【発明の開示】
【発明が解決しようとする課題】
【０００６】
しかしながら、従来の用語収集装置においては、特に、ある時期にのみ出現する時事的な用語や、ある特定の話題を有する少数の文書にのみ出現する専門用語を効率的に、精度高く収集することが困難、という課題があった。
【課題を解決するための手段】
【０００７】
本第一の発明の用語収集装置は、１以上の文書から用語を収集する用語収集装置において、収集する用語に関連する文書である関連文書が１以上格納され得る関連文書格納部と、収集する用語に関連しない文書である非関連文書が１以上格納され得る非関連文書格納部と、前記１以上の関連文書から１以上の用語を取り出す用語取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置である。
【０００８】
かかる構成により、専門的な用語や、時事的な用語を収集できる。
【０００９】
また、本第二の発明の用語収集装置は、１以上の文書が格納され得る文書格納部と、収集する用語に関連する情報である関連情報を受け付ける関連情報受付部と、前記関連情報から１以上の語を取得する関連情報語取得部と、前記関連情報語取得部が取得した１以上の語を用いて、前記文書格納部の１以上の文書の各文書が、前記関連情報と所定の関係にある関連文書か、前記関連情報と所定の関係に無い非関連文書かを判断する判断部と、前記１以上の関連文書が有する１以上の用語を取り出す用語取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置である。
【００１０】
かかる構成により、専門的な用語や、時事的な用語を収集でき、かつ、処理前に関連文書と非関連文書を分けておく必要がなく、好適である。
【００１１】
また、本第三の発明の用語収集装置は、第二の発明に対して、前記判断部は、関連文書と非関連文書を分類するための閾値を格納している閾値格納手段と、前記文書格納部の１以上の各文書に対して、前記関連情報語取得部が取得した１以上の用語を用いて、前記関連情報との関連度を算出する関連度算出手段と、前記各文書について、前記関連度算出手段が算出した関連度と前記閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する判断手段を具備する用語収集装置である。
【００１２】
かかる構成により、専門的な用語や、時事的な用語を収集する場合に、関連文書の関連度合いを考慮した、精度の高い収集ができる。
【００１３】
また、本第四の発明の用語収集装置は、第三の発明に対して、前記スコア算出部は、前記用語取得部が取得した１以上の用語のうちの各用語について、前記各関連文書に対して、当該関連文書中の関連文書中出現頻度と当該関連文書の関連度をパラメータとする増加関数による演算を行い、前記各関連文書に対応する１以上の関連文書中頻度情報を算出する関連文書中頻度算出手段と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記文書中出現頻度取得部が算出した前記非関連文書中出現頻度または前記文書中出現頻度を用いて、当該用語が非関連文書を含む文書群に広く出現しない度合いである集中出現度を算出する集中出現度算出手段と、前記関連文書中頻度情報と前記集中出現度をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出するスコア算出手段を具備する用語収集装置である。
【００１４】
かかる構成により、専門的な用語や、時事的な用語を収集する場合に、精度の高い収集ができる。
【００１５】
また、本第五の発明の用語収集装置は、第一から第四いずれかの発明に対して、１以上の用語である１以上の登録用語を格納している登録用語格納部をさらに具備し、前記出力部は、前記登録用語格納部の登録用語を有する出力情報を出力しない用語収集装置である。
【００１６】
かかる構成により、既に登録されている用語について処理をする必要がなく、高速に精度高く専門的な用語や、時事的な用語を収集できる。
【発明の効果】
【００１７】
本発明による用語収集装置によれば、専門的な用語、または時事的な用語などを収集できる。
【発明を実施するための最良の形態】
【００１８】
以下、用語収集装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
（実施の形態）
【００１９】
図１は、本実施の形態における用語収集装置のブロック図である。
【００２０】
用語収集装置は、文書格納部１０１、登録用語格納部１０２、関連情報受付部１０３、関連情報語取得部１０４、判断部１０５、用語取得部１０６、関連文書中出現頻度取得部１０７、文書中出現頻度取得部１０８、スコア算出部１０９、出力情報構成部１１０、出力部１１１を具備する。
【００２１】
判断部１０５は、閾値格納手段１０５１、関連度算出手段１０５２、判断手段１０５３を具備する。
【００２２】
スコア算出部１０９は、関連文書中頻度算出手段１０９１、集中出現度算出手段１０９２、スコア算出手段１０９３を具備する。
【００２３】
文書格納部１０１は、１以上の文書が格納され得る。文書とは、例えば、新聞記事のデータや雑誌のデータであり、テキストデータを有する。１つの文書は、例えば、１つのファイルやデータベース中の一レコードなどである。文書のデータ構造は問わない。文書格納部１０１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００２４】
登録用語格納部１０２は、１以上の用語である１以上の登録用語を格納している。登録用語格納部１０２は、例えば、いわゆる、機械翻訳システムの辞書である。登録用語格納部１０２は、ここでは、登録されている用語を、本用語収集装置で抽出しないために利用される。登録用語は、その訳語と対で格納されている対訳辞書でも良い。登録用語格納部１０２は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００２５】
関連情報受付部１０３は、収集する用語に関連する情報である関連情報を受け付ける。関連情報は、例えば、講演のタイトルの情報（例えば、「迷走するペイオフ論議」など）である。また、関連情報は、例えば、時事的な問題を扱った記事の情報である。関連情報は、通常、テキストデータであり、そのコードの種類やデータ構造等は問わない。関連情報の入力手段は、テンキーやキーボードやマウスやメニュー画面によるもの等、何でも良い。関連情報受付部１０３は、外部の装置から関連情報を受信しても良い。また、関連情報受付部１０３は、記録媒体から関連情報を読み出しても良い。かかる受信や読み出しも関連情報の受け付けである。関連情報受付部１０３は、テンキーやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。
【００２６】
関連情報語取得部１０４は、関連情報から１以上の語を取得する。関連情報語取得部１０４は、通常、関連情報に対して形態素解析を行い、かかる各形態素のうち、機能語を除いた語を、後述する処理対象の語として取得する。また、関連情報語取得部１０４は、関連情報に対して形態素解析を行い、機能語を除き、かつ名詞および名詞句の情報のみ、処理対象の用語として取得しても良い。なお、機能語を除く処理は、無くても良い。また、形態素解析の処理、および機能語を除く処理は公知技術であるので、詳細な説明は省略する。関連情報語取得部１０４は、通常、ＭＰＵやメモリ等から実現され得る。関連情報語取得部１０４の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００２７】
判断部１０５は、関連情報語取得部１０４が取得した１以上の語を用いて、文書格納部１０１の１以上の各文書が、関連情報と所定の関係にある関連文書か、関連情報と所定の関係に無い非関連文書かを判断する。関連文書とは、関連情報と話題が一致する文書である。２つの文書（タイトルなども含む）の話題の一致度合いを算出する処理のうち、公知の処理はいくつか存在する。公知の処理の例として、以下の処理がある。例えば、２つの文書が含む用語とその出現頻度からベクトルを構成し、２つのベクトルの近似度を算出することにより、話題の一致度合いを算出する処理は公知技術である。本実施の形態における関連文書／非関連文書の判断処理は、主として、閾値格納手段１０５１、関連度算出手段１０５２、および判断手段１０５３による処理である。その処理の詳細については、後述する。判断部１０５は、通常、ＭＰＵやメモリ等から実現され得る。判断部１０５の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００２８】
閾値格納手段１０５１は、関連文書と非関連文書を分類するための閾値を格納している。閾値は、例えば、「０．７」である。閾値は、例えば、コンピュータを動作させるプログラム中に埋め込まれていたり、プログラムが読み込みファイル（ヘッダーファイルなど）に記録されていたりする。閾値格納手段１０５１は、不揮発性の記録媒体でも、揮発性の記録媒体でも良い。
【００２９】
関連度算出手段１０５２は、文書格納部１０１の１以上の各文書に対して、関連情報語取得部１０４が取得した１以上の語を用いて、関連情報との関連度を算出する。関連度とは、文書と関連情報の類似度、または文書と関連情報の話題の一致度をととらえても良く、広く解釈する。関連度算出手段１０５２は、文書（Ｓ）ごとに関連度（Ｓｉ）を算出する。関連度算出手段１０５２は、通常、ＭＰＵやメモリ等から実現され得る。関連度算出手段１０５２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３０】
判断手段１０５３は、文書格納部１０１の各文書について、関連度算出手段１０５２が算出した関連度と閾値格納手段１０５１の閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する。判断手段１０５３は、文書の関連度が大きいほど、当該文書を関連文書として判断する。判断手段１０５３は、例えば、１以上の文書の関連度のうち最大の関連度（Ｓｍａｘ）を取得し、ｉ番目の文書の関連度（Ｓｉ）が、「Ｓｉ＞＝ａ×Ｓｍａｘ」の関係にある場合、ｉ番目の文書を関連文書である、と判断する。なお、「ａ」は、閾値である。また、例えば、判断手段１０５３は、各文書について、関連度算出手段１０５２が算出した関連度と、閾値を比較し、関連度が閾値より大きいまたは閾値以上の場合に、当該文書を関連文書であると判断し、関連度が閾値以下または閾値より小さい場合に、当該文書を非関連文書であると判断しても良い。判断手段１０５３は、通常、ＭＰＵやメモリ等から実現され得る。判断手段１０５３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３１】
用語取得部１０６は、１以上の関連文書が有する１以上の用語を取り出す。１以上の関連文書から１以上の用語を取り出す場合に、登録用語を除いて１以上の用語を取り出すことは好適である。用語取得部１０６は、例えば、関連文書を形態素解析し、１以上の用語を取得し、当該１以上の用語から機能語を除いた用語群を取得する。そして、用語取得部１０６は、取得した全用語に対して、登録用語格納部１０２に格納されていないか否かを検索し、登録されていれば、用語群から削除する。そして、用語取得部１０６は、最終的な処理対象の用語を取得する。なお、登録用語を除く処理は必須ではない。用語取得部１０６が登録用語を除く処理を行わない場合、登録用語格納部１０２は不要となる。また、判断部１０５が先に形態素解析を行っている場合、用語取得部１０６は、その形態素解析の結果を利用することは好適である。かかる場合、用語取得部１０６は、形態素解析の結果から１以上の用語を取得し、その用語群から機能語と、登録された用語を削除する処理を行う。また、用語取得部１０６は、重複している用語を一つにする処理を行うことは好適である。用語取得部１０６は、例えば、用語群から機能語と、登録された用語を削除して残った用語群をソートしてから、一致する複数の用語を一つの用語とする（複数の用語のうち、２番目以降に表れる用語を削除する）。用語取得部１０６は、通常、ＭＰＵやメモリ等から実現され得る。用語取得部１０６の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３２】
関連文書中出現頻度取得部１０７は、用語取得部１０６が取得した１以上の用語のうちの各用語について、１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する。出現頻度とは、例えば、一の用語が１以上の関連文書に出現する延べ回数である。出現頻度とは、例えば、一の用語が１回以上出現する関連文書の数でも良い。関連文書中出現頻度取得部１０７は、例えば、関連文書（ファイル）をオープンし、当該関連文書を、一の用語でパターンマッチングし、マッチした回数を算出する。関連文書中出現頻度取得部１０７は、通常、ＭＰＵやメモリ等から実現され得る。関連文書中出現頻度取得部の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３３】
文書中出現頻度取得部１０８は、用語取得部１０６が取得した１以上の用語のうちの各用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または１以上の関連文書または１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する。ここでの出現頻度は、例えば、一の用語が検索対象となる文書に出現する延べ回数である。出現頻度とは、例えば、一の用語が１回以上出現する文書の数でも良い。文書中出現頻度取得部１０８は、通常、ＭＰＵやメモリ等から実現され得る。文書中出現頻度取得部１０８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３４】
スコア算出部１０９は、用語取得部１０６が取得した１以上の用語のうちの各用語について、関連文書中出現頻度および、非関連文書中出現頻度または／および文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出する。スコア算出部１０９は、関連文書中出現頻度をパラメータとする増加関数であり、非関連文書中出現頻度または／および文書中出現頻度をパラメータとする減少関数によりスコアを算出する。このスコアは、用語の専門性または特殊性についてのスコアであるが、広く解し、用語の時事性、一時性などの意義も含む。つまり、スコア算出部１０９は、関連文書での出現回数に関する情報である関連文書中出現頻度が大きいほど、および、非関連文書を含む文書での出現回数に関する情報である非関連文書中出現頻度または／および文書中出現頻度が小さいほど、スコアは大きくなる。スコア算出部１０９の具体的なスコア算出アルゴリズムの例は、後述の関連文書中頻度算出手段１０９１、集中出現度算出手段１０９２、およびスコア算出手段１０９３によるスコア算出アルゴリズムであり、これをＴＦ・ＩＤＦ法という。スコア算出部１０９は、通常、ＭＰＵやメモリ等から実現され得る。スコア算出部１０９の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３５】
関連文書中頻度算出手段１０９１は、用語取得部１０６が取得した１以上の用語のうちの各用語について、各関連文書に対して、当該関連文書中の関連文書中出現頻度と当該関連文書の関連度をパラメータとする増加関数による演算を行い、各関連文書に対応する１以上の関連文書中頻度情報を算出する。例えば、関連文書が３つ（ＲＳ１、ＲＳ２、ＲＳ３）存在し、一の用語が出現する頻度が、それぞれの関連文書に対して、「６」「０」「５」であり、それぞれの関連文書の関連度が「０．９」「０．７」「０．８」である場合、関連文書中頻度算出手段１０９１は、「６×０．９＋０×０．７＋５×０．８＝９．４」と関連文書中頻度情報を算出する。かかる関連文書中頻度情報は、後述する「ＴＦ」である。関連文書中頻度算出手段１０９１は、通常、ＭＰＵやメモリ等から実現され得る。関連文書中頻度算出手段１０９１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３６】
集中出現度算出手段１０９２は、用語取得部１０６が取得した１以上の用語のうちの各用語について、文書中出現頻度取得部１０８が算出した非関連文書中出現頻度または文書中出現頻度を用いて、当該用語が非関連文書を含む文書群に広く出現しない度合いである集中出現度を算出する。集中出現度算出手段１０９２は、例えば、以下のように集中出現度を算出する。つまり、文書中出現頻度取得部１０８は、一の用語が出現する文書の数（ここでの「文書中出現頻度」であり、「ＤＦ」とする。）を算出する。そして、集中出現度算出手段１０９２は、文書格納部１０１の文書の数（Ｎ）を取得する。そして、例えば、集中出現度算出手段１０９２は、予め格納されている集中出現度の算出式「ｌｏｇ（Ｎ／ＤＦ）」を読み出し、「Ｎ」「ＤＦ」に、既に取得している値を代入し、集中出現度を得る。かかる集中出現度をＩＤＦという。その他、集中出現度算出手段１０９２が集中出現度を算出するアルゴリズムは問わない。集中出現度算出手段１０９２は、通常、ＭＰＵやメモリ等から実現され得る。集中出現度算出手段の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３７】
スコア算出手段１０９３は、関連文書中頻度情報（ＴＦ）と集中出現度（ＩＤＦ）をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出する。スコア算出手段１０９３は、例えば、予め格納している演算式「ＴＦ×ＩＤＦ」の情報を読み出し、当該演算式に、関連文書中頻度算出手段１０９１が算出した関連文書中頻度情報（ＴＦ）、および集中出現度算出手段１０９２が算出した集中出現度（ＩＤＦ）を代入する。そして、スコア算出手段１０９３は、スコアを得る。かかるスコアの算出方法を、ここでは、ＴＦ・ＩＤＦ法という。また、スコア算出手段１０９３は、スコア算出手段１０９３は、通常、ＭＰＵやメモリ等から実現され得る。スコア算出手段１０９３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３８】
なお、スコア算出部１０９は、ＴＦ・ＩＤＦ法ではなく、有意確率法によりスコアを算出しても良い。つまり、スコア算出部１０９は、まず、全関連文書の全用語の数を算出する。かかる処理は、例えば、全関連文書を読み出し、形態素解析を行い、機能語を削除し、残った語数を算出する処理である。次に、スコア算出部１０９は、文書格納部１０１の全文書から、全関連文書の全用語の数だけランダムに用語を取得した場合に、一の用語の出現頻度が上述した「ＴＦ」以上である確率として統計的仮説検定の有意確率（ｐ値）を設定する。そして、スコア算出部１０９は、予め決められた演算式「−ｌｏｇ（ｐ値）」の情報を読み出し、既に得た有意確率（ｐ値）を代入し、スコアを算出する。
【００３９】
出力情報構成部１１０は、スコア算出部１０９が算出したスコアと用語を用いて出力する情報である出力情報を構成する。出力情報構成部１１０は、例えば、スコアをキーに降順に用語をソートして、スコアの高い用語から出力するように出力情報を構成する。また、例えば、出力情報構成部１１０は、スコアをキーに降順に用語をソートして、上位１００の用語をスコアの高い用語から出力するように出力情報を構成しても良い。出力情報構成部１１０は、用語のみを出力しても良いし、用語とスコアの組の情報を出力しても良い。その他、出力情報構成部１１０が出力情報を構成するアルゴリズムは問わない。出力情報構成部１１０は、通常、ＭＰＵやメモリ等から実現され得る。出力情報構成部１１０の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４０】
出力部１１１は、出力情報構成部１１０が構成した出力情報を出力する。ここで、出力とは、ディスプレイへの表示、プリンタへの印字、音出力、外部の装置への送信、記録媒体への蓄積等を含む概念である。出力部１１１は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部１１１は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
【００４１】
次に、用語収集装置の動作について図２から図６のフローチャートを用いて説明する。
【００４２】
（ステップＳ２０１）関連情報受付部１０３は、収集する用語に関連する情報である関連情報（例えば、講演のタイトルの情報）を受け付けたか否かを判断する。関連情報を受け付ければステップＳ２０２に行き、関連情報を受け付けなければステップＳ２０１に戻る。
【００４３】
（ステップＳ２０２）関連情報語取得部１０４は、ステップＳ２０１で受け付けた関連情報から１以上の語を取得する。具体的には、例えば、関連情報語取得部１０４は、関連情報を形態素解析し、１以上の形態素の中から機能語を除く処理を行い、残った形態素を１以上の用語として得る。
【００４４】
（ステップＳ２０３）判断部１０５は、ステップＳ２０２で取得した１以上の用語を用いて、文書格納部１０１の１以上の各文書が、関連情報と所定の関係にある関連文書か、関連情報と所定の関係に無い非関連文書かを判断する。そして、判断部１０５は、各文書について、関連文書か、非関連文書かについての情報を、メモリ上に一時記憶する。かかる判断処理の詳細については、図３のフローチャートを用いて後述する。
【００４５】
（ステップＳ２０４）用語取得部１０６は、ステップＳ２０３で関連文書であると判断された１以上の関連文書が有する１以上の用語を取り出す。具体的には、用語取得部１０６は、各関連文書を読み出し（例えば、ファイルオープンし）、読み出した関連文書を、順次、形態素解析し、機能語を削除し、１以上の用語を得る。そして、用語取得部１０６は、重複する用語を一つの用語にし（ユニーク処理し）、重複しない１以上の用語を得る。
【００４６】
（ステップＳ２０５）関連文書中出現頻度取得部１０７は、カウンタｉに１を代入する。
【００４７】
（ステップＳ２０６）関連文書中出現頻度取得部１０７は、ステップＳ２０４で取得した用語のうち、ｉ番目の用語が存在するか否かを判断する。ｉ番目の用語が存在すればステップＳ２０７に行き、ｉ番目の用語が存在しなければステップＳ２１２に行く。
【００４８】
（ステップＳ２０７）関連文書中出現頻度取得部１０７は、ｉ番目の用語について、１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する。関連文書中出現頻度を取得する処理の例については、図４のフローチャートを用いて後述する。
【００４９】
（ステップＳ２０８）文書中出現頻度取得部１０８は、ｉ番目の用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または１以上の関連文書または１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する。ここでは、文書中出現頻度取得部１０８は、文書中出現頻度を取得する、とする。この文書中出現頻度を取得する処理の例については、図５のフローチャートを用いて後述する。
【００５０】
（ステップＳ２０９）スコア算出部１０９は、ｉ番目の用語について、ステップＳ２０７で取得した関連文書中出現頻度および、ステップＳ２０８で取得した文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出する。スコアを算出する処理の例については、図６のフローチャートを用いて後述する。
【００５１】
（ステップＳ２１０）スコア算出部１０９は、ｉ番目の用語と、ステップＳ２０９で算出したスコアを対にして、メモリ上に一時格納する。
【００５２】
（ステップＳ２１１）関連文書中出現頻度取得部１０７は、カウンタｉを１、インクリメントし、ステップＳ２０６に戻る。
【００５３】
（ステップＳ２１２）出力情報構成部１１０は、ステップＳ２１０で一時格納された情報を用いて出力情報を構成する。
【００５４】
（ステップＳ２１３）出力部１１１は、ステップＳ２１２で構成した出力情報を出力し、処理を終了する。
【００５５】
次に、文書が関連文書か、非関連文書かを判断する判断部１０５の処理（ステップＳ２０３）の詳細について、図３のフローチャートを用いて説明する。
【００５６】
（ステップＳ３０１）判断部１０５は、カウンタｉに１を代入する。
【００５７】
（ステップＳ３０２）判断部１０５は、文書のスコア（Ｓ）を算出する演算式の情報を読み込む。この演算式の情報は、例えば、予め判断部１０５が有する記録媒体（図示しない）に格納している。
【００５８】
（ステップＳ３０３）判断部１０５は、演算式に与えるパラメータの情報であり、文書に共通する情報を取得する。共通する情報とは、例えば、文書格納部１０１の文書数「Ｎ」や、関連情報が含む用語（ステップＳ２０２で取得した用語）が、文書格納部１０１の文書の中で出現する文書数「ｎ」などである。「Ｎ」「ｎ」を取得する技術は、公知技術であるので説明を省略する。
【００５９】
（ステップＳ３０４）関連度算出手段１０５２は、文書格納部１０１の中に、ｉ番目の文書が存在するか否かを判断する。ｉ番目の文書が存在すればステップＳ３０５に行き、ｉ番目の文書が存在しなければステップＳ３１１に行く。
【００６０】
（ステップＳ３０５）関連度算出手段１０５２は、文書格納部１０１からｉ番目の文書を読み出す。
【００６１】
（ステップＳ３０６）関連度算出手段１０５２は、ステップＳ３０５で読み出したｉ番目の文書を形態素解析し、１以上の形態素を得る。
【００６２】
（ステップＳ３０７）関連度算出手段１０５２は、ステップＳ３０６で得た１以上の形態素から機能語を除き、１以上の形態素を残す。
【００６３】
（ステップＳ３０８）関連度算出手段１０５２は、ｉ番目の文書固有の情報を取得する。ｉ番目の文書固有の情報とは、例えば、関連情報が含む用語のｉ番目の文書中での出現頻度「ｔｆ」や、ｉ番目の文書の長さ（文字数）「ｄｌ」などである。「ｔｆ」「ｄｌ」を取得する技術は、公知技術であるので説明を省略する。
【００６４】
（ステップＳ３０９）関連度算出手段１０５２は、ステップＳ３０２で読み込んだ演算式に、共通する情報、固有の情報を代入し、演算式を実行し、ｉ番目の文書のスコア（Ｓｉ）を得る。そして、ｉ番目の文書のスコア（Ｓｉ）をｉ番目の文書を識別する情報（またはｉ番目の文書）と対にして、メモリ上に一時格納する。
【００６５】
（ステップＳ３１０）関連度算出手段１０５２は、カウンタｉを１、インクリメントし、ステップＳ３０４に戻る。
【００６６】
（ステップＳ３１１）判断手段１０５３は、ステップＳ３０９で一時格納したスコアのうちの最大のスコア（Ｓｍａｘ）を取得する。
【００６７】
（ステップＳ３１２）判断手段１０５３は、閾値格納手段１０５１から閾値（ａ）を読み出す。
【００６８】
（ステップＳ３１３）判断手段１０５３は、カウンタｉに１を代入する。
【００６９】
（ステップＳ３１４）判断手段１０５３は、文書格納部１０１の中に、ｉ番目の文書が存在するか否かを判断する。ｉ番目の文書が存在すればステップＳ３１５に行き、ｉ番目の文書が存在しなければ上位関数にリターンする。
【００７０】
（ステップＳ３１５）判断手段１０５３は、「Ｓｉ＞＝ａ×Ｓｍａｘ」であるか否かを判断する。かかる条件を満足すればステップＳ３１６に行き、満足しなければステップＳ３１８に行く。なお、ｉ番目の文書のスコア（Ｓｉ）は、ステップＳ３０９で一時格納しており、判断手段１０５３は、かかるスコア（Ｓｉ）を読み出す。
【００７１】
（ステップＳ３１６）判断手段１０５３は、ｉ番目の文書を関連文書として登録する。ここで、登録とは、ｉ番目の文書に関連文書のフラグ（例えば、「１」）を付与する処理でも良いし、関連文書を登録するメモリ上のテーブルに、ｉ番目の文書を識別する情報を追記する処理でも良い。その他、登録の方法は問わない。
【００７２】
（ステップＳ３１７）判断手段１０５３は、カウンタｉを１、インクリメントし、ステップＳ３１４に戻る。
【００７３】
（ステップＳ３１８）判断手段１０５３は、ｉ番目の文書を非関連文書として登録し、ステップＳ３１７に行く。なお、「非関連文書として登録」とは、関連文書と非関連文書とを区別できるように処理すれば良い。したがって、判断手段１０５３は、関連文書のみを登録し、ここでは、何もしない（ＮＯＰ）でも良い。
【００７４】
なお、図３のフローチャートにおいて説明した処理は、関連文書／非関連文書を分類する処理の一例であり、他のアルゴリズムで関連文書／非関連文書を分類しても良い。他のアルゴリズムとは、例えば、関連情報が有する用語から構成されるベクトルと、文書が有する用語から構成されるベクトルを用いて、２つのベクトルの類似度を算出し、類似度が予め決められている閾値より大きい場合のみ関連文書と判断するアルゴリズムである。
【００７５】
次に、ステップＳ２０７の関連文書中出現頻度を取得する処理の例について、図４のフローチャートを用いて説明する。
【００７６】
（ステップＳ４０１）関連文書中出現頻度取得部１０７は、初期化処理を行う。初期化処理とは、カウンタｉに１を代入したり、関連文書中出現頻度を代入する変数「関連文書中出現頻度」に０を代入したりする処理である。
【００７７】
（ステップＳ４０２）関連文書中出現頻度取得部１０７は、ｉ番目の関連文書が存在するか否かを判断する。ｉ番目の関連文書が存在すればステップＳ４０３に行き、ｉ番目の関連文書が存在しなければステップＳ４０８に行く。
【００７８】
（ステップＳ４０３）関連文書中出現頻度取得部１０７は、ｉ番目の関連文書に、着目している用語が出現する回数（ｄ）を取得する。関連文書中出現頻度取得部１０７は、通常、ｉ番目の関連文書を形態素解析した結果を用いて、着目している用語が出現する回数を取得する。ただし、関連文書中出現頻度取得部１０７は、ｉ番目の関連文書に対して、着目している用語でパターンマッチングを行い、合致する回数を取得しても良い。
【００７９】
（ステップＳ４０４）関連文書中出現頻度取得部１０７は、ｉ番目の関連文書のスコア（Ｓｉ）と、スコアの最大値（Ｓｍａｘ）を得る。かかる（Ｓｉ）と（Ｓｍａｘ）は、算出済みである。
【００８０】
（ステップＳ４０５）関連文書中出現頻度取得部１０７は、出現する回数（ｄ）と（Ｓｉ）と（Ｓｍａｘ）を用いてｉ番目の関連文書の出現頻度スコアを算出する。出現頻度スコアを算出する演算式は、ここでは、例えば、「ｄ×（Ｓｉ／Ｓｍａｘ）」である。この演算式の情報は予め格納されている。関連文書中出現頻度取得部１０７は、演算式の情報を読み込み、当該演算式に、（ｄ）と（Ｓｉ）と（Ｓｍａｘ）を代入し、演算式を実行し、出現頻度スコアを得る。
【００８１】
（ステップＳ４０６）関連文書中出現頻度取得部１０７は、変数「関連文書中出現頻度」にステップＳ４０５で算出した出現頻度スコアを加算する。
【００８２】
（ステップＳ４０７）関連文書中出現頻度取得部１０７は、カウンタｉを１、インクリメントし、ステップＳ４０２に戻る。
【００８３】
（ステップＳ４０８）関連文書中出現頻度取得部１０７は、変数「関連文書中出現頻度」の値をｉ番目の用語と対応付けて、メモリ上に一時格納し、上位関数にリターンする。
【００８４】
なお、図４のフローチャートにおいて説明した関連文書中出現頻度を算出するアルゴリズムや算出式は、一例であることは言うまでもない。
【００８５】
次に、ステップＳ２０８の文書中出現頻度を取得する処理の例について、図５のフローチャートを用いて説明する。
【００８６】
（ステップＳ５０１）文書中出現頻度取得部１０８は、初期化処理を行う。初期化処理とは、カウンタｉに１を代入したり、変数「文書中出現頻度」に０を代入したりする処理である。
【００８７】
（ステップＳ５０２）文書中出現頻度取得部１０８は、文書格納部１０１にｉ番目の文書が存在するか否かを判断する。ｉ番目の文書が存在すればステップＳ５０３に行き、ｉ番目の文書が存在しなければステップＳ５０６に行く。
【００８８】
（ステップＳ５０３）文書中出現頻度取得部１０８は、ｉ番目の文書中に着目する用語が出現するか否かを判断する。用語が出現すればステップＳ５０４に行き、用語が出現しなければステップＳ５０５に行く。
【００８９】
（ステップＳ５０４）文書中出現頻度取得部１０８は、変数「文書中出現頻度」に１を加算する。
【００９０】
（ステップＳ５０５）文書中出現頻度取得部１０８は、カウンタｉを１、インクリメントし、ステップＳ５０２に戻る。
【００９１】
（ステップＳ５０６）文書中出現頻度取得部１０８は、変数「文書中出現頻度」を着目する用語に対応付けて、メモリ上に一時格納し、上位関数にリターンする。
【００９２】
なお、図５のフローチャートにおいて説明した文書中出現頻度を算出するアルゴリズムや算出式は、一例であることは言うまでもない。
【００９３】
次に、ステップＳ２０９のスコアを取得する処理の例について、図６のフローチャートを用いて説明する。
【００９４】
（ステップＳ６０１）スコア算出手段１０９３は、予め格納されているスコアの算出式を読み込む。
【００９５】
（ステップＳ６０２）集中出現度算出手段１０９２は、文書格納部１０１の全文書数「Ｎ」を取得する。
【００９６】
（ステップＳ６０３）関連文書中頻度算出手段１０９１は、ステップＳ２０７で算出した関連文書中頻度から関連文書中頻度情報（ＴＦ）を得る。ここでは、関連文書中頻度情報（ＴＦ）は、ステップＳ２０７で算出した関連文書中頻度と同じ値である、とする。したがって、ここでは、関連文書中頻度算出手段１０９１は、既に算出してメモリ上に存在する値を取得するだけである。
【００９７】
（ステップＳ６０４）集中出現度算出手段１０９２は、ステップＳ６０２で取得した全文書数「Ｎ」と、文書中出現頻度を用いて、集中出現度（ＩＤＦ）を算出する。集中出現度を算出する演算式は、ステップＳ６０１で読み込んだ式の一部であり、集中出現度算出手段１０９２は、かかる式に、全文書数「Ｎ」と、文書中出現頻度を代入し、演算を実行し、集中出現度を得る。集中出現度算出手段１０９２は、得た集中出現度を用語と対応付けてメモリ上に一時格納する。
【００９８】
（ステップＳ６０５）スコア算出手段１０９３は、関連文書中頻度情報（ＴＦ）と集中出現度（ＩＤＦ）をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出する。スコア算出手段１０９３は、ステップＳ６０１で読み込んだ式に、関連文書中頻度情報（ＴＦ）と集中出現度（ＩＤＦ）を代入し、演算を実行し、スコアを得て、上位関数にリターンする。
【００９９】
なお、図６のフローチャートにおいて説明したスコアを算出するアルゴリズムや算出式は、一例であることは言うまでもない。
【０１００】
以下、本実施の形態における用語収集装置の具体的な動作について説明する。ここで、本用語収集装置は、例えば、ある講演を自動通訳する場合に、講演タイトルに関連する分野の専門用語を収集する機能を具備するものとして説明する。
【０１０１】
まず、本用語収集装置の文書格納部１０１に、図７に示すような文書ファイルが格納されている。図７において、（ａ）（ｂ）の２つの文書ファイルを示しているが、文書格納部１０１には多数の文書ファイルが格納されている、とする。文書格納部１０１は、例えば、いわゆる新聞記事の記事データベースである。
【０１０２】
また、登録用語格納部１０２に、図８に示す登録用語が格納されている。登録用語は、既にデータベースに登録されている用語であり、通訳者に伝えられている対訳辞書に格納されている用語である。なお、通常、登録用語は、図示しない訳の用語と対になっている。
【０１０３】
かかる場合、ユーザは、関連情報「迷走するペイオフ論議」を、キーボード等を用いて、用語収集装置を入力した、とする。関連情報「迷走するペイオフ論議」は、講演のタイトルである。
【０１０４】
次に、関連情報受付部１０３は、関連情報「迷走するペイオフ論議」を受け付ける。
【０１０５】
そして、関連情報語取得部１０４は、関連情報受付部１０３が受け付けた関連情報「迷走するペイオフ論議」を形態素解析し、形態素に分割する。そして、関連情報語取得部１０４は、形態素のうち、機能語を削除し、自立語のみを残して、語を取得する。そして、関連情報語取得部１０４は、「迷走」「する」「ペイオフ」「論議」を得る。なお、語は、ここでは形態素である。
【０１０６】
次に、判断部１０５は、以下の処理により、文書格納部１０１の１以上の各文書が、関連情報と所定の関係にある関連文書か、関連情報と所定の関係に無い非関連文書かを判断する。
【０１０７】
つまり、判断部１０５は、文書のスコア（Ｓ）を算出する演算式（例えば、数式１
数式２）の情報を読み込む。なお、数式１において、ｗ（１）を求める算出式は、数式２である。また、数式１は、非特許文献１に開示されている式である。
【０１０８】
また、数式１、２において、Ｑは、関連情報中の語Ｔの集合である。また、Ｎは、文書格納部１０１の文書数である。ｎは、語Ｔを含む文書数である。Ｒは、関連情報に関連のある文書である関連文書の数である。ｒは、関連文書の中で、用語Ｔを含む文書数である。Ｋは、「ｋ１（（１−ｂ）＋ｂ×ｄｌ／ａｖｄｌ）」で算出される数値である。ｋ１、ｂ、ｋ３は、パラメータである。ｔｆは、関連文書の中で、用語Ｔが出現する頻度である。ｑｔｆは、関連情報の中で、用語Ｔが出現する頻度である。ｄｌは、着目している文書の長さである。ａｖｄｌは、文書格納部１０１の文書の長さの平均である。なお、関連文書の情報を利用しない場合は、数式２におけるＲ、およびｒは、「０」でよい。
【数１】
【数２】
【０１０９】
そして、判断部１０５は、読み込んだ数式に代入すべき情報であり共通する情報（例えば、文書の長さの平均、文書格納部１０１の文書数など）を取得する。
【０１１０】
そして、判断部１０５の関連度算出手段１０５２は、文書格納部１０１から１つ目の文書（図７（ａ））を読み出す。そして、関連度算出手段１０５２は、図７（ａ）の文書を形態素解析し、図９の情報を得る。図９において、形態素の間に、「｜」が存在する。そして、関連度算出手段１０５２は、図９の情報から機能語を除く。また、関連度算出手段１０５２は、機能語を除いて残った自立語の例から、連続する名詞を一つの用語とし、１以上の用語を得る。この１以上の用語が図１０である。図１０において、用語間は「｜」で区切られている。
【０１１１】
次に、関連度算出手段１０５２は、図７（ａ）の文書固有の情報（例えば、関連情報が含む用語のｉ番目の文書中での出現頻度「ｔｆ」や、ｉ番目の文書の長さ（文字数）「ｄｌ」など）を取得する。
【０１１２】
次に、関連度算出手段１０５２は、読み込んだ数式１、２の演算式に、取得した共通の情報、文書固有の情報を代入し、演算式を実行する。そして、例えば、関連度算出手段１０５２は、図７（ａ）のスコア（Ｓ１）を、「２４．２０８５」と算出した、とする。
【０１１３】
次に、同様に、関連度算出手段１０５２は、文書格納部１０１から２つ目の文書（図７（ｂ））を読み出し、上記と同様の処理を行い、図７（ｂ）のスコア（Ｓ２）を、「２．１１０９」と算出した、とする。
【０１１４】
さらに、関連度算出手段１０５２は、３つ目以降の文書（図示しない）を読み出し、上記と同様の処理を行い、それぞれのスコアを算出する。
【０１１５】
次に、関連度算出手段１０５２は、文書格納部１０１の全文書のスコアのうち最大のスコア（Ｓｍａｘ）を、ここでは、「２８．００００」と取得した、とする。そして、閾値「ａ＝０．７」を記録媒体から読み出す。
【０１１６】
次に、関連度算出手段１０５２は、１番目の文書から、先に算出し、一時格納した各文書のスコア（Ｓ）が「Ｓ＞０．７×２８．００００」を満たすか否か、判断する。
【０１１７】
ここで、１番目の文書（図７（ａ））のスコア（Ｓ１）の「２４．２０８５」は、「＞０．７×２８．００００」を満たすので、関連度算出手段１０５２は、１番目の文書（図７（ａ））を、関連文書である、として登録する。
【０１１８】
次に、２番目の文書（図７（ｂ））のスコア（Ｓ２）の「２．１１０９」は、「＞０．７×２８．００００」を満たさないので、関連度算出手段１０５２は、１番目の文書（図７（ａ））を、非関連文書である、として登録する。
【０１１９】
そして、同様に、関連度算出手段１０５２は、３番目以降の文書のスコアと、最大のスコア（Ｓｍａｘ）を用いて、「Ｓｉ＞ａ（０．７）×Ｓｍａｘ」を満たすか否かを判断し、満たせば関連文書、満たさなければ非関連文書である、として登録する。
【０１２０】
その結果、関連度算出手段１０５２は、図１１に示す関連・非関連管理表を得る。関連・非関連管理表は、「文書ＩＤ」と「関連（１）・非関連（０）」の属性値を有する。「文書ＩＤ」は、文書を識別する情報であり、例えば、文書のファイル名である。「関連（１）・非関連（０）」は、文書が関連文書か非関連文書かを示す情報であり、文書が関連文書の場合は「１」、文書が非関連文書の場合は「０」の値をとる。
【０１２１】
次に、用語取得部１０６は、関連文書であると判断された１以上の関連文書（文書ａ、文書ｃなど）が有する１以上の用語を取り出す。つまり、用語取得部１０６は、１以上の関連文書を形態素解析し、機能語を除き、連続する名詞を一の用語として抽出する。また、ユニーク処理を行い、用語の重複を回避する。その結果、例えば、図１２に示すような用語群を得る。
【０１２２】
次に、関連文書中出現頻度取得部１０７は、図１２の用語群のうち、１番目の用語「ペイオフ」について、１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する。ここで、関連文書中出現頻度取得部１０７は、関連文書中出現頻度を「８０」と取得できた、とする。ここで、関連文書中出現頻度は、用語「ペイオフ」が関連文書中で出現する出現回数である。
【０１２３】
次に、文書中出現頻度取得部１０８は、１番目の用語「ペイオフ」について、１以上の関連文書または１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する。ここでは、文書中出現頻度取得部１０８は、文書中出現頻度を「２６」と取得できた、とする。ここで、文書中出現頻度は、用語「ペイオフ」が出現する文書数である。
【０１２４】
次に、スコア算出部１０９は、１番目の用語「ペイオフ」について、関連文書中出現頻度「８０」および、取得した文書中出現頻度「２６」を用いて、用語の専門性または特殊性に関するスコアを算出する。スコア算出の演算式は、数式３である。
【数３】
【０１２５】
なお、数式３において、ＴＦは関連文書中出現頻度「８０」である。また、Ｎは文書格納部１０１の全文書数であり、ここでは、１０２４である、とする。また、ＤＦは文書中出現頻度「２６」である。
【０１２６】
したがって、スコア算出部１０９は、記録媒体に格納している数式３の情報を読み出し、ＴＦ「８０」、Ｎ「１０２４」、ＤＦ「２６」を代入し、「スコア＝８０×ｌｏｇ（１０２４／２６）」を演算し、スコア「１２７．６２６１」を得る。そして、スコア算出部１０９は、用語の情報と、スコアを対にして、メモリ上に一時格納する。
【０１２７】
同様に、スコア算出部１０９は、２番目以降の用語に対してもスコアを算出し、各用語の情報とスコアを対にして算出し、メモリ上に一時格納する。
【０１２８】
次に、出力情報構成部１１０は、メモリ上に一時格納された用語とスコアの多数の組の情報を、スコアをキーとして降順にソートする。そして、出力情報構成部１１０は、図１３に示すような出力情報を構成する。
【０１２９】
そして、出力部１１１は、図１３の出力情報を出力する。
【０１３０】
以上、本実施の形態によれば、専門的な用語や、時事的な用語を、精度高く収集できる。
【０１３１】
なお、本実施の形態によれば、用語に対するスコアの算出アルゴリズムとして、ＴＦ・ＩＤＦ法を用いた。しかし、他のアルゴリズムでも良い。例えば、上述した有意確率法でも良い。有意確率法による場合、以下のように処理をする。つまり、関連文書中出現頻度取得部１０７は、用語「ｔ」について、１以上の関連文書内での出現頻度である関連文書中出現頻度（これを「ａ」とする）を取得する。また、文書中出現頻度取得部１０８は、用語「ｔ」について、１以上の非関連文書内での出現頻度である非関連文書中出現頻度（これを「ｃ」とする）を取得する。そして、スコア算出部１０９は、用語「ｔ」以外の用語の、１以上の関連文書内での出現頻度（これを「ｂ」とする）を取得する。また、スコア算出部１０９は、用語「ｔ」以外の用語の、１以上の非関連文書内での出現頻度（これを「ｄ」とする）を取得する。そして、スコア算出部１０９は、図１４に示す頻度管理表を得た、とする。
【０１３２】
そして、スコア算出部１０９は、頻度管理表の定数「ａ」「ｂ」・・・「ｈ」「ｎ」を、数式４に代入し、有意確率を算出する。
【数４】
【０１３３】
なお、有意確率とは、２×２分割表でｅ，ｆ，ｇ，ｈが決まっている時に、ａ，ｂ，ｃ，ｄが特定の値である確率をｐとすると、ｐは、数式５になる。
【数５】
【０１３４】
また、ａ，ｂ，ｃ，ｄのうち、どれｋら１つを決めると残りの３つが一意に決まる。用語「ｔ」が話題一致文書中にｋ回出現する確率のうち、「ｋ＞＝ａ」の確率を足し合わせた値が有意確率である。
【０１３５】
そして、スコア算出部１０９は、予め決められた演算式「−ｌｏｇ（有意確率）」の情報を読み出し、数式４の演算により得た有意確率を代入し、スコアを算出する。有意確率法によれば、上記の具体例における出力情報は、図１５に示すような情報となる。
【０１３６】
また、本実施の形態によれば、登録されている用語である登録用語を除いて、専門用語等を抽出した。しかし、登録用語が存在しない場合や、重複を嫌わない場合など、かかる登録用語を除く処理は必須ではない。かかる場合、登録用語格納部１０２は不要となる。
【０１３７】
また、本実施の形態において、出力部は、登録用語格納部の登録用語を有する出力情報を出力しない用語収集装置であった。ここで、出力部は最終的に登録用語を有する出力情報を出力しなければ良い。したがって、例えば、スコア算出部が登録用語についてのスコアを算出しない、という構成でも良いし、出力構成部が登録用語を有する出力情報を構成しない、という構成でも良いし、出力部が登録用語を有する出力情報を出力しない、という構成でも良い。
【０１３８】
また、本実施の形態によれば、判断部１０５が文書格納部１０１の各文書に対して、関連文書であるか、非関連文書であるかを判断した。しかし、予め関連文書と非関連文書が分類されて、格納されていても良い。かかる場合、判断部１０５の処理等は不要となり、用語収集装置の構成は、以下のようになる。つまり、用語収集装置は、図１６に示すように、収集する用語に関連する文書である関連文書が１以上格納され得る関連文書格納部１５０１と、収集する用語に関連しない文書である非関連文書が１以上格納され得る非関連文書格納部１５０２と、前記１以上の関連文書から１以上の用語を取り出す用語取得部１０６と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部１０７と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部１０８と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部１０９と、前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部１１０と、前記出力情報構成部が構成した出力情報を出力する出力部１１１を具備する。図１６は、かかる用語収集装置のブロック図である。なお、受付部１５０３は、用語収集装置の処理の開始指示を受け付け、かかる開始指示により、用語収集装置の動作が開始される。
【０１３９】
また、本実施の形態によれば、スコア算出部１０９は、関連文書中出現頻度をパラメータとする増加関数であり、非関連文書中出現頻度または／および文書中出現頻度をパラメータとする減少関数によりスコアを算出した。しかし、スコアの大小を逆に算出しても良い。つまり、スコア算出部１０９は、関連文書中出現頻度をパラメータとする減少関数であり、非関連文書中出現頻度または／および文書中出現頻度をパラメータとする増加関数によりスコアを算出しても良い。かかる場合、出力の段階で、スコアの小さい用語を優先的に出力する処理（ソートをする場合は、スコアの昇順に用語をソートする処理）を行うこととなる。
【０１４０】
さらに、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における用語収集装置を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータに、１以上の関連文書から１以上の用語を取り出す用語取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報文書中出現頻度を取得する文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップと、前記スコア算出ステップで算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成ステップと、前記出力情報構成ステップで構成した出力情報を出力する出力ステップを実行させるためのプログラム、である。
【０１４１】
また、本実施の形態における用語収集装置を実現するソフトウェアは、コンピュータに、収集する用語に関連する情報である関連情報を受け付ける関連情報受付ステップと、前記関連情報から１以上の用語を取得する関連情報用語取得ステップと、前記関連情報用語取得ステップで取得した１以上の用語を用いて、１以上の文書が、前記関連情報と所定の関係にある関連文書か、前記関連情報と所定の関係に無い非関連文書かを判断する判断ステップと、前記１以上の関連文書が有する１以上の用語を取り出す用語取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップと、前記スコア算出ステップで算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成ステップと、前記出力情報構成ステップで構成した出力情報を出力する出力ステップを実行させるためのプログラム、である。
【０１４２】
また、上記プログラムにおいて、前記判断ステップは、前記１以上の各文書に対して、前記関連情報用語取得ステップで取得した１以上の用語を用いて、前記関連情報との関連度を算出する関連度算出ステップと、前記各文書について、前記関連度算出ステップで算出した関連度と閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する判断ステップを具備することは好適である。
【０１４３】
また、上記プログラムにおいて、前記スコア算出ステップは、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記各関連文書に対して、当該関連文書中の関連文書中出現頻度と当該関連文書の関連度をパラメータとする増加関数による演算を行い、前記各関連文書に対応する１以上の関連文書中頻度情報を算出する関連文書中頻度算出ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記文書中出現頻度取得ステップで算出した前記非関連文書中出現頻度または前記文書中出現頻度を用いて、当該用語が非関連文書を含む文書群に広く出現しない度合いである集中出現度を算出する集中出現度算出ステップと、前記関連文書中頻度情報と前記集中出現度をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップを具備することは好適である。
【０１４４】
また、上記プログラムにおいて、前記用語取得ステップにおいて、前記１以上の関連文書から１以上の用語を取り出す場合に、すでに登録されている用語である登録用語を除いて１以上の用語を取り出すことは好適である。
【０１４５】
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
【０１４６】
また、図１７は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態の用語収集装置を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図１７は、このコンピュータシステム３４０の概観図であり、図１８は、コンピュータシステム３４０のブロック図である。
【０１４７】
図１７において、コンピュータシステム３４０は、ＦＤ（Ｆｌｅｘｉｂｌｅ Ｄｉｓｋ）ドライブ、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）ドライブを含むコンピュータ３４１と、キーボード３４２と、マウス３４３と、モニタ３４４とを含む。
【０１４８】
図１８において、コンピュータ３４１は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２に加えて、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３４１３と、ＣＰＵ３４１３、ＣＤ−ＲＯＭドライブ３４１２及びＦＤドライブ３４１１に接続されたバス３４１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ（Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）３４１５と、ＣＰＵ３４１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３４１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３４１７とを含む。ここでは、図示しないが、コンピュータ３４１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
【０１４９】
コンピュータシステム３４０に、上述した実施の形態の用語収集装置の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３５０１、またはＦＤ３５０２に記憶されて、ＣＤ−ＲＯＭドライブ３４１２またはＦＤドライブ３４１１に挿入され、さらにハードディスク３４１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３４１に送信され、ハードディスク３４１７に記憶されても良い。プログラムは実行の際にＲＡＭ３４１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３５０１、ＦＤ３５０２またはネットワークから直接、ロードされても良い。
【０１５０】
プログラムは、コンピュータ３４１に、上述した実施の形態の用語収集装置の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３４０がどのように動作するかは周知であり、詳細な説明は省略する。
【０１５１】
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
【０１５２】
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
【産業上の利用可能性】
【０１５３】
以上のように、本発明にかかる用語収集装置は、専門的な用語、または時事的な用語などを収集できる、という効果を有し、用語収集装置等として有用である。
【図面の簡単な説明】
【０１５４】
【図１】実施の形態における用語収集装置のブロック図
【図２】同用語収集装置の動作について説明するフローチャート
【図３】同判断処理について説明するフローチャート
【図４】同関連文書中出現頻度を取得する処理について説明するフローチャート
【図５】同文書中出現頻度を取得する処理について説明するフローチャート
【図６】同スコアを算出する処理について説明するフローチャート
【図７】同文書ファイルの例を示す図
【図８】同登録用語の例を示す図
【図９】同文書の形態素解析結果を示す図
【図１０】同取得した用語の例を示す図
【図１１】同関連・非関連管理表を示す図
【図１２】同例を示す図
【図１３】同出力情報の例を示す図
【図１４】同有意確率を説明する頻度管理表を示す図
【図１５】同出力情報の例を示す図
【図１６】同用語収集装置のブロック図
【図１７】同用語収集装置を実現するコンピュータシステムの概観図
【図１８】同用語収集装置を実現するコンピュータシステムのブロック図
【符号の説明】
【０１５５】
１０１ 文書格納部
１０２ 登録用語格納部
１０３ 関連情報受付部
１０４ 関連情報語取得部
１０５ 判断部
１０６ 用語取得部
１０７ 関連文書中出現頻度取得部
１０８ 文書中出現頻度取得部
１０９ スコア算出部
１１０ 出力情報構成部
１１１ 出力部
１０５１ 閾値格納手段
１０５２ 関連度算出手段
１０５３ 判断手段
１０９１ 関連文書中頻度算出手段
１０９２ 集中出現度算出手段
１０９３ スコア算出手段
１５０１ 関連文書格納部
１５０２ 非関連文書格納部
１５０３ 受付部
【技術分野】
【０００１】
本発明は、１以上の文書から用語を収集する用語収集装置等に関するものである。
【背景技術】
【０００２】
従来の用語収集装置において、検索対象用語を入力させる手段と、前記検索対象用語と関連度の高い用語を検索する関連用語検索手段と、前記検索対象用語と意味的な類似度の高い用語を検索する類似用語検索手段と、前記検索対象用語を語構成上包含する一群の同族用語を検索する同族用語を検索し、前記検索された一群の同族用語を語構成上の包含関係に従って階層化するタームバリエーション作成手段と、前記類似用語検索の際に、検索された類似用語に特徴的な文脈パターンを抽出する文脈抽出手段と、前記関連用語検索手段、前記類似用語検索手段、前記タームバリエーション作成手段と前記文脈抽出手段とを用いて検索した結果を出力する手段とを有していた（例えば、特許文献１参照）。
【０００３】
一方、コンピュータを用いた自動通訳や、人手による通訳などを行う場合に、対訳辞書に登録されていない専門用語が出現した場合の処理がきわめて重要となる。
【０００４】
また、関連する技術として、与えた情報と文書の関連度のスコアを算出する技術「Ｏｋａｐｉ ＢＭ２５」がある（非特許文献１参照）。
【０００５】
さらに、関連する技術として、有意確率を算出する技術がある（例えば、非特許文献２参照）。
【特許文献１】特開２００５−２２２２６３号公報（第１頁、第１図等）
【非特許文献１】Ｓ．Ｅ．Ｒｏｂｅｒｓｏｎ ａｎｄ Ｓ．Ｗａｌｋｅｒ，"Ｏｋａｐｉ／Ｋｅｅｎｂｏｗ ａｔ ＴＲＥＣ−８，" ＴＲＥＣ−８，１９９９．
【非特許文献２】久光 徹，丹羽芳樹，「組み合わせ的確率モデルに基づく特徴単語選択方法」，ＮＬ１４０−１２，ＰＰ．８５−９０，２０００．
【発明の開示】
【発明が解決しようとする課題】
【０００６】
しかしながら、従来の用語収集装置においては、特に、ある時期にのみ出現する時事的な用語や、ある特定の話題を有する少数の文書にのみ出現する専門用語を効率的に、精度高く収集することが困難、という課題があった。
【課題を解決するための手段】
【０００７】
本第一の発明の用語収集装置は、１以上の文書から用語を収集する用語収集装置において、収集する用語に関連する文書である関連文書が１以上格納され得る関連文書格納部と、収集する用語に関連しない文書である非関連文書が１以上格納され得る非関連文書格納部と、前記１以上の関連文書から１以上の用語を取り出す用語取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置である。
【０００８】
かかる構成により、専門的な用語や、時事的な用語を収集できる。
【０００９】
また、本第二の発明の用語収集装置は、１以上の文書が格納され得る文書格納部と、収集する用語に関連する情報である関連情報を受け付ける関連情報受付部と、前記関連情報から１以上の語を取得する関連情報語取得部と、前記関連情報語取得部が取得した１以上の語を用いて、前記文書格納部の１以上の文書の各文書が、前記関連情報と所定の関係にある関連文書か、前記関連情報と所定の関係に無い非関連文書かを判断する判断部と、前記１以上の関連文書が有する１以上の用語を取り出す用語取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置である。
【００１０】
かかる構成により、専門的な用語や、時事的な用語を収集でき、かつ、処理前に関連文書と非関連文書を分けておく必要がなく、好適である。
【００１１】
また、本第三の発明の用語収集装置は、第二の発明に対して、前記判断部は、関連文書と非関連文書を分類するための閾値を格納している閾値格納手段と、前記文書格納部の１以上の各文書に対して、前記関連情報語取得部が取得した１以上の用語を用いて、前記関連情報との関連度を算出する関連度算出手段と、前記各文書について、前記関連度算出手段が算出した関連度と前記閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する判断手段を具備する用語収集装置である。
【００１２】
かかる構成により、専門的な用語や、時事的な用語を収集する場合に、関連文書の関連度合いを考慮した、精度の高い収集ができる。
【００１３】
また、本第四の発明の用語収集装置は、第三の発明に対して、前記スコア算出部は、前記用語取得部が取得した１以上の用語のうちの各用語について、前記各関連文書に対して、当該関連文書中の関連文書中出現頻度と当該関連文書の関連度をパラメータとする増加関数による演算を行い、前記各関連文書に対応する１以上の関連文書中頻度情報を算出する関連文書中頻度算出手段と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記文書中出現頻度取得部が算出した前記非関連文書中出現頻度または前記文書中出現頻度を用いて、当該用語が非関連文書を含む文書群に広く出現しない度合いである集中出現度を算出する集中出現度算出手段と、前記関連文書中頻度情報と前記集中出現度をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出するスコア算出手段を具備する用語収集装置である。
【００１４】
かかる構成により、専門的な用語や、時事的な用語を収集する場合に、精度の高い収集ができる。
【００１５】
また、本第五の発明の用語収集装置は、第一から第四いずれかの発明に対して、１以上の用語である１以上の登録用語を格納している登録用語格納部をさらに具備し、前記出力部は、前記登録用語格納部の登録用語を有する出力情報を出力しない用語収集装置である。
【００１６】
かかる構成により、既に登録されている用語について処理をする必要がなく、高速に精度高く専門的な用語や、時事的な用語を収集できる。
【発明の効果】
【００１７】
本発明による用語収集装置によれば、専門的な用語、または時事的な用語などを収集できる。
【発明を実施するための最良の形態】
【００１８】
以下、用語収集装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
（実施の形態）
【００１９】
図１は、本実施の形態における用語収集装置のブロック図である。
【００２０】
用語収集装置は、文書格納部１０１、登録用語格納部１０２、関連情報受付部１０３、関連情報語取得部１０４、判断部１０５、用語取得部１０６、関連文書中出現頻度取得部１０７、文書中出現頻度取得部１０８、スコア算出部１０９、出力情報構成部１１０、出力部１１１を具備する。
【００２１】
判断部１０５は、閾値格納手段１０５１、関連度算出手段１０５２、判断手段１０５３を具備する。
【００２２】
スコア算出部１０９は、関連文書中頻度算出手段１０９１、集中出現度算出手段１０９２、スコア算出手段１０９３を具備する。
【００２３】
文書格納部１０１は、１以上の文書が格納され得る。文書とは、例えば、新聞記事のデータや雑誌のデータであり、テキストデータを有する。１つの文書は、例えば、１つのファイルやデータベース中の一レコードなどである。文書のデータ構造は問わない。文書格納部１０１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００２４】
登録用語格納部１０２は、１以上の用語である１以上の登録用語を格納している。登録用語格納部１０２は、例えば、いわゆる、機械翻訳システムの辞書である。登録用語格納部１０２は、ここでは、登録されている用語を、本用語収集装置で抽出しないために利用される。登録用語は、その訳語と対で格納されている対訳辞書でも良い。登録用語格納部１０２は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００２５】
関連情報受付部１０３は、収集する用語に関連する情報である関連情報を受け付ける。関連情報は、例えば、講演のタイトルの情報（例えば、「迷走するペイオフ論議」など）である。また、関連情報は、例えば、時事的な問題を扱った記事の情報である。関連情報は、通常、テキストデータであり、そのコードの種類やデータ構造等は問わない。関連情報の入力手段は、テンキーやキーボードやマウスやメニュー画面によるもの等、何でも良い。関連情報受付部１０３は、外部の装置から関連情報を受信しても良い。また、関連情報受付部１０３は、記録媒体から関連情報を読み出しても良い。かかる受信や読み出しも関連情報の受け付けである。関連情報受付部１０３は、テンキーやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。
【００２６】
関連情報語取得部１０４は、関連情報から１以上の語を取得する。関連情報語取得部１０４は、通常、関連情報に対して形態素解析を行い、かかる各形態素のうち、機能語を除いた語を、後述する処理対象の語として取得する。また、関連情報語取得部１０４は、関連情報に対して形態素解析を行い、機能語を除き、かつ名詞および名詞句の情報のみ、処理対象の用語として取得しても良い。なお、機能語を除く処理は、無くても良い。また、形態素解析の処理、および機能語を除く処理は公知技術であるので、詳細な説明は省略する。関連情報語取得部１０４は、通常、ＭＰＵやメモリ等から実現され得る。関連情報語取得部１０４の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００２７】
判断部１０５は、関連情報語取得部１０４が取得した１以上の語を用いて、文書格納部１０１の１以上の各文書が、関連情報と所定の関係にある関連文書か、関連情報と所定の関係に無い非関連文書かを判断する。関連文書とは、関連情報と話題が一致する文書である。２つの文書（タイトルなども含む）の話題の一致度合いを算出する処理のうち、公知の処理はいくつか存在する。公知の処理の例として、以下の処理がある。例えば、２つの文書が含む用語とその出現頻度からベクトルを構成し、２つのベクトルの近似度を算出することにより、話題の一致度合いを算出する処理は公知技術である。本実施の形態における関連文書／非関連文書の判断処理は、主として、閾値格納手段１０５１、関連度算出手段１０５２、および判断手段１０５３による処理である。その処理の詳細については、後述する。判断部１０５は、通常、ＭＰＵやメモリ等から実現され得る。判断部１０５の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００２８】
閾値格納手段１０５１は、関連文書と非関連文書を分類するための閾値を格納している。閾値は、例えば、「０．７」である。閾値は、例えば、コンピュータを動作させるプログラム中に埋め込まれていたり、プログラムが読み込みファイル（ヘッダーファイルなど）に記録されていたりする。閾値格納手段１０５１は、不揮発性の記録媒体でも、揮発性の記録媒体でも良い。
【００２９】
関連度算出手段１０５２は、文書格納部１０１の１以上の各文書に対して、関連情報語取得部１０４が取得した１以上の語を用いて、関連情報との関連度を算出する。関連度とは、文書と関連情報の類似度、または文書と関連情報の話題の一致度をととらえても良く、広く解釈する。関連度算出手段１０５２は、文書（Ｓ）ごとに関連度（Ｓｉ）を算出する。関連度算出手段１０５２は、通常、ＭＰＵやメモリ等から実現され得る。関連度算出手段１０５２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３０】
判断手段１０５３は、文書格納部１０１の各文書について、関連度算出手段１０５２が算出した関連度と閾値格納手段１０５１の閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する。判断手段１０５３は、文書の関連度が大きいほど、当該文書を関連文書として判断する。判断手段１０５３は、例えば、１以上の文書の関連度のうち最大の関連度（Ｓｍａｘ）を取得し、ｉ番目の文書の関連度（Ｓｉ）が、「Ｓｉ＞＝ａ×Ｓｍａｘ」の関係にある場合、ｉ番目の文書を関連文書である、と判断する。なお、「ａ」は、閾値である。また、例えば、判断手段１０５３は、各文書について、関連度算出手段１０５２が算出した関連度と、閾値を比較し、関連度が閾値より大きいまたは閾値以上の場合に、当該文書を関連文書であると判断し、関連度が閾値以下または閾値より小さい場合に、当該文書を非関連文書であると判断しても良い。判断手段１０５３は、通常、ＭＰＵやメモリ等から実現され得る。判断手段１０５３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３１】
用語取得部１０６は、１以上の関連文書が有する１以上の用語を取り出す。１以上の関連文書から１以上の用語を取り出す場合に、登録用語を除いて１以上の用語を取り出すことは好適である。用語取得部１０６は、例えば、関連文書を形態素解析し、１以上の用語を取得し、当該１以上の用語から機能語を除いた用語群を取得する。そして、用語取得部１０６は、取得した全用語に対して、登録用語格納部１０２に格納されていないか否かを検索し、登録されていれば、用語群から削除する。そして、用語取得部１０６は、最終的な処理対象の用語を取得する。なお、登録用語を除く処理は必須ではない。用語取得部１０６が登録用語を除く処理を行わない場合、登録用語格納部１０２は不要となる。また、判断部１０５が先に形態素解析を行っている場合、用語取得部１０６は、その形態素解析の結果を利用することは好適である。かかる場合、用語取得部１０６は、形態素解析の結果から１以上の用語を取得し、その用語群から機能語と、登録された用語を削除する処理を行う。また、用語取得部１０６は、重複している用語を一つにする処理を行うことは好適である。用語取得部１０６は、例えば、用語群から機能語と、登録された用語を削除して残った用語群をソートしてから、一致する複数の用語を一つの用語とする（複数の用語のうち、２番目以降に表れる用語を削除する）。用語取得部１０６は、通常、ＭＰＵやメモリ等から実現され得る。用語取得部１０６の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３２】
関連文書中出現頻度取得部１０７は、用語取得部１０６が取得した１以上の用語のうちの各用語について、１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する。出現頻度とは、例えば、一の用語が１以上の関連文書に出現する延べ回数である。出現頻度とは、例えば、一の用語が１回以上出現する関連文書の数でも良い。関連文書中出現頻度取得部１０７は、例えば、関連文書（ファイル）をオープンし、当該関連文書を、一の用語でパターンマッチングし、マッチした回数を算出する。関連文書中出現頻度取得部１０７は、通常、ＭＰＵやメモリ等から実現され得る。関連文書中出現頻度取得部の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３３】
文書中出現頻度取得部１０８は、用語取得部１０６が取得した１以上の用語のうちの各用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または１以上の関連文書または１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する。ここでの出現頻度は、例えば、一の用語が検索対象となる文書に出現する延べ回数である。出現頻度とは、例えば、一の用語が１回以上出現する文書の数でも良い。文書中出現頻度取得部１０８は、通常、ＭＰＵやメモリ等から実現され得る。文書中出現頻度取得部１０８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３４】
スコア算出部１０９は、用語取得部１０６が取得した１以上の用語のうちの各用語について、関連文書中出現頻度および、非関連文書中出現頻度または／および文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出する。スコア算出部１０９は、関連文書中出現頻度をパラメータとする増加関数であり、非関連文書中出現頻度または／および文書中出現頻度をパラメータとする減少関数によりスコアを算出する。このスコアは、用語の専門性または特殊性についてのスコアであるが、広く解し、用語の時事性、一時性などの意義も含む。つまり、スコア算出部１０９は、関連文書での出現回数に関する情報である関連文書中出現頻度が大きいほど、および、非関連文書を含む文書での出現回数に関する情報である非関連文書中出現頻度または／および文書中出現頻度が小さいほど、スコアは大きくなる。スコア算出部１０９の具体的なスコア算出アルゴリズムの例は、後述の関連文書中頻度算出手段１０９１、集中出現度算出手段１０９２、およびスコア算出手段１０９３によるスコア算出アルゴリズムであり、これをＴＦ・ＩＤＦ法という。スコア算出部１０９は、通常、ＭＰＵやメモリ等から実現され得る。スコア算出部１０９の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３５】
関連文書中頻度算出手段１０９１は、用語取得部１０６が取得した１以上の用語のうちの各用語について、各関連文書に対して、当該関連文書中の関連文書中出現頻度と当該関連文書の関連度をパラメータとする増加関数による演算を行い、各関連文書に対応する１以上の関連文書中頻度情報を算出する。例えば、関連文書が３つ（ＲＳ１、ＲＳ２、ＲＳ３）存在し、一の用語が出現する頻度が、それぞれの関連文書に対して、「６」「０」「５」であり、それぞれの関連文書の関連度が「０．９」「０．７」「０．８」である場合、関連文書中頻度算出手段１０９１は、「６×０．９＋０×０．７＋５×０．８＝９．４」と関連文書中頻度情報を算出する。かかる関連文書中頻度情報は、後述する「ＴＦ」である。関連文書中頻度算出手段１０９１は、通常、ＭＰＵやメモリ等から実現され得る。関連文書中頻度算出手段１０９１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３６】
集中出現度算出手段１０９２は、用語取得部１０６が取得した１以上の用語のうちの各用語について、文書中出現頻度取得部１０８が算出した非関連文書中出現頻度または文書中出現頻度を用いて、当該用語が非関連文書を含む文書群に広く出現しない度合いである集中出現度を算出する。集中出現度算出手段１０９２は、例えば、以下のように集中出現度を算出する。つまり、文書中出現頻度取得部１０８は、一の用語が出現する文書の数（ここでの「文書中出現頻度」であり、「ＤＦ」とする。）を算出する。そして、集中出現度算出手段１０９２は、文書格納部１０１の文書の数（Ｎ）を取得する。そして、例えば、集中出現度算出手段１０９２は、予め格納されている集中出現度の算出式「ｌｏｇ（Ｎ／ＤＦ）」を読み出し、「Ｎ」「ＤＦ」に、既に取得している値を代入し、集中出現度を得る。かかる集中出現度をＩＤＦという。その他、集中出現度算出手段１０９２が集中出現度を算出するアルゴリズムは問わない。集中出現度算出手段１０９２は、通常、ＭＰＵやメモリ等から実現され得る。集中出現度算出手段の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３７】
スコア算出手段１０９３は、関連文書中頻度情報（ＴＦ）と集中出現度（ＩＤＦ）をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出する。スコア算出手段１０９３は、例えば、予め格納している演算式「ＴＦ×ＩＤＦ」の情報を読み出し、当該演算式に、関連文書中頻度算出手段１０９１が算出した関連文書中頻度情報（ＴＦ）、および集中出現度算出手段１０９２が算出した集中出現度（ＩＤＦ）を代入する。そして、スコア算出手段１０９３は、スコアを得る。かかるスコアの算出方法を、ここでは、ＴＦ・ＩＤＦ法という。また、スコア算出手段１０９３は、スコア算出手段１０９３は、通常、ＭＰＵやメモリ等から実現され得る。スコア算出手段１０９３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００３８】
なお、スコア算出部１０９は、ＴＦ・ＩＤＦ法ではなく、有意確率法によりスコアを算出しても良い。つまり、スコア算出部１０９は、まず、全関連文書の全用語の数を算出する。かかる処理は、例えば、全関連文書を読み出し、形態素解析を行い、機能語を削除し、残った語数を算出する処理である。次に、スコア算出部１０９は、文書格納部１０１の全文書から、全関連文書の全用語の数だけランダムに用語を取得した場合に、一の用語の出現頻度が上述した「ＴＦ」以上である確率として統計的仮説検定の有意確率（ｐ値）を設定する。そして、スコア算出部１０９は、予め決められた演算式「−ｌｏｇ（ｐ値）」の情報を読み出し、既に得た有意確率（ｐ値）を代入し、スコアを算出する。
【００３９】
出力情報構成部１１０は、スコア算出部１０９が算出したスコアと用語を用いて出力する情報である出力情報を構成する。出力情報構成部１１０は、例えば、スコアをキーに降順に用語をソートして、スコアの高い用語から出力するように出力情報を構成する。また、例えば、出力情報構成部１１０は、スコアをキーに降順に用語をソートして、上位１００の用語をスコアの高い用語から出力するように出力情報を構成しても良い。出力情報構成部１１０は、用語のみを出力しても良いし、用語とスコアの組の情報を出力しても良い。その他、出力情報構成部１１０が出力情報を構成するアルゴリズムは問わない。出力情報構成部１１０は、通常、ＭＰＵやメモリ等から実現され得る。出力情報構成部１１０の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４０】
出力部１１１は、出力情報構成部１１０が構成した出力情報を出力する。ここで、出力とは、ディスプレイへの表示、プリンタへの印字、音出力、外部の装置への送信、記録媒体への蓄積等を含む概念である。出力部１１１は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部１１１は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
【００４１】
次に、用語収集装置の動作について図２から図６のフローチャートを用いて説明する。
【００４２】
（ステップＳ２０１）関連情報受付部１０３は、収集する用語に関連する情報である関連情報（例えば、講演のタイトルの情報）を受け付けたか否かを判断する。関連情報を受け付ければステップＳ２０２に行き、関連情報を受け付けなければステップＳ２０１に戻る。
【００４３】
（ステップＳ２０２）関連情報語取得部１０４は、ステップＳ２０１で受け付けた関連情報から１以上の語を取得する。具体的には、例えば、関連情報語取得部１０４は、関連情報を形態素解析し、１以上の形態素の中から機能語を除く処理を行い、残った形態素を１以上の用語として得る。
【００４４】
（ステップＳ２０３）判断部１０５は、ステップＳ２０２で取得した１以上の用語を用いて、文書格納部１０１の１以上の各文書が、関連情報と所定の関係にある関連文書か、関連情報と所定の関係に無い非関連文書かを判断する。そして、判断部１０５は、各文書について、関連文書か、非関連文書かについての情報を、メモリ上に一時記憶する。かかる判断処理の詳細については、図３のフローチャートを用いて後述する。
【００４５】
（ステップＳ２０４）用語取得部１０６は、ステップＳ２０３で関連文書であると判断された１以上の関連文書が有する１以上の用語を取り出す。具体的には、用語取得部１０６は、各関連文書を読み出し（例えば、ファイルオープンし）、読み出した関連文書を、順次、形態素解析し、機能語を削除し、１以上の用語を得る。そして、用語取得部１０６は、重複する用語を一つの用語にし（ユニーク処理し）、重複しない１以上の用語を得る。
【００４６】
（ステップＳ２０５）関連文書中出現頻度取得部１０７は、カウンタｉに１を代入する。
【００４７】
（ステップＳ２０６）関連文書中出現頻度取得部１０７は、ステップＳ２０４で取得した用語のうち、ｉ番目の用語が存在するか否かを判断する。ｉ番目の用語が存在すればステップＳ２０７に行き、ｉ番目の用語が存在しなければステップＳ２１２に行く。
【００４８】
（ステップＳ２０７）関連文書中出現頻度取得部１０７は、ｉ番目の用語について、１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する。関連文書中出現頻度を取得する処理の例については、図４のフローチャートを用いて後述する。
【００４９】
（ステップＳ２０８）文書中出現頻度取得部１０８は、ｉ番目の用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または１以上の関連文書または１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する。ここでは、文書中出現頻度取得部１０８は、文書中出現頻度を取得する、とする。この文書中出現頻度を取得する処理の例については、図５のフローチャートを用いて後述する。
【００５０】
（ステップＳ２０９）スコア算出部１０９は、ｉ番目の用語について、ステップＳ２０７で取得した関連文書中出現頻度および、ステップＳ２０８で取得した文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出する。スコアを算出する処理の例については、図６のフローチャートを用いて後述する。
【００５１】
（ステップＳ２１０）スコア算出部１０９は、ｉ番目の用語と、ステップＳ２０９で算出したスコアを対にして、メモリ上に一時格納する。
【００５２】
（ステップＳ２１１）関連文書中出現頻度取得部１０７は、カウンタｉを１、インクリメントし、ステップＳ２０６に戻る。
【００５３】
（ステップＳ２１２）出力情報構成部１１０は、ステップＳ２１０で一時格納された情報を用いて出力情報を構成する。
【００５４】
（ステップＳ２１３）出力部１１１は、ステップＳ２１２で構成した出力情報を出力し、処理を終了する。
【００５５】
次に、文書が関連文書か、非関連文書かを判断する判断部１０５の処理（ステップＳ２０３）の詳細について、図３のフローチャートを用いて説明する。
【００５６】
（ステップＳ３０１）判断部１０５は、カウンタｉに１を代入する。
【００５７】
（ステップＳ３０２）判断部１０５は、文書のスコア（Ｓ）を算出する演算式の情報を読み込む。この演算式の情報は、例えば、予め判断部１０５が有する記録媒体（図示しない）に格納している。
【００５８】
（ステップＳ３０３）判断部１０５は、演算式に与えるパラメータの情報であり、文書に共通する情報を取得する。共通する情報とは、例えば、文書格納部１０１の文書数「Ｎ」や、関連情報が含む用語（ステップＳ２０２で取得した用語）が、文書格納部１０１の文書の中で出現する文書数「ｎ」などである。「Ｎ」「ｎ」を取得する技術は、公知技術であるので説明を省略する。
【００５９】
（ステップＳ３０４）関連度算出手段１０５２は、文書格納部１０１の中に、ｉ番目の文書が存在するか否かを判断する。ｉ番目の文書が存在すればステップＳ３０５に行き、ｉ番目の文書が存在しなければステップＳ３１１に行く。
【００６０】
（ステップＳ３０５）関連度算出手段１０５２は、文書格納部１０１からｉ番目の文書を読み出す。
【００６１】
（ステップＳ３０６）関連度算出手段１０５２は、ステップＳ３０５で読み出したｉ番目の文書を形態素解析し、１以上の形態素を得る。
【００６２】
（ステップＳ３０７）関連度算出手段１０５２は、ステップＳ３０６で得た１以上の形態素から機能語を除き、１以上の形態素を残す。
【００６３】
（ステップＳ３０８）関連度算出手段１０５２は、ｉ番目の文書固有の情報を取得する。ｉ番目の文書固有の情報とは、例えば、関連情報が含む用語のｉ番目の文書中での出現頻度「ｔｆ」や、ｉ番目の文書の長さ（文字数）「ｄｌ」などである。「ｔｆ」「ｄｌ」を取得する技術は、公知技術であるので説明を省略する。
【００６４】
（ステップＳ３０９）関連度算出手段１０５２は、ステップＳ３０２で読み込んだ演算式に、共通する情報、固有の情報を代入し、演算式を実行し、ｉ番目の文書のスコア（Ｓｉ）を得る。そして、ｉ番目の文書のスコア（Ｓｉ）をｉ番目の文書を識別する情報（またはｉ番目の文書）と対にして、メモリ上に一時格納する。
【００６５】
（ステップＳ３１０）関連度算出手段１０５２は、カウンタｉを１、インクリメントし、ステップＳ３０４に戻る。
【００６６】
（ステップＳ３１１）判断手段１０５３は、ステップＳ３０９で一時格納したスコアのうちの最大のスコア（Ｓｍａｘ）を取得する。
【００６７】
（ステップＳ３１２）判断手段１０５３は、閾値格納手段１０５１から閾値（ａ）を読み出す。
【００６８】
（ステップＳ３１３）判断手段１０５３は、カウンタｉに１を代入する。
【００６９】
（ステップＳ３１４）判断手段１０５３は、文書格納部１０１の中に、ｉ番目の文書が存在するか否かを判断する。ｉ番目の文書が存在すればステップＳ３１５に行き、ｉ番目の文書が存在しなければ上位関数にリターンする。
【００７０】
（ステップＳ３１５）判断手段１０５３は、「Ｓｉ＞＝ａ×Ｓｍａｘ」であるか否かを判断する。かかる条件を満足すればステップＳ３１６に行き、満足しなければステップＳ３１８に行く。なお、ｉ番目の文書のスコア（Ｓｉ）は、ステップＳ３０９で一時格納しており、判断手段１０５３は、かかるスコア（Ｓｉ）を読み出す。
【００７１】
（ステップＳ３１６）判断手段１０５３は、ｉ番目の文書を関連文書として登録する。ここで、登録とは、ｉ番目の文書に関連文書のフラグ（例えば、「１」）を付与する処理でも良いし、関連文書を登録するメモリ上のテーブルに、ｉ番目の文書を識別する情報を追記する処理でも良い。その他、登録の方法は問わない。
【００７２】
（ステップＳ３１７）判断手段１０５３は、カウンタｉを１、インクリメントし、ステップＳ３１４に戻る。
【００７３】
（ステップＳ３１８）判断手段１０５３は、ｉ番目の文書を非関連文書として登録し、ステップＳ３１７に行く。なお、「非関連文書として登録」とは、関連文書と非関連文書とを区別できるように処理すれば良い。したがって、判断手段１０５３は、関連文書のみを登録し、ここでは、何もしない（ＮＯＰ）でも良い。
【００７４】
なお、図３のフローチャートにおいて説明した処理は、関連文書／非関連文書を分類する処理の一例であり、他のアルゴリズムで関連文書／非関連文書を分類しても良い。他のアルゴリズムとは、例えば、関連情報が有する用語から構成されるベクトルと、文書が有する用語から構成されるベクトルを用いて、２つのベクトルの類似度を算出し、類似度が予め決められている閾値より大きい場合のみ関連文書と判断するアルゴリズムである。
【００７５】
次に、ステップＳ２０７の関連文書中出現頻度を取得する処理の例について、図４のフローチャートを用いて説明する。
【００７６】
（ステップＳ４０１）関連文書中出現頻度取得部１０７は、初期化処理を行う。初期化処理とは、カウンタｉに１を代入したり、関連文書中出現頻度を代入する変数「関連文書中出現頻度」に０を代入したりする処理である。
【００７７】
（ステップＳ４０２）関連文書中出現頻度取得部１０７は、ｉ番目の関連文書が存在するか否かを判断する。ｉ番目の関連文書が存在すればステップＳ４０３に行き、ｉ番目の関連文書が存在しなければステップＳ４０８に行く。
【００７８】
（ステップＳ４０３）関連文書中出現頻度取得部１０７は、ｉ番目の関連文書に、着目している用語が出現する回数（ｄ）を取得する。関連文書中出現頻度取得部１０７は、通常、ｉ番目の関連文書を形態素解析した結果を用いて、着目している用語が出現する回数を取得する。ただし、関連文書中出現頻度取得部１０７は、ｉ番目の関連文書に対して、着目している用語でパターンマッチングを行い、合致する回数を取得しても良い。
【００７９】
（ステップＳ４０４）関連文書中出現頻度取得部１０７は、ｉ番目の関連文書のスコア（Ｓｉ）と、スコアの最大値（Ｓｍａｘ）を得る。かかる（Ｓｉ）と（Ｓｍａｘ）は、算出済みである。
【００８０】
（ステップＳ４０５）関連文書中出現頻度取得部１０７は、出現する回数（ｄ）と（Ｓｉ）と（Ｓｍａｘ）を用いてｉ番目の関連文書の出現頻度スコアを算出する。出現頻度スコアを算出する演算式は、ここでは、例えば、「ｄ×（Ｓｉ／Ｓｍａｘ）」である。この演算式の情報は予め格納されている。関連文書中出現頻度取得部１０７は、演算式の情報を読み込み、当該演算式に、（ｄ）と（Ｓｉ）と（Ｓｍａｘ）を代入し、演算式を実行し、出現頻度スコアを得る。
【００８１】
（ステップＳ４０６）関連文書中出現頻度取得部１０７は、変数「関連文書中出現頻度」にステップＳ４０５で算出した出現頻度スコアを加算する。
【００８２】
（ステップＳ４０７）関連文書中出現頻度取得部１０７は、カウンタｉを１、インクリメントし、ステップＳ４０２に戻る。
【００８３】
（ステップＳ４０８）関連文書中出現頻度取得部１０７は、変数「関連文書中出現頻度」の値をｉ番目の用語と対応付けて、メモリ上に一時格納し、上位関数にリターンする。
【００８４】
なお、図４のフローチャートにおいて説明した関連文書中出現頻度を算出するアルゴリズムや算出式は、一例であることは言うまでもない。
【００８５】
次に、ステップＳ２０８の文書中出現頻度を取得する処理の例について、図５のフローチャートを用いて説明する。
【００８６】
（ステップＳ５０１）文書中出現頻度取得部１０８は、初期化処理を行う。初期化処理とは、カウンタｉに１を代入したり、変数「文書中出現頻度」に０を代入したりする処理である。
【００８７】
（ステップＳ５０２）文書中出現頻度取得部１０８は、文書格納部１０１にｉ番目の文書が存在するか否かを判断する。ｉ番目の文書が存在すればステップＳ５０３に行き、ｉ番目の文書が存在しなければステップＳ５０６に行く。
【００８８】
（ステップＳ５０３）文書中出現頻度取得部１０８は、ｉ番目の文書中に着目する用語が出現するか否かを判断する。用語が出現すればステップＳ５０４に行き、用語が出現しなければステップＳ５０５に行く。
【００８９】
（ステップＳ５０４）文書中出現頻度取得部１０８は、変数「文書中出現頻度」に１を加算する。
【００９０】
（ステップＳ５０５）文書中出現頻度取得部１０８は、カウンタｉを１、インクリメントし、ステップＳ５０２に戻る。
【００９１】
（ステップＳ５０６）文書中出現頻度取得部１０８は、変数「文書中出現頻度」を着目する用語に対応付けて、メモリ上に一時格納し、上位関数にリターンする。
【００９２】
なお、図５のフローチャートにおいて説明した文書中出現頻度を算出するアルゴリズムや算出式は、一例であることは言うまでもない。
【００９３】
次に、ステップＳ２０９のスコアを取得する処理の例について、図６のフローチャートを用いて説明する。
【００９４】
（ステップＳ６０１）スコア算出手段１０９３は、予め格納されているスコアの算出式を読み込む。
【００９５】
（ステップＳ６０２）集中出現度算出手段１０９２は、文書格納部１０１の全文書数「Ｎ」を取得する。
【００９６】
（ステップＳ６０３）関連文書中頻度算出手段１０９１は、ステップＳ２０７で算出した関連文書中頻度から関連文書中頻度情報（ＴＦ）を得る。ここでは、関連文書中頻度情報（ＴＦ）は、ステップＳ２０７で算出した関連文書中頻度と同じ値である、とする。したがって、ここでは、関連文書中頻度算出手段１０９１は、既に算出してメモリ上に存在する値を取得するだけである。
【００９７】
（ステップＳ６０４）集中出現度算出手段１０９２は、ステップＳ６０２で取得した全文書数「Ｎ」と、文書中出現頻度を用いて、集中出現度（ＩＤＦ）を算出する。集中出現度を算出する演算式は、ステップＳ６０１で読み込んだ式の一部であり、集中出現度算出手段１０９２は、かかる式に、全文書数「Ｎ」と、文書中出現頻度を代入し、演算を実行し、集中出現度を得る。集中出現度算出手段１０９２は、得た集中出現度を用語と対応付けてメモリ上に一時格納する。
【００９８】
（ステップＳ６０５）スコア算出手段１０９３は、関連文書中頻度情報（ＴＦ）と集中出現度（ＩＤＦ）をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出する。スコア算出手段１０９３は、ステップＳ６０１で読み込んだ式に、関連文書中頻度情報（ＴＦ）と集中出現度（ＩＤＦ）を代入し、演算を実行し、スコアを得て、上位関数にリターンする。
【００９９】
なお、図６のフローチャートにおいて説明したスコアを算出するアルゴリズムや算出式は、一例であることは言うまでもない。
【０１００】
以下、本実施の形態における用語収集装置の具体的な動作について説明する。ここで、本用語収集装置は、例えば、ある講演を自動通訳する場合に、講演タイトルに関連する分野の専門用語を収集する機能を具備するものとして説明する。
【０１０１】
まず、本用語収集装置の文書格納部１０１に、図７に示すような文書ファイルが格納されている。図７において、（ａ）（ｂ）の２つの文書ファイルを示しているが、文書格納部１０１には多数の文書ファイルが格納されている、とする。文書格納部１０１は、例えば、いわゆる新聞記事の記事データベースである。
【０１０２】
また、登録用語格納部１０２に、図８に示す登録用語が格納されている。登録用語は、既にデータベースに登録されている用語であり、通訳者に伝えられている対訳辞書に格納されている用語である。なお、通常、登録用語は、図示しない訳の用語と対になっている。
【０１０３】
かかる場合、ユーザは、関連情報「迷走するペイオフ論議」を、キーボード等を用いて、用語収集装置を入力した、とする。関連情報「迷走するペイオフ論議」は、講演のタイトルである。
【０１０４】
次に、関連情報受付部１０３は、関連情報「迷走するペイオフ論議」を受け付ける。
【０１０５】
そして、関連情報語取得部１０４は、関連情報受付部１０３が受け付けた関連情報「迷走するペイオフ論議」を形態素解析し、形態素に分割する。そして、関連情報語取得部１０４は、形態素のうち、機能語を削除し、自立語のみを残して、語を取得する。そして、関連情報語取得部１０４は、「迷走」「する」「ペイオフ」「論議」を得る。なお、語は、ここでは形態素である。
【０１０６】
次に、判断部１０５は、以下の処理により、文書格納部１０１の１以上の各文書が、関連情報と所定の関係にある関連文書か、関連情報と所定の関係に無い非関連文書かを判断する。
【０１０７】
つまり、判断部１０５は、文書のスコア（Ｓ）を算出する演算式（例えば、数式１
数式２）の情報を読み込む。なお、数式１において、ｗ（１）を求める算出式は、数式２である。また、数式１は、非特許文献１に開示されている式である。
【０１０８】
また、数式１、２において、Ｑは、関連情報中の語Ｔの集合である。また、Ｎは、文書格納部１０１の文書数である。ｎは、語Ｔを含む文書数である。Ｒは、関連情報に関連のある文書である関連文書の数である。ｒは、関連文書の中で、用語Ｔを含む文書数である。Ｋは、「ｋ１（（１−ｂ）＋ｂ×ｄｌ／ａｖｄｌ）」で算出される数値である。ｋ１、ｂ、ｋ３は、パラメータである。ｔｆは、関連文書の中で、用語Ｔが出現する頻度である。ｑｔｆは、関連情報の中で、用語Ｔが出現する頻度である。ｄｌは、着目している文書の長さである。ａｖｄｌは、文書格納部１０１の文書の長さの平均である。なお、関連文書の情報を利用しない場合は、数式２におけるＲ、およびｒは、「０」でよい。
【数１】
【数２】
【０１０９】
そして、判断部１０５は、読み込んだ数式に代入すべき情報であり共通する情報（例えば、文書の長さの平均、文書格納部１０１の文書数など）を取得する。
【０１１０】
そして、判断部１０５の関連度算出手段１０５２は、文書格納部１０１から１つ目の文書（図７（ａ））を読み出す。そして、関連度算出手段１０５２は、図７（ａ）の文書を形態素解析し、図９の情報を得る。図９において、形態素の間に、「｜」が存在する。そして、関連度算出手段１０５２は、図９の情報から機能語を除く。また、関連度算出手段１０５２は、機能語を除いて残った自立語の例から、連続する名詞を一つの用語とし、１以上の用語を得る。この１以上の用語が図１０である。図１０において、用語間は「｜」で区切られている。
【０１１１】
次に、関連度算出手段１０５２は、図７（ａ）の文書固有の情報（例えば、関連情報が含む用語のｉ番目の文書中での出現頻度「ｔｆ」や、ｉ番目の文書の長さ（文字数）「ｄｌ」など）を取得する。
【０１１２】
次に、関連度算出手段１０５２は、読み込んだ数式１、２の演算式に、取得した共通の情報、文書固有の情報を代入し、演算式を実行する。そして、例えば、関連度算出手段１０５２は、図７（ａ）のスコア（Ｓ１）を、「２４．２０８５」と算出した、とする。
【０１１３】
次に、同様に、関連度算出手段１０５２は、文書格納部１０１から２つ目の文書（図７（ｂ））を読み出し、上記と同様の処理を行い、図７（ｂ）のスコア（Ｓ２）を、「２．１１０９」と算出した、とする。
【０１１４】
さらに、関連度算出手段１０５２は、３つ目以降の文書（図示しない）を読み出し、上記と同様の処理を行い、それぞれのスコアを算出する。
【０１１５】
次に、関連度算出手段１０５２は、文書格納部１０１の全文書のスコアのうち最大のスコア（Ｓｍａｘ）を、ここでは、「２８．００００」と取得した、とする。そして、閾値「ａ＝０．７」を記録媒体から読み出す。
【０１１６】
次に、関連度算出手段１０５２は、１番目の文書から、先に算出し、一時格納した各文書のスコア（Ｓ）が「Ｓ＞０．７×２８．００００」を満たすか否か、判断する。
【０１１７】
ここで、１番目の文書（図７（ａ））のスコア（Ｓ１）の「２４．２０８５」は、「＞０．７×２８．００００」を満たすので、関連度算出手段１０５２は、１番目の文書（図７（ａ））を、関連文書である、として登録する。
【０１１８】
次に、２番目の文書（図７（ｂ））のスコア（Ｓ２）の「２．１１０９」は、「＞０．７×２８．００００」を満たさないので、関連度算出手段１０５２は、１番目の文書（図７（ａ））を、非関連文書である、として登録する。
【０１１９】
そして、同様に、関連度算出手段１０５２は、３番目以降の文書のスコアと、最大のスコア（Ｓｍａｘ）を用いて、「Ｓｉ＞ａ（０．７）×Ｓｍａｘ」を満たすか否かを判断し、満たせば関連文書、満たさなければ非関連文書である、として登録する。
【０１２０】
その結果、関連度算出手段１０５２は、図１１に示す関連・非関連管理表を得る。関連・非関連管理表は、「文書ＩＤ」と「関連（１）・非関連（０）」の属性値を有する。「文書ＩＤ」は、文書を識別する情報であり、例えば、文書のファイル名である。「関連（１）・非関連（０）」は、文書が関連文書か非関連文書かを示す情報であり、文書が関連文書の場合は「１」、文書が非関連文書の場合は「０」の値をとる。
【０１２１】
次に、用語取得部１０６は、関連文書であると判断された１以上の関連文書（文書ａ、文書ｃなど）が有する１以上の用語を取り出す。つまり、用語取得部１０６は、１以上の関連文書を形態素解析し、機能語を除き、連続する名詞を一の用語として抽出する。また、ユニーク処理を行い、用語の重複を回避する。その結果、例えば、図１２に示すような用語群を得る。
【０１２２】
次に、関連文書中出現頻度取得部１０７は、図１２の用語群のうち、１番目の用語「ペイオフ」について、１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する。ここで、関連文書中出現頻度取得部１０７は、関連文書中出現頻度を「８０」と取得できた、とする。ここで、関連文書中出現頻度は、用語「ペイオフ」が関連文書中で出現する出現回数である。
【０１２３】
次に、文書中出現頻度取得部１０８は、１番目の用語「ペイオフ」について、１以上の関連文書または１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する。ここでは、文書中出現頻度取得部１０８は、文書中出現頻度を「２６」と取得できた、とする。ここで、文書中出現頻度は、用語「ペイオフ」が出現する文書数である。
【０１２４】
次に、スコア算出部１０９は、１番目の用語「ペイオフ」について、関連文書中出現頻度「８０」および、取得した文書中出現頻度「２６」を用いて、用語の専門性または特殊性に関するスコアを算出する。スコア算出の演算式は、数式３である。
【数３】
【０１２５】
なお、数式３において、ＴＦは関連文書中出現頻度「８０」である。また、Ｎは文書格納部１０１の全文書数であり、ここでは、１０２４である、とする。また、ＤＦは文書中出現頻度「２６」である。
【０１２６】
したがって、スコア算出部１０９は、記録媒体に格納している数式３の情報を読み出し、ＴＦ「８０」、Ｎ「１０２４」、ＤＦ「２６」を代入し、「スコア＝８０×ｌｏｇ（１０２４／２６）」を演算し、スコア「１２７．６２６１」を得る。そして、スコア算出部１０９は、用語の情報と、スコアを対にして、メモリ上に一時格納する。
【０１２７】
同様に、スコア算出部１０９は、２番目以降の用語に対してもスコアを算出し、各用語の情報とスコアを対にして算出し、メモリ上に一時格納する。
【０１２８】
次に、出力情報構成部１１０は、メモリ上に一時格納された用語とスコアの多数の組の情報を、スコアをキーとして降順にソートする。そして、出力情報構成部１１０は、図１３に示すような出力情報を構成する。
【０１２９】
そして、出力部１１１は、図１３の出力情報を出力する。
【０１３０】
以上、本実施の形態によれば、専門的な用語や、時事的な用語を、精度高く収集できる。
【０１３１】
なお、本実施の形態によれば、用語に対するスコアの算出アルゴリズムとして、ＴＦ・ＩＤＦ法を用いた。しかし、他のアルゴリズムでも良い。例えば、上述した有意確率法でも良い。有意確率法による場合、以下のように処理をする。つまり、関連文書中出現頻度取得部１０７は、用語「ｔ」について、１以上の関連文書内での出現頻度である関連文書中出現頻度（これを「ａ」とする）を取得する。また、文書中出現頻度取得部１０８は、用語「ｔ」について、１以上の非関連文書内での出現頻度である非関連文書中出現頻度（これを「ｃ」とする）を取得する。そして、スコア算出部１０９は、用語「ｔ」以外の用語の、１以上の関連文書内での出現頻度（これを「ｂ」とする）を取得する。また、スコア算出部１０９は、用語「ｔ」以外の用語の、１以上の非関連文書内での出現頻度（これを「ｄ」とする）を取得する。そして、スコア算出部１０９は、図１４に示す頻度管理表を得た、とする。
【０１３２】
そして、スコア算出部１０９は、頻度管理表の定数「ａ」「ｂ」・・・「ｈ」「ｎ」を、数式４に代入し、有意確率を算出する。
【数４】
【０１３３】
なお、有意確率とは、２×２分割表でｅ，ｆ，ｇ，ｈが決まっている時に、ａ，ｂ，ｃ，ｄが特定の値である確率をｐとすると、ｐは、数式５になる。
【数５】
【０１３４】
また、ａ，ｂ，ｃ，ｄのうち、どれｋら１つを決めると残りの３つが一意に決まる。用語「ｔ」が話題一致文書中にｋ回出現する確率のうち、「ｋ＞＝ａ」の確率を足し合わせた値が有意確率である。
【０１３５】
そして、スコア算出部１０９は、予め決められた演算式「−ｌｏｇ（有意確率）」の情報を読み出し、数式４の演算により得た有意確率を代入し、スコアを算出する。有意確率法によれば、上記の具体例における出力情報は、図１５に示すような情報となる。
【０１３６】
また、本実施の形態によれば、登録されている用語である登録用語を除いて、専門用語等を抽出した。しかし、登録用語が存在しない場合や、重複を嫌わない場合など、かかる登録用語を除く処理は必須ではない。かかる場合、登録用語格納部１０２は不要となる。
【０１３７】
また、本実施の形態において、出力部は、登録用語格納部の登録用語を有する出力情報を出力しない用語収集装置であった。ここで、出力部は最終的に登録用語を有する出力情報を出力しなければ良い。したがって、例えば、スコア算出部が登録用語についてのスコアを算出しない、という構成でも良いし、出力構成部が登録用語を有する出力情報を構成しない、という構成でも良いし、出力部が登録用語を有する出力情報を出力しない、という構成でも良い。
【０１３８】
また、本実施の形態によれば、判断部１０５が文書格納部１０１の各文書に対して、関連文書であるか、非関連文書であるかを判断した。しかし、予め関連文書と非関連文書が分類されて、格納されていても良い。かかる場合、判断部１０５の処理等は不要となり、用語収集装置の構成は、以下のようになる。つまり、用語収集装置は、図１６に示すように、収集する用語に関連する文書である関連文書が１以上格納され得る関連文書格納部１５０１と、収集する用語に関連しない文書である非関連文書が１以上格納され得る非関連文書格納部１５０２と、前記１以上の関連文書から１以上の用語を取り出す用語取得部１０６と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部１０７と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部１０８と、前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部１０９と、前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部１１０と、前記出力情報構成部が構成した出力情報を出力する出力部１１１を具備する。図１６は、かかる用語収集装置のブロック図である。なお、受付部１５０３は、用語収集装置の処理の開始指示を受け付け、かかる開始指示により、用語収集装置の動作が開始される。
【０１３９】
また、本実施の形態によれば、スコア算出部１０９は、関連文書中出現頻度をパラメータとする増加関数であり、非関連文書中出現頻度または／および文書中出現頻度をパラメータとする減少関数によりスコアを算出した。しかし、スコアの大小を逆に算出しても良い。つまり、スコア算出部１０９は、関連文書中出現頻度をパラメータとする減少関数であり、非関連文書中出現頻度または／および文書中出現頻度をパラメータとする増加関数によりスコアを算出しても良い。かかる場合、出力の段階で、スコアの小さい用語を優先的に出力する処理（ソートをする場合は、スコアの昇順に用語をソートする処理）を行うこととなる。
【０１４０】
さらに、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における用語収集装置を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータに、１以上の関連文書から１以上の用語を取り出す用語取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報文書中出現頻度を取得する文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップと、前記スコア算出ステップで算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成ステップと、前記出力情報構成ステップで構成した出力情報を出力する出力ステップを実行させるためのプログラム、である。
【０１４１】
また、本実施の形態における用語収集装置を実現するソフトウェアは、コンピュータに、収集する用語に関連する情報である関連情報を受け付ける関連情報受付ステップと、前記関連情報から１以上の用語を取得する関連情報用語取得ステップと、前記関連情報用語取得ステップで取得した１以上の用語を用いて、１以上の文書が、前記関連情報と所定の関係にある関連文書か、前記関連情報と所定の関係に無い非関連文書かを判断する判断ステップと、前記１以上の関連文書が有する１以上の用語を取り出す用語取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップと、前記スコア算出ステップで算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成ステップと、前記出力情報構成ステップで構成した出力情報を出力する出力ステップを実行させるためのプログラム、である。
【０１４２】
また、上記プログラムにおいて、前記判断ステップは、前記１以上の各文書に対して、前記関連情報用語取得ステップで取得した１以上の用語を用いて、前記関連情報との関連度を算出する関連度算出ステップと、前記各文書について、前記関連度算出ステップで算出した関連度と閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する判断ステップを具備することは好適である。
【０１４３】
また、上記プログラムにおいて、前記スコア算出ステップは、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記各関連文書に対して、当該関連文書中の関連文書中出現頻度と当該関連文書の関連度をパラメータとする増加関数による演算を行い、前記各関連文書に対応する１以上の関連文書中頻度情報を算出する関連文書中頻度算出ステップと、前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記文書中出現頻度取得ステップで算出した前記非関連文書中出現頻度または前記文書中出現頻度を用いて、当該用語が非関連文書を含む文書群に広く出現しない度合いである集中出現度を算出する集中出現度算出ステップと、前記関連文書中頻度情報と前記集中出現度をパラメータとする増加関数による演算を行い、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップを具備することは好適である。
【０１４４】
また、上記プログラムにおいて、前記用語取得ステップにおいて、前記１以上の関連文書から１以上の用語を取り出す場合に、すでに登録されている用語である登録用語を除いて１以上の用語を取り出すことは好適である。
【０１４５】
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
【０１４６】
また、図１７は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態の用語収集装置を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図１７は、このコンピュータシステム３４０の概観図であり、図１８は、コンピュータシステム３４０のブロック図である。
【０１４７】
図１７において、コンピュータシステム３４０は、ＦＤ（Ｆｌｅｘｉｂｌｅ Ｄｉｓｋ）ドライブ、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）ドライブを含むコンピュータ３４１と、キーボード３４２と、マウス３４３と、モニタ３４４とを含む。
【０１４８】
図１８において、コンピュータ３４１は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２に加えて、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３４１３と、ＣＰＵ３４１３、ＣＤ−ＲＯＭドライブ３４１２及びＦＤドライブ３４１１に接続されたバス３４１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ（Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）３４１５と、ＣＰＵ３４１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３４１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３４１７とを含む。ここでは、図示しないが、コンピュータ３４１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
【０１４９】
コンピュータシステム３４０に、上述した実施の形態の用語収集装置の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３５０１、またはＦＤ３５０２に記憶されて、ＣＤ−ＲＯＭドライブ３４１２またはＦＤドライブ３４１１に挿入され、さらにハードディスク３４１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３４１に送信され、ハードディスク３４１７に記憶されても良い。プログラムは実行の際にＲＡＭ３４１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３５０１、ＦＤ３５０２またはネットワークから直接、ロードされても良い。
【０１５０】
プログラムは、コンピュータ３４１に、上述した実施の形態の用語収集装置の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３４０がどのように動作するかは周知であり、詳細な説明は省略する。
【０１５１】
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
【０１５２】
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
【産業上の利用可能性】
【０１５３】
以上のように、本発明にかかる用語収集装置は、専門的な用語、または時事的な用語などを収集できる、という効果を有し、用語収集装置等として有用である。
【図面の簡単な説明】
【０１５４】
【図１】実施の形態における用語収集装置のブロック図
【図２】同用語収集装置の動作について説明するフローチャート
【図３】同判断処理について説明するフローチャート
【図４】同関連文書中出現頻度を取得する処理について説明するフローチャート
【図５】同文書中出現頻度を取得する処理について説明するフローチャート
【図６】同スコアを算出する処理について説明するフローチャート
【図７】同文書ファイルの例を示す図
【図８】同登録用語の例を示す図
【図９】同文書の形態素解析結果を示す図
【図１０】同取得した用語の例を示す図
【図１１】同関連・非関連管理表を示す図
【図１２】同例を示す図
【図１３】同出力情報の例を示す図
【図１４】同有意確率を説明する頻度管理表を示す図
【図１５】同出力情報の例を示す図
【図１６】同用語収集装置のブロック図
【図１７】同用語収集装置を実現するコンピュータシステムの概観図
【図１８】同用語収集装置を実現するコンピュータシステムのブロック図
【符号の説明】
【０１５５】
１０１ 文書格納部
１０２ 登録用語格納部
１０３ 関連情報受付部
１０４ 関連情報語取得部
１０５ 判断部
１０６ 用語取得部
１０７ 関連文書中出現頻度取得部
１０８ 文書中出現頻度取得部
１０９ スコア算出部
１１０ 出力情報構成部
１１１ 出力部
１０５１ 閾値格納手段
１０５２ 関連度算出手段
１０５３ 判断手段
１０９１ 関連文書中頻度算出手段
１０９２ 集中出現度算出手段
１０９３ スコア算出手段
１５０１ 関連文書格納部
１５０２ 非関連文書格納部
１５０３ 受付部
【特許請求の範囲】
【請求項１】
１以上の文書から用語を収集する用語収集装置において、
収集する用語に関連する文書である関連文書が１以上格納され得る関連文書格納部と、
収集する用語に関連しない文書である非関連文書が１以上格納され得る非関連文書格納部と、
前記１以上の関連文書から１以上の用語を取り出す用語取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、
前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、
前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置。
【請求項２】
１以上の文書が格納され得る文書格納部と、
収集する用語に関連する情報である関連情報を受け付ける関連情報受付部と、
前記関連情報から１以上の語を取得する関連情報語取得部と、
前記関連情報語取得部が取得した１以上の語を用いて、前記文書格納部の１以上の各文書が、前記関連情報と所定の関係にある関連文書か、前記関連情報と所定の関係に無い非関連文書かを判断する判断部と、
前記１以上の関連文書が有する１以上の用語を取り出す用語取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、
前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、
前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置。
【請求項３】
前記判断部は、
関連文書と非関連文書を分類するための閾値を格納している閾値格納手段と、
前記文書格納部の１以上の各文書に対して、前記関連情報語取得部が取得した１以上の用語を用いて、前記関連情報との関連度を算出する関連度算出手段と、
前記各文書について、前記関連度算出手段が算出した関連度と前記閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する判断手段を具備する請求項２記載の用語収集装置。
【請求項４】
１以上の用語である１以上の登録用語を格納している登録用語格納部をさらに具備し、
前記出力部は、
前記登録用語を有する出力情報を出力しない請求項１から請求項３いずれか記載の用語収集装置。
【請求項５】
コンピュータに、
１以上の関連文書から１以上の用語を取り出す用語取得ステップと、
前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得ステップと、
前記用語取得ステップで取得した１以上の用語のうちの各用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得ステップと、
前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップと、
前記スコア算出ステップで算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成ステップと、
前記出力情報構成ステップで構成した出力情報を出力する出力ステップを実行させるためのプログラム。
【請求項１】
１以上の文書から用語を収集する用語収集装置において、
収集する用語に関連する文書である関連文書が１以上格納され得る関連文書格納部と、
収集する用語に関連しない文書である非関連文書が１以上格納され得る非関連文書格納部と、
前記１以上の関連文書から１以上の用語を取り出す用語取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、
前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、
前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置。
【請求項２】
１以上の文書が格納され得る文書格納部と、
収集する用語に関連する情報である関連情報を受け付ける関連情報受付部と、
前記関連情報から１以上の語を取得する関連情報語取得部と、
前記関連情報語取得部が取得した１以上の語を用いて、前記文書格納部の１以上の各文書が、前記関連情報と所定の関係にある関連文書か、前記関連情報と所定の関係に無い非関連文書かを判断する判断部と、
前記１以上の関連文書が有する１以上の用語を取り出す用語取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得部と、
前記用語取得部が取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度、および前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出部と、
前記スコア算出部が算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成部と、
前記出力情報構成部が構成した出力情報を出力する出力部を具備する用語収集装置。
【請求項３】
前記判断部は、
関連文書と非関連文書を分類するための閾値を格納している閾値格納手段と、
前記文書格納部の１以上の各文書に対して、前記関連情報語取得部が取得した１以上の用語を用いて、前記関連情報との関連度を算出する関連度算出手段と、
前記各文書について、前記関連度算出手段が算出した関連度と前記閾値を用いて、文書ごとに、当該文書が関連文書であるか非関連文書であるかを判断する判断手段を具備する請求項２記載の用語収集装置。
【請求項４】
１以上の用語である１以上の登録用語を格納している登録用語格納部をさらに具備し、
前記出力部は、
前記登録用語を有する出力情報を出力しない請求項１から請求項３いずれか記載の用語収集装置。
【請求項５】
コンピュータに、
１以上の関連文書から１以上の用語を取り出す用語取得ステップと、
前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記１以上の関連文書内での出現頻度についての情報である関連文書中出現頻度を取得する関連文書中出現頻度取得ステップと、
前記用語取得ステップで取得した１以上の用語のうちの各用語について、１以上の非関連文書内での出現頻度についての情報である非関連文書中出現頻度、または前記１以上の関連文書または前記１以上の非関連文書内での出現頻度についての情報である文書中出現頻度を取得する文書中出現頻度取得ステップと、
前記用語取得ステップで取得した１以上の用語のうちの各用語について、前記関連文書中出現頻度および、前記非関連文書中出現頻度または／および前記文書中出現頻度を用いて、用語の専門性または特殊性に関するスコアを算出するスコア算出ステップと、
前記スコア算出ステップで算出したスコアと用語を用いて出力する情報である出力情報を構成する出力情報構成ステップと、
前記出力情報構成ステップで構成した出力情報を出力する出力ステップを実行させるためのプログラム。
【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１８】
【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１８】
【公開番号】特開２００７−２４１３４８（Ｐ２００７−２４１３４８Ａ）
【公開日】平成１９年９月２０日（２００７．９．２０）
【国際特許分類】
【出願番号】特願２００６−５８８７１（Ｐ２００６−５８８７１）
【出願日】平成１８年３月６日（２００６．３．６）
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成１７年度独立行政法人情報通信研究機構、研究テーマ「大規模コーパスベース音声対話翻訳技術の研究開発」に関する委託研究、産業活力再生特別措置法第３０条の適用を受ける特許出願
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
【公開日】平成１９年９月２０日（２００７．９．２０）
【国際特許分類】
【出願日】平成１８年３月６日（２００６．３．６）
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成１７年度独立行政法人情報通信研究機構、研究テーマ「大規模コーパスベース音声対話翻訳技術の研究開発」に関する委託研究、産業活力再生特別措置法第３０条の適用を受ける特許出願
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
[ Back to top ]