類似文書検索装置および類似文書検索方法
【課題】 検索効率および検索速度を落とすことなく、さらに、検索を行うために必要な情報の不足を補う。
【解決手段】 検索対象文書と検索キー文書とを比較する対象となる単語を文書から抽出する第１の抽出ルールおよび第２の抽出ルールとを記憶する抽出ルール記憶部と、第１の抽出ルールに基づいて検索キー単語を抽出する検索キー単語抽出部と、抽出単語数を基準単語数と比較したとき、抽出単語数が基準単語数よりも少ない場合、第２の抽出ルールに基づいてさらに検索キー単語を抽出する第二次検索キー単語抽出部と、検索対象文書から検索対象文書単語を抽出する検索対象文書単語抽出部と、検索キー単語抽出部または第二次検索キー単語抽出部で抽出された検索キー単語と、検索対象文書単語とを比較して類似度を算出する類似度算出部と、類似度算出部で算出された類似度をソートして、類似度が高い検索対象文書を類似文書と決定するソート部とを有する。
【解決手段】 検索対象文書と検索キー文書とを比較する対象となる単語を文書から抽出する第１の抽出ルールおよび第２の抽出ルールとを記憶する抽出ルール記憶部と、第１の抽出ルールに基づいて検索キー単語を抽出する検索キー単語抽出部と、抽出単語数を基準単語数と比較したとき、抽出単語数が基準単語数よりも少ない場合、第２の抽出ルールに基づいてさらに検索キー単語を抽出する第二次検索キー単語抽出部と、検索対象文書から検索対象文書単語を抽出する検索対象文書単語抽出部と、検索キー単語抽出部または第二次検索キー単語抽出部で抽出された検索キー単語と、検索対象文書単語とを比較して類似度を算出する類似度算出部と、類似度算出部で算出された類似度をソートして、類似度が高い検索対象文書を類似文書と決定するソート部とを有する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、類似文書を検索する類似文書検索装置および類似文書検索方法に関する。
【背景技術】
【０００２】
従来、文書をキーとし、予め記憶している複数の検索対象文書から検索キー文書と類似する文書を検索する文書検索装置が利用されている。
【０００３】
このような従来の文書検索装置は、検索キー文書から抽出された単語と、検索対象文書から抽出された単語とを比較し、検索キー文書と複数の検索対象文書との類似度を算出した上で、算出された類似度の高い検索対象文書を類似文書としている。
【０００４】
また、上述したような文書中の単語を利用して類似文書を抽出する文書検索の技術では、検索の効率化や高速化を図るため、検索に有用な範囲を限定し、特定の範囲のみから、比較の対象とする単語の抽出を行う方法が用いられることがある。
【０００５】
一方、特定の範囲から単語を抽出する場合、例えば、範囲を特定するための見出しや記号が欠如したとき、または、特定のフォーマットと異なる書式データが検索キー文書に指定されたとき等、比較の対象とする単語が十分に抽出されないことがある。必要な単語が抽出できない場合、検索の精度が著しく低下するおそれがある。
【０００６】
このような精度の低下を回避するために、あらかじめ指定された代替データを、不足部分にあてがうなどして、検索に必要な情報量すなわち単語数を一定に保つ文書検索装置及び文書検索方法もある。 (例えば、特許文献１参照)。
【特許文献１】特開２００３−０２２２７６号公報
【発明の開示】
【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に記載されているような代替データを用いる方法では、検索キー文書が所定のフォーマットに従っていない場合、代替する領域の特定も不可能となり、データの不足を補うことができない問題が生じることがある。
【０００８】
上記課題に鑑み、本発明は、検索効率および検索速度を落とすことなく、過度の情報の補填を抑制し、さらに、検索を行うために必要な情報の不足を補うことができる類似文書検索装置および類似文書検索方法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】
【０００９】
上記課題を解決するために、本発明の特徴に係る類似文書検索装置は、検索対象文書記憶部に記憶される複数の検索対象文書と比較して、検索キー文書と類似する検索対象文書を検索する文書検索装置であって、文書から単語を抽出する際、検索結果の精度を保証するために最小の単語数である基準単語数を記憶する基準単語数格納バッファ部と、検索対象文書と検索キー文書とを比較する対象となる単語を文書から抽出する第１の抽出ルールと、第１の抽出ルールで抽出された単語数である抽出単語数が基準単語数以下である場合に検索対象文書と検索キー文書とを比較する対象となる単語を文書から抽出する第２の抽出ルールとを記憶する抽出ルール記憶部と、第１の抽出ルールに基づいて検索キー単語を抽出する検索キー単語抽出部と、抽出単語数を基準単語数と比較したとき、抽出単語数が基準単語数よりも少ない場合、第２の抽出ルールに基づいてさらに検索キー単語を抽出する第二次検索キー単語抽出部と、検索対象文書から検索対象文書単語を抽出する検索対象文書単語抽出部と、検索キー単語抽出部または第二次検索キー単語抽出部で抽出された検索キー単語と、検索対象文書単語とを比較して類似度を算出する類似度算出部と、類似度算出部で算出された類似度をソートして、類似度が高い検索対象文書を類似文書と決定するソート部とを有することを特徴とする。
【００１０】
上記構成による本発明によれば、必要最低限の情報量により比較を行うことで、検索精度の低下を抑制し、効率を向上させることができる。
【発明の効果】
【００１１】
本発明によれば、検索効率および検索速度を落とすことなく、過度の情報の補填を抑制し、さらに、検索を行うために必要な情報の不足を補う類似文書検索装置および類似文書検索方法を提供することができる。
【発明を実施するための最良の形態】
【００１２】
以下、図面を参照して、本発明の最良の実施の形態を説明する。
【００１３】
＜類似文書検索装置＞
図１は、本発明の最良の実施の形態に係る類似文書検索装置１を示すブロック構成図である。図１に示すように類似文書検索装置１は、検索制御部１０、検索対象文書記憶部１１、形態素解析辞書記憶部１２、抽出ルール記憶部１３、入力制御部１４、出力制御部１５を有している。
【００１４】
本発明の最良の実施の形態に係る類似文書検索装置１は、図２に示すように、中央処理制御装置１２１、ＲＯＭ（Read Only Memory）１２２、ＲＡＭ（Random Access Memory）１２３および入出力インタフェース１２９が、バス１３０を介して接続されている。入出力インタフェース１２９には、入力装置１２４、表示装置１２５、通信制御装置１２６、記憶装置１２７およびリムーバブルディスク１２８が接続されている。
【００１５】
中央処理制御装置１２１は、入力装置１２４からの入力信号に基づいてＲＯＭ１２２から類似文書検索装置１を起動するためのブートプログラムを読み出して実行し、更に記憶装置１２７に記憶されたオペレーティングシステムを読み出す。更に中央処理制御装置１２１は、入力装置１２４や通信制御装置１２６などの入力信号に基づいて、各種装置の制御を行ったり、ＲＡＭ１２３や記憶装置１２７などに記憶されたプログラムおよびデータを読み出してＲＡＭ１２３にロードするとともに、ＲＡＭ１２３から読み出されたプログラムのコマンドに基づいて、データの計算または加工など、後述する一連の処理を実現する処理装置である。
【００１６】
入力装置１２４は、操作者が各種の操作を入力するキーボード、マウスなどの入力デバイスにより構成されており、操作者の操作に基づいて入力信号を作成し、入出力インタフェース１２９およびバス１２０を介して中央処理制御装置１２１に送信される。表示装置１２５は、ＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイなどであり、中央処理制御装置１２１からバス１２０および入出力インタフェース１２９を介して表示装置１２５において表示させる出力信号を受信し、たとえば、中央処理制御装置１２１の処理結果などを表示する装置である。通信制御装置１２６は、ＬＡＮカードやモデムなどの装置であり、類似文書検索装置１をインターネットやＬＡＮなどの通信ネットワークに接続する装置である。通信制御装置１２６を介して通信ネットワークと送受信したデータは入力信号または出力信号として、入出力インタフェース１２９およびバス１２０を介して中央処理制御装置１２１に送受信される。
【００１７】
記憶装置１２７は半導体記憶装置または磁気ディスク装置等であって、中央処理制御装置１２１で実行されるプログラムやデータが記憶されている。リムーバブルディスク１２８は、光ディスクやフレキシブルディスクのことであり、ディスクドライブによって読み書きされた信号は、入出力インタフェース１２９およびバス１２０を介して中央処理制御装置１２１に送受信される。本発明に係る類似文書検索装置１の記憶装置１２７には、画面提供プログラムが記憶されるとともに、検索対象文書記憶部１１、形態素解析辞書記憶部１２および、抽出ルール記憶部１３が記憶される。また、この類似文書検索プログラムが類似文書検索装置１の中央処理制御装置１２１に読み込まれて実行されることによって、検索制御部１０、入力制御部１４および出力制御部１５が実装される。
【００１８】
検索対象文書記憶部１１は、記憶装置１２７に検索キー文書と類似を比較する対象である複数の比較対象文書を記憶している。
【００１９】
形態素解析辞書記憶部１２は、記憶装置１２７にテキスト文書から単語の抽出に利用する単語情報を記憶している。具体的には、形態素解析辞書記憶部１２は、単語の抽出に利用される各単語の「見出し」、名詞やサ変名詞等の「品詞情報」または、代表語等の「単語情報」を記憶している。
【００２０】
抽出ルール記憶部１３は、記憶装置１２７にテキスト文書から、サブ文書を切り出し、切り出したサブ文書から類似度算出に利用する単語を抽出するルールを記憶している。
【００２１】
検索制御部１０は、類似文書を検索する各処理を制御する。
【００２２】
入力制御部１４は、キーボードやマウス等の入力装置１２４から操作者により入力される操作指示や検索キー文書を入力する。
【００２３】
出力制御部１５は、類似検索結果などを表示装置に表示する。
【００２４】
なお、本発明の最良の実施の形態に係る類似文書検索装置１は、一つのコンピュータによって実現されても良いし、互いに通信可能な複数のコンピュータによって実現されても良い。
【００２５】
図３は、検索制御部１０の詳細な構成の一例を示す図である。検索制御部１０は、制御部１００とメモリ部２００を有している。
【００２６】
制御部１００は、検索制御部１０における各処理を制御する。この制御部１００は、具体的には、メイン処理部１０１、初期化部１０２、入力部１０３、出力部１０４、検索対象文書読み出し部１０５、検索対象文書単語抽出部１０６、検索キー文書入力部１０７、単語抽出ルール適用部１０８、検索キー単語抽出部１０９、抽出単語数取得部１１０、基準単語数指定部１１１、最低抽出単語数判定部１１２、第二次単語抽出ルール適用部１１３、第二次検索キー単語抽出部１１４、類似度算出部１１５、ソート部１１６および、検索結果出力部１１７を有している。
【００２７】
また、メモリ部２００は、検索制御部１０における処理で用いられるデータを記憶する。このメモリ部２００は、具体的には、検索対象文書格納バッファ部２０１、検索対象単語情報格納バッファ部２０２、検索キー文書格納バッファ部２０３、検索キー単語情報格納バッファ部２０４、抽出ルール格納バッファ部２０５、抽出単語数格納バッファ部２０６、基準単語数格納バッファ部２０７、単語不足判定結果格納バッファ部２０８、第二次抽出ルール格納バッファ部２０９、類似度格納バッファ部２１０、ソート結果格納バッファ部２１１および、検索結果出力バッファ部２１２を有している。
【００２８】
検索対象文書格納バッファ部２０１は、検索キー文書と比較して類似度を算出する対象となる複数の検索対象文書が記憶される。
【００２９】
検索対象単語情報格納バッファ部２０２は、検索対象文書中に存在し、検索対象文書あるいは項目の内容を表す検索対象単語により生成される検索対象単語情報が記憶される。
【００３０】
検索キー文書格納バッファ部２０３には、類似文書を検索する対象として入力された検索キー文書が記憶される。
【００３１】
検索キー単語情報格納バッファ部２０４には、検索キー文書中に存在し、検索キー文書あるいは項目の内容を表す検索キー単語が記憶される。具体的には、検索キー単語情報格納バッファ部２０４には、検索キー単語と検索処理に有効な単語の数である単語種数とが関連付けられた検索キー単語情報が記憶される。
【００３２】
抽出ルール格納バッファ部２０５は、テキスト文書からテキスト文書の内容を表す単語を抽出するための第１の抽出ルールが記憶される。
【００３３】
抽出単語数格納バッファ部２０６は、検索キー文書から抽出された単語種数を記憶する。この、単語種数とは、文書中に含まれる単語数を求めた上で同一の単語については複数回カウントせずに１回づつカウントした文書中に含まれた単語の数である。
【００３４】
基準単語数格納バッファ部２０７は、検索処理に必要とされる最低限の単語数である基準単語数が記憶される。
【００３５】
単語不足判定結果格納バッファ部２０８は、単語が不足であるか否かの判定結果が記憶される。
【００３６】
第二次抽出ルール格納バッファ部２０９は、テキスト文書からテキスト文書の内容を表す単語を切り出すための第２の抽出ルールが記憶される。
【００３７】
類似度格納バッファ部２１０は、検索キー文書と検索対象文書の類似度が文書情報と関連付けて記憶される。文書情報は、算出された類似度が何れの検索対象文書との類似度であるかを識別するために例えば類似度と関連付けられる文書ＩＤを含んでいる。
【００３８】
ソート結果格納バッファ部２１１は、類似度をキーとして降順にソートされた文書情報の結果が記憶される。
【００３９】
検索結果出力バッファ部２１２は、出力するための検索結果が記憶される。
【００４０】
メイン処理部１０１は、検索制御部１０における各処理を制御する。
【００４１】
初期化部１０２は、メモリ部２００の各バッファ部２０１〜２１２を初期化する。
【００４２】
入力部１０３は、入力制御部１４を介して入力されたユーザの指示に従って、検索キー文書等の類似文書の検索に利用する情報を入力する。
【００４３】
出力部１０４は、入力制御部１４を介して入力した検索キー文書や処理における設定の内容等を出力制御部１５に出力する。
【００４４】
検索対象文書読み出し部１０５は、検索対象文書記憶部１１に記憶されているテキスト文書を読み出し、検索対象文書格納バッファ部２０１に記憶させる。
【００４５】
検索対象文書単語抽出部１０６は、検索対象文書格納バッファ部２０１からテキスト文書の検索対象文書を読み出し、形態素解析辞書記憶部１２に記憶されている単語情報を利用して、必要なサブ文書を切り出すとともに、切り出したサブ文書から、文書あるいは項目の内容を表す上でキーとなる単語を抽出し、抽出された単語に基づく検索対象単語情報として検索対象単語情報格納バッファ部２０２に記憶する。
【００４６】
検索キー文書入力部１０７は、入力されたテキスト文書の検索キー文書を、検索キー文書格納バッファ部２０３に読み込む。
【００４７】
単語抽出ルール適用部１０８は、テキスト文書から単語を切り出すための第１の抽出ルールを、抽出ルール記憶部１３から抽出ルール格納バッファ部２０５に読み込む。
【００４８】
検索キー単語抽出部１０９は、検索キー文書格納バッファ部２０３に記憶されているテキスト文書の検索キー文書を読み出し、抽出ルール格納バッファ部２０５に記憶される第１の抽出ルールに基づいて、形態素解析辞書記憶部１２に記憶されている単語情報を利用して、必要なサブ文書を切り出すとともに、切り出したサブ文書からその文書あるいは項目の内容を表す上でキーとなる単語を抽出し、抽出された単語に基づく検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる。
【００４９】
抽出単語数取得部１１０は、検索キー単語情報格納バッファ部２０４に記憶されている検索キー単語情報から検索処理に有効な単語の数である単語種数を求め、抽出単語数格納バッファ部２０６に記憶させる。
【００５０】
基準単語数指定部１１１は、検索処理に最低限必要な単語数として入力部１０３を介して入力された基準単語数を、基準単語数格納バッファ部２０７に記憶させる。この基準単語数は外部の入力装置から入力される方法であってもよく、また、外部または内部の記憶装置において予め記憶される基準単語数を利用する方法であってもよい。
【００５１】
最低抽出単語数判定部１１２は、抽出単語数格納バッファ部２０６に記憶される単語の単語種数と基準単語数格納バッファ部２０７に記憶される基準単語数とを比較し、基準単語数を満足しているかあるいは不足しているかを判定した結果を単語不足判定結果格納バッファ部２０８に記憶させる。
【００５２】
第二次単語抽出ルール適用部１１３は、単語不足判定結果格納バッファ部２０８に記憶される判定結果において求められた単語種数が不足している場合、抽出ルール記憶部１３に記憶される第２の抽出ルールを読み込み、第二次抽出ルール格納バッファ部２０９に記憶させる。
【００５３】
第二次検索キー単語抽出部１１４は、検索キー文書格納バッファ部２０３に記憶されているテキスト文書の検索キー文書を、第二次抽出ルール格納バッファ部２０９に記憶された抽出ルールに基づいて形態素解析辞書記憶部１２に記憶されている単語情報を利用して、必要なサブ文書を切り出すとともに、切り出したサブ文書からその文書あるいは項目の内容を表す上でキーとなる単語を抽出し、抽出された単語に基づく検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる。
【００５４】
類似度算出部１１５は、検索キー単語情報格納バッファ部２０４から読み出した検索キー単語情報と検索対象単語情報格納バッファ部２０２から読み出した検索対象文書情報とに基づいて、検索キー文書と検索対象文書との類似度を算出し、その類似度を文書情報と関連付けて類似度格納バッファ部２１０に記憶させる。その類似度は例えば、分母を「一致した単語種数」とし、分子を「検索キー単語の単語種数」とした割合により求める。
【００５５】
ソート部１１６は、類似度格納バッファ部２１０に記憶された検索キー文書と検索対象文書との類似度と文書情報を読出し、類似度キーに降順にソートし、類似度の最も高い比較対象文書を類似文書として決定するとともに、ソートされた結果の類似度と関連付けられる文書情報を、ソート結果格納バッファ部２１１に記憶させる。
【００５６】
検索結果出力部１１７は、ソート結果格納バッファ部２１１に記憶されているソートされた類似度や文書情報を出力制御部１５に出力する。
【００５７】
＜類似文書検索処理＞
次に、図４に示すフローチャートを用いて、本発明の最良の実施の形態にかかる類似文書検索装置１における類似文書検索処理を説明する。
【００５８】
まず、分類処理文書の検索が開始されると、初期化部１０２は、メモリ部２００内の各バッファ部２０１〜２１２を確定する(Ｓ００１)。
【００５９】
基準単語数指定部１１１は、検索処理を行うために必要な最低の単語種数である「基準単語数」が入力され、「基準単語数」が決定すると（Ｓ００２）、基準単語数指定部１１１は、入力された基準単語数を、基準単語数格納バッファ部２０７に記憶させる(Ｓ００３)。
【００６０】
「基準単語数」は、類似文書検索の精度を保証する条件を設定する値である。具体的には図５に示すように、「基準単語数」として「５０」が設定された場合、文書から抽出された単語種数が５０以下であると検索の精度が保証できないという条件を設定する。「基準単語数」は、入力制御部１４を介して外部から入力されてもよく、または、類似文書検索装置１において予め記憶されてもよい。
【００６１】
続いて、検索対象文書読み出し部１０５は、検索対象文書記憶部１１から検索対象文書を読み出し、検索対象文書格納バッファ部２０１へ記憶させる(Ｓ００４)。
【００６２】
次に、検索キー文書入力部１０７は、類似文書検索の対象である検索キー文書が入力されると（Ｓ００５）、入力された検索キー文書を検索キー文書格納バッファ部２０３に記憶させる(Ｓ００６)。
【００６３】
続いて、単語抽出ルール適用部１０８は、テキスト文書から単語を抽出するための抽出範囲の情報などを記述した第１の抽出ルールを、抽出ルール記憶部１３から読み出し、抽出ルール格納バッファ部２０５に記憶させる(Ｓ００７)。
【００６４】
図６に、検索キー文書として特許文献を用いて単語抽出する場合の第１の抽出ルールの一例を示す。図６に示す例によれば、「名称」を抽出する場合、「［発明の名称］以降次の改行まで」を切り出すことにより抽出する。また、「要約」を抽出する場合、「［課題］から［解決手段］以外の「［」が出現するまでの間」を切り出し、「［］で括られた文字列を削除する」ことにより抽出する。
【００６５】
なお、本文中において、「［」および「］」と記載する符号は、図面中では、特許文献で本来使用する符号で記載している。
【００６６】
検索キー単語抽出部１０９は、抽出ルール格納バッファ部２０５に記憶された第１の抽出ルールに基づき、検索キー文書格納バッファ部２０３に記憶される検索キー文書から該当するサブ文書を切り出すとともに、切り出されたサブ文書を形態素解析などにより単語毎に分割して検索キー単語を抽出して生成された検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる(Ｓ００８)。
【００６７】
たとえば、対象とする検索キー文書が図７に示す文書であった場合、各項目名に対して、切り出されたサブ文書は図８に示すように得られる。図８に示す例では、「名称」の項目について「文書検索装置及び文書検索方法」が切り出されている。また、「要約」の項目について「文書を検索することができる・・・」が切り出されている。なお、図８の例では、切り出されたサブ文書の文末は省略して示している。
【００６８】
また、この図８に示したサブ文書からは、形態素解析結果によって抽出されて、図９に示すような検索キー単語情報が得られ、検索キー単語情報格納バッファ部２０４で記憶される。図９に示す例では、「名称」の項目名で切り出されたサブ文書から「文書」、「検索」、「装置」、「及び」および「方法」が切り出され、検索キー単語情報格納バッファ部２０４に記憶されている。
【００６９】
図６および図７に示した例によれば、第１の抽出ルールでは、「［」が区切り記号となり、「［］」で囲まれた文言がサブ文書の識別子となり、次の区切り記号「［」までの文章がサブ文書の実体となる。たとえば、図７に示す例では、「［］」に囲まれた「発明の名称」や「従来技術」などがサブ文書の識別子であり、「文書検索装置及び文書検索方法」や「任意に入力された・・・」が、それぞれのサブ文書の実体である。第１の抽出ルールでは、このサブ文書の実体から検索キー単語を抽出する。
【００７０】
続いて、抽出単語数取得部１１０は、検索キー単語情報格納バッファ部２０４に記憶されている検索キー単語の単語種数を算出するとともに、算出された単語種数を抽出単語数格納バッファ部２０６に記憶させる（Ｓ００９）。
【００７１】
たとえば、検索キー単語情報格納バッファ部２０４で図９に示す検索キー単語情報を記憶していた場合、抽出単語数取得部で算出した結果により抽出単語数格納バッファ部２０６は、図１０に示すようになる。図１０に示す例では、項目「名称」で抽出された単語は「６」であり、項目「要約」で抽出された単語は「１５」であり、項目「請求項」で抽出された単語は「５０」であることが記憶されている。また、対象とした検索キー文書における「延べ単語種数」は「１２０」単語であることが記憶されている。
【００７２】
次に、最低抽出単語数判定部１１２は、抽出単語数格納バッファ部２０６に記憶されている単語種数が、ステップＳ００３で基準単語数格納バッファ部２０７に記憶された基準単語数以下であるか否かを比較し、比較した結果を単語不足判定結果として、単語不足判定結果格納バッファ部２０８に記憶させる(Ｓ０１０)。
【００７３】
図１１に、単語不足判定結果格納バッファ部２０８で記憶する単語不足判定結果の一例を示す。図１１に示す例では、「文書Ａ」は単語種数が「１２０」であり、判定結果が「満足」であり、「文書Ｂ」は単語種数が「４５」であり、判定結果が「不足」であることを記憶している。
【００７４】
なお、本実施例では、文書中の全項目について単語種数を判定しているが、項目毎に基準単語数を設け、項目毎に単語種数を判定することもできる。
【００７５】
単語種数が基準単語数を下回っていると判定された場合（Ｓ０１１）、第２の抽出ルールが適応される。具体的には、判定結果が「不足」であった場合、第二次単語抽出ルール適用部１１３は、検索キー文書より単語抽出するための第２の抽出ルールを、抽出ルール記憶部１３から読み出すとともに、抽出ルール格納バッファ部２０５に記憶させる(Ｓ０１２)。
【００７６】
図１２に示すのは、特許文献を検索対象文書として単語抽出を行う第２の抽出ルールの設定例である。図１２に示す例では、「名称」は「<invention-title>から</invention-title>の間」を抽出し、「要約」は「<abstract>から</abstract>の間」を抽出することが規定されている。
【００７７】
続いて、第二次検索キー単語抽出部１１４は、抽出ルール格納バッファ部２０５に記憶された第２の抽出ルールに基づき、検索キー文書格納バッファ部２０３に記憶される検索キー文書から該当するサブ文書を切り出すとともに、切り出されたサブ文書を形態素解析などにより単語毎に分割して検索キー単語を抽出して生成された検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる (Ｓ０１３)。
【００７８】
上述したステップＳ０１２、Ｓ０１３は、例えば、図１３のような検索キー文書が入力された場合に実施される。図１３に示す文書は、「請求項」の欄や「従来の技術」の欄、「特許文献」の情報を抽出するための情報が、図７に示した単語抽出ルールに則っておらず、単語種数が基準単語数以下となる文書である。
【００７９】
図１４および図１５に、図１３の検索キー文書について、図７に示した第１の抽出ルールに基づいて検索キー単語抽出部１０９を実施した結果を示す。図１４に示す例では、「要約」の項目以外の全ての項目について、サブ文書の抽出に失敗している。この場合にも、図１５に示すように検索キー単語は抽出されるが、その単語種数は基準単語を下回ったものとなる。
【００８０】
このような文書に対して、第二次検索キー単語抽出部１１４が図１２に示したような第２の抽出ルールを用いて、検索キー単語を抽出することで、図１６に示した単語抽出結果のように正確に文書が切り出される。その結果、図１７に示すように単語が抽出され、単語数の不足を補うことができる。
【００８１】
図１２及び図１３に示した例によれば、第２の抽出ルールでは、ＸＭＬ形式で記述される文書から単語を抽出するため、各ルールとして定められた「タグ」が区切り記号であるサブ文書の識別子となり、「タグ」で囲まれた文章がサブ文書の実体となる。たとえば、図１３に示す例では、「＜invention-title＞」及び「＜/invention-title＞」が「発明の名称」のサブ文書の識別子であり、「文書検索装置及び文書検索方法」が、そのサブ文書の実体である。第２の抽出ルールでは、このサブ文書の実体から検索キー単語を抽出する。
【００８２】
なお、上述する説明では、第２の抽出ルールの適用のみを示しているが、例えば、抽出された単語種数が満足するまで、予め規定される第３の抽出ルールや、第４の単語抽出ルールを適用してもよい。また、第１の抽出ルールを適用しても満足する単語種数を得られない場合、第２の抽出ルールで文書全体を単語の抽出対象としてもよく、複数規定される抽出ルールを適用しても満足する単語種数を得られない場合、文書全体を単語の抽出対象としてもよい。
【００８３】
検索対象文書単語抽出部１０６は、検索対象文書格納バッファ部２０１に記憶された検索対象文書を読出して該当するサブ文書を切り出すとともに、切り出されたサブ文書を形態素解析などにより単語毎に分割して検索対象単語を抽出して生成された検索対象単語情報を検索対象単語情報格納バッファ部２０２に記憶させる（Ｓ０１４）。
【００８４】
続いて、類似度算出部１１５は、検索キー単語情報格納バッファ部２０４に記憶されている検索キー単語と検索対象単語情報格納バッファ部２０２に記憶された検索対象単語とを読み出して比較し、共通して出現する単語の数により類似度を算出し、その類似度値を類似度格納バッファ部２１０に記憶させる（Ｓ０１５）。
【００８５】
類似度算出方法としては、ここに挙げた共通単語数から算出する方式以外にも、ベクトル空間法などを用いることもできる。
【００８６】
図１８に示すのは、ステップＳ０１５に示す処理により類似度が文書情報と関連付けられて記憶された、類似度格納バッファ部２１０である。図１８に示す類似度格納バッファ部２１０では、「検索対象文書Ａ」、「検索対象文書Ｂ」および「検索対象文書Ｃ」に関する類似度が「０．１４」であり、「検索対象文書Ｄ」に関する類似度が「０．２８」であることが記憶されている。
【００８７】
全ての検索対象文書との類似度が算出されると（Ｓ０１６でＹＥＳ）、ソート部１１６は、ステップＳ０１４で取得された類似度格納バッファ部２１０の内容を類似度上位から下位へと降順にソートする。また、ソート部１１６は、類似度の最も高い検索対象文書を類似文書として決定し、ソートされた結果をソート結果格納バッファ部２１１へ記憶させる（Ｓ０１７）。
【００８８】
図１９に示すのは、類似度のソート結果が記憶されたソート結果格納バッファ部２１１の一例である。図１９に示すソート結果格納バッファ部２１１では、「検索対象文書Ｄ」に最も類似しており、また、「検索対象文書Ａ」と「検索対象文書Ｂ」と「検索対象文書Ｃ」とが同一の類似度であることが記憶されている。
【００８９】
続いて、検索結果出力部１１７は、ソート結果格納バッファ部２１１に記憶されたソート結果順に類似度格納バッファ部２１０に記憶された類似度や、検索対象文書の文書情報を、検索結果出力バッファ部２１２を用いて整形処理などを行い、出力制御部１５を介して出力させる(Ｓ０１８)。
【００９０】
図２０に示すのは、出力部出力結果の一例である。図２０では、「検索対象文書Ｄ」に類似度「０．２８」で最も類似している結果となり表示されている。
【００９１】
上述したように、本発明の最良の実施の形態に係る文書検索装置および文書検索方法によれば、第１の抽出ルールで類似文書を検索するために必要なデータが検出されない場合、第２の抽出ルールで類似文書を検索する。これにより、第１の検出ルールで検索ができない場合であっても、全ての検索キー文書について文書中の全てを利用して類似文書を検索する方法をとらず、検索効率および検索速度を低下させずに検索を行うことができる。
【００９２】
本発明はここでは記載していない様々な実施の形態等を含むことは勿論である。従って、本発明の技術的範囲は上記の説明に記載した事項と自明な特許請求の範囲に係る発明特定事項によってのみ定められるものである。
【図面の簡単な説明】
【００９３】
【図１】本発明の最良の形態に係る文書検索装置の構成を示すブロック図である。
【図２】本発明の最良の形態に係る文書検索装置の構成を示す図である。
【図３】本発明の最良の形態に係る文書検索装置の制御部を示す図である。
【図４】本発明の最良の形態に係る文書検索装置における処理を説明するフローチャートである。
【図５】本発明の最良の形態に係る文書検索装置における「基準単語数」の確定方法の一例である。
【図６】本発明の最良の形態に係る文書検索装置における第１の抽出ルールの一例である。
【図７】本発明の最良の形態に係る文書検索装置に入力される検索キー文書の一例である。
【図８】本発明の最良の形態に係る文書検索装置において検索キー文書から第１の抽出ルールにより切り出されたサブ文書の一例である。
【図９】本発明の最良の形態に係る文書検索装置において検索キー文書から第１の抽出ルールにより抽出された検索キー単語情報の一例である。
【図１０】本発明の最良の形態に係る文書検索装置において抽出単語数格納バッファ部で記憶される単語種数の一例である。
【図１１】本発明の最良の形態に係る文書検索装置において単語不足判定結果格納バッファ部で記憶される単語不足判定結果の一例である。
【図１２】本発明の最良の形態に係る文書検索装置における第２の抽出ルールの一例である。
【図１３】本発明の最良の形態に係る文書検索装置に入力される検索キー文書の一例である。
【図１４】本発明の最良の形態に係る文書検索装置において検索キー文書から第１の抽出ルールにより切り出されたサブ文書の一例である。
【図１５】本発明の最良の形態に係る文書検索装置において検索キー単語情報格納バッファ部で記憶される検索キー単語情報の一例である。
【図１６】本発明の最良の形態に係る文書検索装置における検索キー文書から第２の抽出ルールにより切り出されたサブ文書の一例である。
【図１７】本発明の最良の形態に係る文書検索装置において検索キー単語情報格納バッファ部で記憶される検索キー単語情報の一例である。
【図１８】本発明の最良の形態に係る文書検索装置における類似度格納バッファ部で記憶される類似度の一例である。
【図１９】本発明の最良の形態に係る文書検索装置におけるソート結果格納バッファ部で記憶されるソート結果格納バッファ部の一例である。
【図２０】本発明の最良の形態に係る文書検索装置における出力部出力結果の一例である。
【符号の説明】
【００９４】
１…類似文書検索装置
１０…検索制御部
１１…検索対象文書記憶部
１２…形態素解析辞書記憶部
１３…抽出ルール記憶部
１４…入力制御部
１５…出力制御部
１００…制御部
１０１…メイン処理部
１０２…初期化部
１０３…入力部
１０４…出力部
１０５…検索対象文書読み出し部
１０６…検索対象文書単語抽出部
１０７…検索キー文書入力部
１０８…単語抽出ルール適用部
１０９…検索キー単語抽出部
１１０…抽出単語数取得部
１１１…基準単語数指定部
１１２…最低抽出単語数判定部
１１３…第二次単語抽出ルール適用部
１１４…第二次検索キー単語抽出部
１１５…類似度算出部
１１６…ソート部
１１７…検索結果出力部
１２０…バス
１２１…中央処理制御装置
１２２…ＲＯＭ
１２３…ＲＡＭ
１２４…入力装置
１２５…表示装置
１２６…通信制御装置
１２７…記憶装置
１２８…リムーバブルディスク
１２９…入出力インタフェース
１３０…バス
２００…メモリ部
２０１…検索対象文書格納バッファ部
２０２…検索対象単語情報格納バッファ部
２０３…検索キー文書格納バッファ部
２０４…検索キー単語情報格納バッファ部
２０５…抽出ルール格納バッファ部
２０６…抽出単語数格納バッファ部
２０７…基準単語数格納バッファ部
２０８…単語不足判定結果格納バッファ部
２０９…第二次抽出ルール格納バッファ部
２１０…類似度格納バッファ部
２１１…ソート結果格納バッファ部
２１２…検索結果出力バッファ部
【技術分野】
【０００１】
本発明は、類似文書を検索する類似文書検索装置および類似文書検索方法に関する。
【背景技術】
【０００２】
従来、文書をキーとし、予め記憶している複数の検索対象文書から検索キー文書と類似する文書を検索する文書検索装置が利用されている。
【０００３】
このような従来の文書検索装置は、検索キー文書から抽出された単語と、検索対象文書から抽出された単語とを比較し、検索キー文書と複数の検索対象文書との類似度を算出した上で、算出された類似度の高い検索対象文書を類似文書としている。
【０００４】
また、上述したような文書中の単語を利用して類似文書を抽出する文書検索の技術では、検索の効率化や高速化を図るため、検索に有用な範囲を限定し、特定の範囲のみから、比較の対象とする単語の抽出を行う方法が用いられることがある。
【０００５】
一方、特定の範囲から単語を抽出する場合、例えば、範囲を特定するための見出しや記号が欠如したとき、または、特定のフォーマットと異なる書式データが検索キー文書に指定されたとき等、比較の対象とする単語が十分に抽出されないことがある。必要な単語が抽出できない場合、検索の精度が著しく低下するおそれがある。
【０００６】
このような精度の低下を回避するために、あらかじめ指定された代替データを、不足部分にあてがうなどして、検索に必要な情報量すなわち単語数を一定に保つ文書検索装置及び文書検索方法もある。 (例えば、特許文献１参照)。
【特許文献１】特開２００３−０２２２７６号公報
【発明の開示】
【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に記載されているような代替データを用いる方法では、検索キー文書が所定のフォーマットに従っていない場合、代替する領域の特定も不可能となり、データの不足を補うことができない問題が生じることがある。
【０００８】
上記課題に鑑み、本発明は、検索効率および検索速度を落とすことなく、過度の情報の補填を抑制し、さらに、検索を行うために必要な情報の不足を補うことができる類似文書検索装置および類似文書検索方法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】
【０００９】
上記課題を解決するために、本発明の特徴に係る類似文書検索装置は、検索対象文書記憶部に記憶される複数の検索対象文書と比較して、検索キー文書と類似する検索対象文書を検索する文書検索装置であって、文書から単語を抽出する際、検索結果の精度を保証するために最小の単語数である基準単語数を記憶する基準単語数格納バッファ部と、検索対象文書と検索キー文書とを比較する対象となる単語を文書から抽出する第１の抽出ルールと、第１の抽出ルールで抽出された単語数である抽出単語数が基準単語数以下である場合に検索対象文書と検索キー文書とを比較する対象となる単語を文書から抽出する第２の抽出ルールとを記憶する抽出ルール記憶部と、第１の抽出ルールに基づいて検索キー単語を抽出する検索キー単語抽出部と、抽出単語数を基準単語数と比較したとき、抽出単語数が基準単語数よりも少ない場合、第２の抽出ルールに基づいてさらに検索キー単語を抽出する第二次検索キー単語抽出部と、検索対象文書から検索対象文書単語を抽出する検索対象文書単語抽出部と、検索キー単語抽出部または第二次検索キー単語抽出部で抽出された検索キー単語と、検索対象文書単語とを比較して類似度を算出する類似度算出部と、類似度算出部で算出された類似度をソートして、類似度が高い検索対象文書を類似文書と決定するソート部とを有することを特徴とする。
【００１０】
上記構成による本発明によれば、必要最低限の情報量により比較を行うことで、検索精度の低下を抑制し、効率を向上させることができる。
【発明の効果】
【００１１】
本発明によれば、検索効率および検索速度を落とすことなく、過度の情報の補填を抑制し、さらに、検索を行うために必要な情報の不足を補う類似文書検索装置および類似文書検索方法を提供することができる。
【発明を実施するための最良の形態】
【００１２】
以下、図面を参照して、本発明の最良の実施の形態を説明する。
【００１３】
＜類似文書検索装置＞
図１は、本発明の最良の実施の形態に係る類似文書検索装置１を示すブロック構成図である。図１に示すように類似文書検索装置１は、検索制御部１０、検索対象文書記憶部１１、形態素解析辞書記憶部１２、抽出ルール記憶部１３、入力制御部１４、出力制御部１５を有している。
【００１４】
本発明の最良の実施の形態に係る類似文書検索装置１は、図２に示すように、中央処理制御装置１２１、ＲＯＭ（Read Only Memory）１２２、ＲＡＭ（Random Access Memory）１２３および入出力インタフェース１２９が、バス１３０を介して接続されている。入出力インタフェース１２９には、入力装置１２４、表示装置１２５、通信制御装置１２６、記憶装置１２７およびリムーバブルディスク１２８が接続されている。
【００１５】
中央処理制御装置１２１は、入力装置１２４からの入力信号に基づいてＲＯＭ１２２から類似文書検索装置１を起動するためのブートプログラムを読み出して実行し、更に記憶装置１２７に記憶されたオペレーティングシステムを読み出す。更に中央処理制御装置１２１は、入力装置１２４や通信制御装置１２６などの入力信号に基づいて、各種装置の制御を行ったり、ＲＡＭ１２３や記憶装置１２７などに記憶されたプログラムおよびデータを読み出してＲＡＭ１２３にロードするとともに、ＲＡＭ１２３から読み出されたプログラムのコマンドに基づいて、データの計算または加工など、後述する一連の処理を実現する処理装置である。
【００１６】
入力装置１２４は、操作者が各種の操作を入力するキーボード、マウスなどの入力デバイスにより構成されており、操作者の操作に基づいて入力信号を作成し、入出力インタフェース１２９およびバス１２０を介して中央処理制御装置１２１に送信される。表示装置１２５は、ＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイなどであり、中央処理制御装置１２１からバス１２０および入出力インタフェース１２９を介して表示装置１２５において表示させる出力信号を受信し、たとえば、中央処理制御装置１２１の処理結果などを表示する装置である。通信制御装置１２６は、ＬＡＮカードやモデムなどの装置であり、類似文書検索装置１をインターネットやＬＡＮなどの通信ネットワークに接続する装置である。通信制御装置１２６を介して通信ネットワークと送受信したデータは入力信号または出力信号として、入出力インタフェース１２９およびバス１２０を介して中央処理制御装置１２１に送受信される。
【００１７】
記憶装置１２７は半導体記憶装置または磁気ディスク装置等であって、中央処理制御装置１２１で実行されるプログラムやデータが記憶されている。リムーバブルディスク１２８は、光ディスクやフレキシブルディスクのことであり、ディスクドライブによって読み書きされた信号は、入出力インタフェース１２９およびバス１２０を介して中央処理制御装置１２１に送受信される。本発明に係る類似文書検索装置１の記憶装置１２７には、画面提供プログラムが記憶されるとともに、検索対象文書記憶部１１、形態素解析辞書記憶部１２および、抽出ルール記憶部１３が記憶される。また、この類似文書検索プログラムが類似文書検索装置１の中央処理制御装置１２１に読み込まれて実行されることによって、検索制御部１０、入力制御部１４および出力制御部１５が実装される。
【００１８】
検索対象文書記憶部１１は、記憶装置１２７に検索キー文書と類似を比較する対象である複数の比較対象文書を記憶している。
【００１９】
形態素解析辞書記憶部１２は、記憶装置１２７にテキスト文書から単語の抽出に利用する単語情報を記憶している。具体的には、形態素解析辞書記憶部１２は、単語の抽出に利用される各単語の「見出し」、名詞やサ変名詞等の「品詞情報」または、代表語等の「単語情報」を記憶している。
【００２０】
抽出ルール記憶部１３は、記憶装置１２７にテキスト文書から、サブ文書を切り出し、切り出したサブ文書から類似度算出に利用する単語を抽出するルールを記憶している。
【００２１】
検索制御部１０は、類似文書を検索する各処理を制御する。
【００２２】
入力制御部１４は、キーボードやマウス等の入力装置１２４から操作者により入力される操作指示や検索キー文書を入力する。
【００２３】
出力制御部１５は、類似検索結果などを表示装置に表示する。
【００２４】
なお、本発明の最良の実施の形態に係る類似文書検索装置１は、一つのコンピュータによって実現されても良いし、互いに通信可能な複数のコンピュータによって実現されても良い。
【００２５】
図３は、検索制御部１０の詳細な構成の一例を示す図である。検索制御部１０は、制御部１００とメモリ部２００を有している。
【００２６】
制御部１００は、検索制御部１０における各処理を制御する。この制御部１００は、具体的には、メイン処理部１０１、初期化部１０２、入力部１０３、出力部１０４、検索対象文書読み出し部１０５、検索対象文書単語抽出部１０６、検索キー文書入力部１０７、単語抽出ルール適用部１０８、検索キー単語抽出部１０９、抽出単語数取得部１１０、基準単語数指定部１１１、最低抽出単語数判定部１１２、第二次単語抽出ルール適用部１１３、第二次検索キー単語抽出部１１４、類似度算出部１１５、ソート部１１６および、検索結果出力部１１７を有している。
【００２７】
また、メモリ部２００は、検索制御部１０における処理で用いられるデータを記憶する。このメモリ部２００は、具体的には、検索対象文書格納バッファ部２０１、検索対象単語情報格納バッファ部２０２、検索キー文書格納バッファ部２０３、検索キー単語情報格納バッファ部２０４、抽出ルール格納バッファ部２０５、抽出単語数格納バッファ部２０６、基準単語数格納バッファ部２０７、単語不足判定結果格納バッファ部２０８、第二次抽出ルール格納バッファ部２０９、類似度格納バッファ部２１０、ソート結果格納バッファ部２１１および、検索結果出力バッファ部２１２を有している。
【００２８】
検索対象文書格納バッファ部２０１は、検索キー文書と比較して類似度を算出する対象となる複数の検索対象文書が記憶される。
【００２９】
検索対象単語情報格納バッファ部２０２は、検索対象文書中に存在し、検索対象文書あるいは項目の内容を表す検索対象単語により生成される検索対象単語情報が記憶される。
【００３０】
検索キー文書格納バッファ部２０３には、類似文書を検索する対象として入力された検索キー文書が記憶される。
【００３１】
検索キー単語情報格納バッファ部２０４には、検索キー文書中に存在し、検索キー文書あるいは項目の内容を表す検索キー単語が記憶される。具体的には、検索キー単語情報格納バッファ部２０４には、検索キー単語と検索処理に有効な単語の数である単語種数とが関連付けられた検索キー単語情報が記憶される。
【００３２】
抽出ルール格納バッファ部２０５は、テキスト文書からテキスト文書の内容を表す単語を抽出するための第１の抽出ルールが記憶される。
【００３３】
抽出単語数格納バッファ部２０６は、検索キー文書から抽出された単語種数を記憶する。この、単語種数とは、文書中に含まれる単語数を求めた上で同一の単語については複数回カウントせずに１回づつカウントした文書中に含まれた単語の数である。
【００３４】
基準単語数格納バッファ部２０７は、検索処理に必要とされる最低限の単語数である基準単語数が記憶される。
【００３５】
単語不足判定結果格納バッファ部２０８は、単語が不足であるか否かの判定結果が記憶される。
【００３６】
第二次抽出ルール格納バッファ部２０９は、テキスト文書からテキスト文書の内容を表す単語を切り出すための第２の抽出ルールが記憶される。
【００３７】
類似度格納バッファ部２１０は、検索キー文書と検索対象文書の類似度が文書情報と関連付けて記憶される。文書情報は、算出された類似度が何れの検索対象文書との類似度であるかを識別するために例えば類似度と関連付けられる文書ＩＤを含んでいる。
【００３８】
ソート結果格納バッファ部２１１は、類似度をキーとして降順にソートされた文書情報の結果が記憶される。
【００３９】
検索結果出力バッファ部２１２は、出力するための検索結果が記憶される。
【００４０】
メイン処理部１０１は、検索制御部１０における各処理を制御する。
【００４１】
初期化部１０２は、メモリ部２００の各バッファ部２０１〜２１２を初期化する。
【００４２】
入力部１０３は、入力制御部１４を介して入力されたユーザの指示に従って、検索キー文書等の類似文書の検索に利用する情報を入力する。
【００４３】
出力部１０４は、入力制御部１４を介して入力した検索キー文書や処理における設定の内容等を出力制御部１５に出力する。
【００４４】
検索対象文書読み出し部１０５は、検索対象文書記憶部１１に記憶されているテキスト文書を読み出し、検索対象文書格納バッファ部２０１に記憶させる。
【００４５】
検索対象文書単語抽出部１０６は、検索対象文書格納バッファ部２０１からテキスト文書の検索対象文書を読み出し、形態素解析辞書記憶部１２に記憶されている単語情報を利用して、必要なサブ文書を切り出すとともに、切り出したサブ文書から、文書あるいは項目の内容を表す上でキーとなる単語を抽出し、抽出された単語に基づく検索対象単語情報として検索対象単語情報格納バッファ部２０２に記憶する。
【００４６】
検索キー文書入力部１０７は、入力されたテキスト文書の検索キー文書を、検索キー文書格納バッファ部２０３に読み込む。
【００４７】
単語抽出ルール適用部１０８は、テキスト文書から単語を切り出すための第１の抽出ルールを、抽出ルール記憶部１３から抽出ルール格納バッファ部２０５に読み込む。
【００４８】
検索キー単語抽出部１０９は、検索キー文書格納バッファ部２０３に記憶されているテキスト文書の検索キー文書を読み出し、抽出ルール格納バッファ部２０５に記憶される第１の抽出ルールに基づいて、形態素解析辞書記憶部１２に記憶されている単語情報を利用して、必要なサブ文書を切り出すとともに、切り出したサブ文書からその文書あるいは項目の内容を表す上でキーとなる単語を抽出し、抽出された単語に基づく検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる。
【００４９】
抽出単語数取得部１１０は、検索キー単語情報格納バッファ部２０４に記憶されている検索キー単語情報から検索処理に有効な単語の数である単語種数を求め、抽出単語数格納バッファ部２０６に記憶させる。
【００５０】
基準単語数指定部１１１は、検索処理に最低限必要な単語数として入力部１０３を介して入力された基準単語数を、基準単語数格納バッファ部２０７に記憶させる。この基準単語数は外部の入力装置から入力される方法であってもよく、また、外部または内部の記憶装置において予め記憶される基準単語数を利用する方法であってもよい。
【００５１】
最低抽出単語数判定部１１２は、抽出単語数格納バッファ部２０６に記憶される単語の単語種数と基準単語数格納バッファ部２０７に記憶される基準単語数とを比較し、基準単語数を満足しているかあるいは不足しているかを判定した結果を単語不足判定結果格納バッファ部２０８に記憶させる。
【００５２】
第二次単語抽出ルール適用部１１３は、単語不足判定結果格納バッファ部２０８に記憶される判定結果において求められた単語種数が不足している場合、抽出ルール記憶部１３に記憶される第２の抽出ルールを読み込み、第二次抽出ルール格納バッファ部２０９に記憶させる。
【００５３】
第二次検索キー単語抽出部１１４は、検索キー文書格納バッファ部２０３に記憶されているテキスト文書の検索キー文書を、第二次抽出ルール格納バッファ部２０９に記憶された抽出ルールに基づいて形態素解析辞書記憶部１２に記憶されている単語情報を利用して、必要なサブ文書を切り出すとともに、切り出したサブ文書からその文書あるいは項目の内容を表す上でキーとなる単語を抽出し、抽出された単語に基づく検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる。
【００５４】
類似度算出部１１５は、検索キー単語情報格納バッファ部２０４から読み出した検索キー単語情報と検索対象単語情報格納バッファ部２０２から読み出した検索対象文書情報とに基づいて、検索キー文書と検索対象文書との類似度を算出し、その類似度を文書情報と関連付けて類似度格納バッファ部２１０に記憶させる。その類似度は例えば、分母を「一致した単語種数」とし、分子を「検索キー単語の単語種数」とした割合により求める。
【００５５】
ソート部１１６は、類似度格納バッファ部２１０に記憶された検索キー文書と検索対象文書との類似度と文書情報を読出し、類似度キーに降順にソートし、類似度の最も高い比較対象文書を類似文書として決定するとともに、ソートされた結果の類似度と関連付けられる文書情報を、ソート結果格納バッファ部２１１に記憶させる。
【００５６】
検索結果出力部１１７は、ソート結果格納バッファ部２１１に記憶されているソートされた類似度や文書情報を出力制御部１５に出力する。
【００５７】
＜類似文書検索処理＞
次に、図４に示すフローチャートを用いて、本発明の最良の実施の形態にかかる類似文書検索装置１における類似文書検索処理を説明する。
【００５８】
まず、分類処理文書の検索が開始されると、初期化部１０２は、メモリ部２００内の各バッファ部２０１〜２１２を確定する(Ｓ００１)。
【００５９】
基準単語数指定部１１１は、検索処理を行うために必要な最低の単語種数である「基準単語数」が入力され、「基準単語数」が決定すると（Ｓ００２）、基準単語数指定部１１１は、入力された基準単語数を、基準単語数格納バッファ部２０７に記憶させる(Ｓ００３)。
【００６０】
「基準単語数」は、類似文書検索の精度を保証する条件を設定する値である。具体的には図５に示すように、「基準単語数」として「５０」が設定された場合、文書から抽出された単語種数が５０以下であると検索の精度が保証できないという条件を設定する。「基準単語数」は、入力制御部１４を介して外部から入力されてもよく、または、類似文書検索装置１において予め記憶されてもよい。
【００６１】
続いて、検索対象文書読み出し部１０５は、検索対象文書記憶部１１から検索対象文書を読み出し、検索対象文書格納バッファ部２０１へ記憶させる(Ｓ００４)。
【００６２】
次に、検索キー文書入力部１０７は、類似文書検索の対象である検索キー文書が入力されると（Ｓ００５）、入力された検索キー文書を検索キー文書格納バッファ部２０３に記憶させる(Ｓ００６)。
【００６３】
続いて、単語抽出ルール適用部１０８は、テキスト文書から単語を抽出するための抽出範囲の情報などを記述した第１の抽出ルールを、抽出ルール記憶部１３から読み出し、抽出ルール格納バッファ部２０５に記憶させる(Ｓ００７)。
【００６４】
図６に、検索キー文書として特許文献を用いて単語抽出する場合の第１の抽出ルールの一例を示す。図６に示す例によれば、「名称」を抽出する場合、「［発明の名称］以降次の改行まで」を切り出すことにより抽出する。また、「要約」を抽出する場合、「［課題］から［解決手段］以外の「［」が出現するまでの間」を切り出し、「［］で括られた文字列を削除する」ことにより抽出する。
【００６５】
なお、本文中において、「［」および「］」と記載する符号は、図面中では、特許文献で本来使用する符号で記載している。
【００６６】
検索キー単語抽出部１０９は、抽出ルール格納バッファ部２０５に記憶された第１の抽出ルールに基づき、検索キー文書格納バッファ部２０３に記憶される検索キー文書から該当するサブ文書を切り出すとともに、切り出されたサブ文書を形態素解析などにより単語毎に分割して検索キー単語を抽出して生成された検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる(Ｓ００８)。
【００６７】
たとえば、対象とする検索キー文書が図７に示す文書であった場合、各項目名に対して、切り出されたサブ文書は図８に示すように得られる。図８に示す例では、「名称」の項目について「文書検索装置及び文書検索方法」が切り出されている。また、「要約」の項目について「文書を検索することができる・・・」が切り出されている。なお、図８の例では、切り出されたサブ文書の文末は省略して示している。
【００６８】
また、この図８に示したサブ文書からは、形態素解析結果によって抽出されて、図９に示すような検索キー単語情報が得られ、検索キー単語情報格納バッファ部２０４で記憶される。図９に示す例では、「名称」の項目名で切り出されたサブ文書から「文書」、「検索」、「装置」、「及び」および「方法」が切り出され、検索キー単語情報格納バッファ部２０４に記憶されている。
【００６９】
図６および図７に示した例によれば、第１の抽出ルールでは、「［」が区切り記号となり、「［］」で囲まれた文言がサブ文書の識別子となり、次の区切り記号「［」までの文章がサブ文書の実体となる。たとえば、図７に示す例では、「［］」に囲まれた「発明の名称」や「従来技術」などがサブ文書の識別子であり、「文書検索装置及び文書検索方法」や「任意に入力された・・・」が、それぞれのサブ文書の実体である。第１の抽出ルールでは、このサブ文書の実体から検索キー単語を抽出する。
【００７０】
続いて、抽出単語数取得部１１０は、検索キー単語情報格納バッファ部２０４に記憶されている検索キー単語の単語種数を算出するとともに、算出された単語種数を抽出単語数格納バッファ部２０６に記憶させる（Ｓ００９）。
【００７１】
たとえば、検索キー単語情報格納バッファ部２０４で図９に示す検索キー単語情報を記憶していた場合、抽出単語数取得部で算出した結果により抽出単語数格納バッファ部２０６は、図１０に示すようになる。図１０に示す例では、項目「名称」で抽出された単語は「６」であり、項目「要約」で抽出された単語は「１５」であり、項目「請求項」で抽出された単語は「５０」であることが記憶されている。また、対象とした検索キー文書における「延べ単語種数」は「１２０」単語であることが記憶されている。
【００７２】
次に、最低抽出単語数判定部１１２は、抽出単語数格納バッファ部２０６に記憶されている単語種数が、ステップＳ００３で基準単語数格納バッファ部２０７に記憶された基準単語数以下であるか否かを比較し、比較した結果を単語不足判定結果として、単語不足判定結果格納バッファ部２０８に記憶させる(Ｓ０１０)。
【００７３】
図１１に、単語不足判定結果格納バッファ部２０８で記憶する単語不足判定結果の一例を示す。図１１に示す例では、「文書Ａ」は単語種数が「１２０」であり、判定結果が「満足」であり、「文書Ｂ」は単語種数が「４５」であり、判定結果が「不足」であることを記憶している。
【００７４】
なお、本実施例では、文書中の全項目について単語種数を判定しているが、項目毎に基準単語数を設け、項目毎に単語種数を判定することもできる。
【００７５】
単語種数が基準単語数を下回っていると判定された場合（Ｓ０１１）、第２の抽出ルールが適応される。具体的には、判定結果が「不足」であった場合、第二次単語抽出ルール適用部１１３は、検索キー文書より単語抽出するための第２の抽出ルールを、抽出ルール記憶部１３から読み出すとともに、抽出ルール格納バッファ部２０５に記憶させる(Ｓ０１２)。
【００７６】
図１２に示すのは、特許文献を検索対象文書として単語抽出を行う第２の抽出ルールの設定例である。図１２に示す例では、「名称」は「<invention-title>から</invention-title>の間」を抽出し、「要約」は「<abstract>から</abstract>の間」を抽出することが規定されている。
【００７７】
続いて、第二次検索キー単語抽出部１１４は、抽出ルール格納バッファ部２０５に記憶された第２の抽出ルールに基づき、検索キー文書格納バッファ部２０３に記憶される検索キー文書から該当するサブ文書を切り出すとともに、切り出されたサブ文書を形態素解析などにより単語毎に分割して検索キー単語を抽出して生成された検索キー単語情報を検索キー単語情報格納バッファ部２０４に記憶させる (Ｓ０１３)。
【００７８】
上述したステップＳ０１２、Ｓ０１３は、例えば、図１３のような検索キー文書が入力された場合に実施される。図１３に示す文書は、「請求項」の欄や「従来の技術」の欄、「特許文献」の情報を抽出するための情報が、図７に示した単語抽出ルールに則っておらず、単語種数が基準単語数以下となる文書である。
【００７９】
図１４および図１５に、図１３の検索キー文書について、図７に示した第１の抽出ルールに基づいて検索キー単語抽出部１０９を実施した結果を示す。図１４に示す例では、「要約」の項目以外の全ての項目について、サブ文書の抽出に失敗している。この場合にも、図１５に示すように検索キー単語は抽出されるが、その単語種数は基準単語を下回ったものとなる。
【００８０】
このような文書に対して、第二次検索キー単語抽出部１１４が図１２に示したような第２の抽出ルールを用いて、検索キー単語を抽出することで、図１６に示した単語抽出結果のように正確に文書が切り出される。その結果、図１７に示すように単語が抽出され、単語数の不足を補うことができる。
【００８１】
図１２及び図１３に示した例によれば、第２の抽出ルールでは、ＸＭＬ形式で記述される文書から単語を抽出するため、各ルールとして定められた「タグ」が区切り記号であるサブ文書の識別子となり、「タグ」で囲まれた文章がサブ文書の実体となる。たとえば、図１３に示す例では、「＜invention-title＞」及び「＜/invention-title＞」が「発明の名称」のサブ文書の識別子であり、「文書検索装置及び文書検索方法」が、そのサブ文書の実体である。第２の抽出ルールでは、このサブ文書の実体から検索キー単語を抽出する。
【００８２】
なお、上述する説明では、第２の抽出ルールの適用のみを示しているが、例えば、抽出された単語種数が満足するまで、予め規定される第３の抽出ルールや、第４の単語抽出ルールを適用してもよい。また、第１の抽出ルールを適用しても満足する単語種数を得られない場合、第２の抽出ルールで文書全体を単語の抽出対象としてもよく、複数規定される抽出ルールを適用しても満足する単語種数を得られない場合、文書全体を単語の抽出対象としてもよい。
【００８３】
検索対象文書単語抽出部１０６は、検索対象文書格納バッファ部２０１に記憶された検索対象文書を読出して該当するサブ文書を切り出すとともに、切り出されたサブ文書を形態素解析などにより単語毎に分割して検索対象単語を抽出して生成された検索対象単語情報を検索対象単語情報格納バッファ部２０２に記憶させる（Ｓ０１４）。
【００８４】
続いて、類似度算出部１１５は、検索キー単語情報格納バッファ部２０４に記憶されている検索キー単語と検索対象単語情報格納バッファ部２０２に記憶された検索対象単語とを読み出して比較し、共通して出現する単語の数により類似度を算出し、その類似度値を類似度格納バッファ部２１０に記憶させる（Ｓ０１５）。
【００８５】
類似度算出方法としては、ここに挙げた共通単語数から算出する方式以外にも、ベクトル空間法などを用いることもできる。
【００８６】
図１８に示すのは、ステップＳ０１５に示す処理により類似度が文書情報と関連付けられて記憶された、類似度格納バッファ部２１０である。図１８に示す類似度格納バッファ部２１０では、「検索対象文書Ａ」、「検索対象文書Ｂ」および「検索対象文書Ｃ」に関する類似度が「０．１４」であり、「検索対象文書Ｄ」に関する類似度が「０．２８」であることが記憶されている。
【００８７】
全ての検索対象文書との類似度が算出されると（Ｓ０１６でＹＥＳ）、ソート部１１６は、ステップＳ０１４で取得された類似度格納バッファ部２１０の内容を類似度上位から下位へと降順にソートする。また、ソート部１１６は、類似度の最も高い検索対象文書を類似文書として決定し、ソートされた結果をソート結果格納バッファ部２１１へ記憶させる（Ｓ０１７）。
【００８８】
図１９に示すのは、類似度のソート結果が記憶されたソート結果格納バッファ部２１１の一例である。図１９に示すソート結果格納バッファ部２１１では、「検索対象文書Ｄ」に最も類似しており、また、「検索対象文書Ａ」と「検索対象文書Ｂ」と「検索対象文書Ｃ」とが同一の類似度であることが記憶されている。
【００８９】
続いて、検索結果出力部１１７は、ソート結果格納バッファ部２１１に記憶されたソート結果順に類似度格納バッファ部２１０に記憶された類似度や、検索対象文書の文書情報を、検索結果出力バッファ部２１２を用いて整形処理などを行い、出力制御部１５を介して出力させる(Ｓ０１８)。
【００９０】
図２０に示すのは、出力部出力結果の一例である。図２０では、「検索対象文書Ｄ」に類似度「０．２８」で最も類似している結果となり表示されている。
【００９１】
上述したように、本発明の最良の実施の形態に係る文書検索装置および文書検索方法によれば、第１の抽出ルールで類似文書を検索するために必要なデータが検出されない場合、第２の抽出ルールで類似文書を検索する。これにより、第１の検出ルールで検索ができない場合であっても、全ての検索キー文書について文書中の全てを利用して類似文書を検索する方法をとらず、検索効率および検索速度を低下させずに検索を行うことができる。
【００９２】
本発明はここでは記載していない様々な実施の形態等を含むことは勿論である。従って、本発明の技術的範囲は上記の説明に記載した事項と自明な特許請求の範囲に係る発明特定事項によってのみ定められるものである。
【図面の簡単な説明】
【００９３】
【図１】本発明の最良の形態に係る文書検索装置の構成を示すブロック図である。
【図２】本発明の最良の形態に係る文書検索装置の構成を示す図である。
【図３】本発明の最良の形態に係る文書検索装置の制御部を示す図である。
【図４】本発明の最良の形態に係る文書検索装置における処理を説明するフローチャートである。
【図５】本発明の最良の形態に係る文書検索装置における「基準単語数」の確定方法の一例である。
【図６】本発明の最良の形態に係る文書検索装置における第１の抽出ルールの一例である。
【図７】本発明の最良の形態に係る文書検索装置に入力される検索キー文書の一例である。
【図８】本発明の最良の形態に係る文書検索装置において検索キー文書から第１の抽出ルールにより切り出されたサブ文書の一例である。
【図９】本発明の最良の形態に係る文書検索装置において検索キー文書から第１の抽出ルールにより抽出された検索キー単語情報の一例である。
【図１０】本発明の最良の形態に係る文書検索装置において抽出単語数格納バッファ部で記憶される単語種数の一例である。
【図１１】本発明の最良の形態に係る文書検索装置において単語不足判定結果格納バッファ部で記憶される単語不足判定結果の一例である。
【図１２】本発明の最良の形態に係る文書検索装置における第２の抽出ルールの一例である。
【図１３】本発明の最良の形態に係る文書検索装置に入力される検索キー文書の一例である。
【図１４】本発明の最良の形態に係る文書検索装置において検索キー文書から第１の抽出ルールにより切り出されたサブ文書の一例である。
【図１５】本発明の最良の形態に係る文書検索装置において検索キー単語情報格納バッファ部で記憶される検索キー単語情報の一例である。
【図１６】本発明の最良の形態に係る文書検索装置における検索キー文書から第２の抽出ルールにより切り出されたサブ文書の一例である。
【図１７】本発明の最良の形態に係る文書検索装置において検索キー単語情報格納バッファ部で記憶される検索キー単語情報の一例である。
【図１８】本発明の最良の形態に係る文書検索装置における類似度格納バッファ部で記憶される類似度の一例である。
【図１９】本発明の最良の形態に係る文書検索装置におけるソート結果格納バッファ部で記憶されるソート結果格納バッファ部の一例である。
【図２０】本発明の最良の形態に係る文書検索装置における出力部出力結果の一例である。
【符号の説明】
【００９４】
１…類似文書検索装置
１０…検索制御部
１１…検索対象文書記憶部
１２…形態素解析辞書記憶部
１３…抽出ルール記憶部
１４…入力制御部
１５…出力制御部
１００…制御部
１０１…メイン処理部
１０２…初期化部
１０３…入力部
１０４…出力部
１０５…検索対象文書読み出し部
１０６…検索対象文書単語抽出部
１０７…検索キー文書入力部
１０８…単語抽出ルール適用部
１０９…検索キー単語抽出部
１１０…抽出単語数取得部
１１１…基準単語数指定部
１１２…最低抽出単語数判定部
１１３…第二次単語抽出ルール適用部
１１４…第二次検索キー単語抽出部
１１５…類似度算出部
１１６…ソート部
１１７…検索結果出力部
１２０…バス
１２１…中央処理制御装置
１２２…ＲＯＭ
１２３…ＲＡＭ
１２４…入力装置
１２５…表示装置
１２６…通信制御装置
１２７…記憶装置
１２８…リムーバブルディスク
１２９…入出力インタフェース
１３０…バス
２００…メモリ部
２０１…検索対象文書格納バッファ部
２０２…検索対象単語情報格納バッファ部
２０３…検索キー文書格納バッファ部
２０４…検索キー単語情報格納バッファ部
２０５…抽出ルール格納バッファ部
２０６…抽出単語数格納バッファ部
２０７…基準単語数格納バッファ部
２０８…単語不足判定結果格納バッファ部
２０９…第二次抽出ルール格納バッファ部
２１０…類似度格納バッファ部
２１１…ソート結果格納バッファ部
２１２…検索結果出力バッファ部
【特許請求の範囲】
【請求項１】
検索対象文書記憶部に記憶される複数の検索対象文書と比較して、検索キー文書と類似する検索対象文書を検索する類似文書検索装置であって、
文書から単語を抽出する際、検索結果の精度を保証する最小の単語数である基準単語数を記憶する基準単語数格納バッファ部と、
前記検索対象文書と前記検索キー文書とを比較する単語を前記検索キー文書または前記検索対象文書から抽出する第１の抽出ルールと、前記第１の抽出ルールで抽出された単語数である抽出単語数が前記基準単語数以下である場合に検索対象文書と検索キー文書とを比較する単語を前記検索キー文書または前記検索対象文書から抽出する第２の抽出ルールとを記憶する抽出ルール記憶部と、
前記第１の抽出ルールに基づいて、前記検索キー文書中に存在する前記検索キー文書の内容を表す検索キー単語を抽出する検索キー単語抽出部と、
前記抽出単語数を前記基準単語数と比較したとき、前記抽出単語数が前記基準単語数よりも少ない場合、前記第２の抽出ルールに基づいて、前記検索キー文書中に存在する前記検索キー文書の内容を表す検索キー単語を抽出する第二次検索キー単語抽出部と、
前記検索対象文書から、前記検索対象文書中に存在する前記検索対象文書の内容を表す検索対象文書単語を抽出する検索対象文書単語抽出部と、
前記検索キー単語抽出部または第二次検索キー単語抽出部で抽出された検索キー単語と、前記検索対象文書単語とを比較して類似度を算出する類似度算出部と、
前記類似度算出部で算出された類似度をソートして、類似度が高い検索対象文書を類似文書と決定するソート部と、
を有することを特徴とする類似文書検索装置。
【請求項２】
請求項１に記載の類似文書検索装置において、
前記検索キー単語抽出部は、第１の抽出ルールに基づいて、検索キー文書から検索キー単語を抽出する対象となるサブ文書を指定し、該サブ文書から検索キー単語を抽出し、
前記第二次検索キー単語抽出部は、第２の抽出ルールに基づいて、検索キー文書から検索キー単語を抽出する対象となるサブ文書を指定し、該サブ文書から検索キー単語を抽出し、
前記検索対象文書単語抽出部は、検索対象文書から検索対象文書単語を抽出する対象となるサブ文書を指定し、該サブ文書から検索対象文書単語を抽出する
ことを特徴とする類似文書検索装置。
【請求項３】
請求項２に記載の類似文書検索装置において、
前記第１の抽出ルールは、前記検索キー文書または前記検索対象文書を複数のサブ文書に分割するための区切り記号を検索して、検索キー単語を検索する対象となるサブ文書を抽出して、該サブ文書から前記検索キー単語を抽出するルールであって、
前記第２の抽出ルールは、ＸＭＬ形式の前記検索キー文書または前記検索対象文書からタグを検索して、前記タグに基づいて検索キー単語を検索する対象となるサブ文書を抽出して、該サブ文書から前記検索キー単語を抽出するルールである
ことを特徴とする類似文書検索装置。
【請求項４】
予め記憶される複数の検索対象文書と比較して、検索キー文書と類似する検索対象文書を検索する類似文書検索方法であって、
検索対象文書と検索キー文書とを比較する対象となる検索キー単語を検索キー文書から抽出する第１の抽出ルールに基づいて検索キー単語を抽出し、
前記抽出された検索キー単語の数を検索結果の精度を保証するための最小の単語数として予め記憶される基準単語数と比較したとき前記検索キー単語の数が前記基準単語数よりも少ない場合、検索対象文書と検索キー文書とを比較する対象となる検索キー単語を検索キー文書から抽出する第２の抽出ルールに基づいてさらに検索キー単語を抽出し、
抽出された前記検索キー単語と、予め記憶される検索対象文書から抽出された検索対象文書単語とを比較して類似度を算出し、
算出された前記類似度をソートして、類似度が高い検索対象文書を類似文書と決定する類似文書検索方法。
【請求項１】
検索対象文書記憶部に記憶される複数の検索対象文書と比較して、検索キー文書と類似する検索対象文書を検索する類似文書検索装置であって、
文書から単語を抽出する際、検索結果の精度を保証する最小の単語数である基準単語数を記憶する基準単語数格納バッファ部と、
前記検索対象文書と前記検索キー文書とを比較する単語を前記検索キー文書または前記検索対象文書から抽出する第１の抽出ルールと、前記第１の抽出ルールで抽出された単語数である抽出単語数が前記基準単語数以下である場合に検索対象文書と検索キー文書とを比較する単語を前記検索キー文書または前記検索対象文書から抽出する第２の抽出ルールとを記憶する抽出ルール記憶部と、
前記第１の抽出ルールに基づいて、前記検索キー文書中に存在する前記検索キー文書の内容を表す検索キー単語を抽出する検索キー単語抽出部と、
前記抽出単語数を前記基準単語数と比較したとき、前記抽出単語数が前記基準単語数よりも少ない場合、前記第２の抽出ルールに基づいて、前記検索キー文書中に存在する前記検索キー文書の内容を表す検索キー単語を抽出する第二次検索キー単語抽出部と、
前記検索対象文書から、前記検索対象文書中に存在する前記検索対象文書の内容を表す検索対象文書単語を抽出する検索対象文書単語抽出部と、
前記検索キー単語抽出部または第二次検索キー単語抽出部で抽出された検索キー単語と、前記検索対象文書単語とを比較して類似度を算出する類似度算出部と、
前記類似度算出部で算出された類似度をソートして、類似度が高い検索対象文書を類似文書と決定するソート部と、
を有することを特徴とする類似文書検索装置。
【請求項２】
請求項１に記載の類似文書検索装置において、
前記検索キー単語抽出部は、第１の抽出ルールに基づいて、検索キー文書から検索キー単語を抽出する対象となるサブ文書を指定し、該サブ文書から検索キー単語を抽出し、
前記第二次検索キー単語抽出部は、第２の抽出ルールに基づいて、検索キー文書から検索キー単語を抽出する対象となるサブ文書を指定し、該サブ文書から検索キー単語を抽出し、
前記検索対象文書単語抽出部は、検索対象文書から検索対象文書単語を抽出する対象となるサブ文書を指定し、該サブ文書から検索対象文書単語を抽出する
ことを特徴とする類似文書検索装置。
【請求項３】
請求項２に記載の類似文書検索装置において、
前記第１の抽出ルールは、前記検索キー文書または前記検索対象文書を複数のサブ文書に分割するための区切り記号を検索して、検索キー単語を検索する対象となるサブ文書を抽出して、該サブ文書から前記検索キー単語を抽出するルールであって、
前記第２の抽出ルールは、ＸＭＬ形式の前記検索キー文書または前記検索対象文書からタグを検索して、前記タグに基づいて検索キー単語を検索する対象となるサブ文書を抽出して、該サブ文書から前記検索キー単語を抽出するルールである
ことを特徴とする類似文書検索装置。
【請求項４】
予め記憶される複数の検索対象文書と比較して、検索キー文書と類似する検索対象文書を検索する類似文書検索方法であって、
検索対象文書と検索キー文書とを比較する対象となる検索キー単語を検索キー文書から抽出する第１の抽出ルールに基づいて検索キー単語を抽出し、
前記抽出された検索キー単語の数を検索結果の精度を保証するための最小の単語数として予め記憶される基準単語数と比較したとき前記検索キー単語の数が前記基準単語数よりも少ない場合、検索対象文書と検索キー文書とを比較する対象となる検索キー単語を検索キー文書から抽出する第２の抽出ルールに基づいてさらに検索キー単語を抽出し、
抽出された前記検索キー単語と、予め記憶される検索対象文書から抽出された検索対象文書単語とを比較して類似度を算出し、
算出された前記類似度をソートして、類似度が高い検索対象文書を類似文書と決定する類似文書検索方法。
【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１９】
【図２０】
【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１９】
【図２０】
【公開番号】特開２００６−９９４７７（Ｐ２００６−９９４７７Ａ）
【公開日】平成１８年４月１３日（２００６．４．１３）
【国際特許分類】
【出願番号】特願２００４−２８５３６３（Ｐ２００４−２８５３６３）
【出願日】平成１６年９月２９日（２００４．９．２９）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【出願人】（３０１０６３４９６）東芝ソリューション株式会社 (1,478)
【Ｆターム（参考）】
【公開日】平成１８年４月１３日（２００６．４．１３）
【国際特許分類】
【出願日】平成１６年９月２９日（２００４．９．２９）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【出願人】（３０１０６３４９６）東芝ソリューション株式会社 (1,478)
【Ｆターム（参考）】
[ Back to top ]