JP2000003362A - 文書解析システム及び記録媒体 - Google Patents
文書解析システム及び記録媒体Info
- Publication number
- JP2000003362A JP2000003362A JP10168068A JP16806898A JP2000003362A JP 2000003362 A JP2000003362 A JP 2000003362A JP 10168068 A JP10168068 A JP 10168068A JP 16806898 A JP16806898 A JP 16806898A JP 2000003362 A JP2000003362 A JP 2000003362A
- Authority
- JP
- Japan
- Prior art keywords
- document
- document structure
- pattern data
- structure pattern
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【課題】 紙媒体出版物における文書を解析し、その文
書構造に関する情報を解析し、保持する文書解析システ
ムを提供すること。 【解決手段】 コンピュータ７には文書読取装置５、文
書構造インデクスデータベース９、文書構造パターンデ
ータベース１１が設けられる。文書読取装置５は、紙媒
体に印刷された文書３のテキストを読取る。また、フロ
ッピーディスク１２に保存された印刷用データをテキス
トに変換してコンピュータ７に入力させてもよい。文書
構造パターンデータベース１１には文書構造パターンデ
ータ３１が登録、保持される。文書構造インデクスデー
タベース９には文書構造インデクスデータ４１が登録、
保持される。ＣＤ−ＲＯＭ１３にはコンピュータ７に文
書解析処理を行わせるためのプログラムが記録されてい
る。
書構造に関する情報を解析し、保持する文書解析システ
ムを提供すること。 【解決手段】 コンピュータ７には文書読取装置５、文
書構造インデクスデータベース９、文書構造パターンデ
ータベース１１が設けられる。文書読取装置５は、紙媒
体に印刷された文書３のテキストを読取る。また、フロ
ッピーディスク１２に保存された印刷用データをテキス
トに変換してコンピュータ７に入力させてもよい。文書
構造パターンデータベース１１には文書構造パターンデ
ータ３１が登録、保持される。文書構造インデクスデー
タベース９には文書構造インデクスデータ４１が登録、
保持される。ＣＤ−ＲＯＭ１３にはコンピュータ７に文
書解析処理を行わせるためのプログラムが記録されてい
る。
Description
【０００１】
【発明の属する技術分野】本発明は、文書解析システム
及び記録媒体に関するものである。
及び記録媒体に関するものである。
【０００２】
【従来の技術】昨今、パソコン等の普及により日常生活
において電子文書を扱うことが増えている。電子文書に
は、文書の中身を示す出現語情報と論理構造を示す体裁
情報に分けて保持するＳＧＭＬ等の標準化されたフォー
マットがあり、文書データの保持や再編集等が比較的自
由に行われる。電子文書が増えつつあるとはいえ、多く
の必要な情報は、今だ情報誌やカタログといった従来の
紙媒体出版物に印刷され、流通されている。
において電子文書を扱うことが増えている。電子文書に
は、文書の中身を示す出現語情報と論理構造を示す体裁
情報に分けて保持するＳＧＭＬ等の標準化されたフォー
マットがあり、文書データの保持や再編集等が比較的自
由に行われる。電子文書が増えつつあるとはいえ、多く
の必要な情報は、今だ情報誌やカタログといった従来の
紙媒体出版物に印刷され、流通されている。
【０００３】
【発明が解決しようとする課題】しかしながら、このよ
うな紙媒体出版物に印刷される文書情報は、そのテキス
ト部が印刷前工程において電子データとして作成されて
も、様々な体裁で印刷され、すぐに廃棄されるため、電
子文書のように文書データとして保持する手段がなく、
再利用等が容易でない。
うな紙媒体出版物に印刷される文書情報は、そのテキス
ト部が印刷前工程において電子データとして作成されて
も、様々な体裁で印刷され、すぐに廃棄されるため、電
子文書のように文書データとして保持する手段がなく、
再利用等が容易でない。
【０００４】本発明はこのような問題に鑑みてなされた
もので、その目的とするところは、紙媒体出版物におけ
る文書をその構造と内容について解析し、文書構造に関
する情報をデータベースとして保持する文書解析システ
ム、及び、コンピュータを文書解析システムとして機能
させる記録媒体を提供することにある。
もので、その目的とするところは、紙媒体出版物におけ
る文書をその構造と内容について解析し、文書構造に関
する情報をデータベースとして保持する文書解析システ
ム、及び、コンピュータを文書解析システムとして機能
させる記録媒体を提供することにある。
【０００５】
【課題を解決するための手段】前述した目的を達成する
ために第１の発明は、文書を解析するための文書解析シ
ステムであって、文書構造要素と前記文書構造要素に対
応したインデクスからなる文書構造インデクスデータを
保持する文書構造インデクス保持手段と、文書構造パタ
ーンデータを保持する文書構造パターン保持手段と、対
象となる文書の段落ごとに文書構造パターンデータを抽
出する手段と、抽出された文書構造パターンデータを、
前記文書構造パターン保持手段の文書構造パターンデー
タと比較し、一致しない場合、この文書の文書構造要素
にインデクスを設けて、前記文書構造インデクス保持手
段に登録させる登録手段と、を具備することを特徴とす
る文書解析システムである。
ために第１の発明は、文書を解析するための文書解析シ
ステムであって、文書構造要素と前記文書構造要素に対
応したインデクスからなる文書構造インデクスデータを
保持する文書構造インデクス保持手段と、文書構造パタ
ーンデータを保持する文書構造パターン保持手段と、対
象となる文書の段落ごとに文書構造パターンデータを抽
出する手段と、抽出された文書構造パターンデータを、
前記文書構造パターン保持手段の文書構造パターンデー
タと比較し、一致しない場合、この文書の文書構造要素
にインデクスを設けて、前記文書構造インデクス保持手
段に登録させる登録手段と、を具備することを特徴とす
る文書解析システムである。
【０００６】第２の発明は、コンピュータを、文書構造
要素と前記文書構造要素に対応したインデクスからなる
文書構造インデクスデータを保持し、文書構造パターン
データを保持し、対象となる文書の段落ごとに文書構造
パターンデータを抽出し、抽出された文書構造パターン
データを、前記文書構造パターン保持手段の文書構造パ
ターンデータと比較し、一致しない場合、この文書の文
書構造要素にインデクスを設けて、前記文書構造インデ
クス保持手段に登録させるように機能させるためのプロ
グラムを記録する記録媒体である。
要素と前記文書構造要素に対応したインデクスからなる
文書構造インデクスデータを保持し、文書構造パターン
データを保持し、対象となる文書の段落ごとに文書構造
パターンデータを抽出し、抽出された文書構造パターン
データを、前記文書構造パターン保持手段の文書構造パ
ターンデータと比較し、一致しない場合、この文書の文
書構造要素にインデクスを設けて、前記文書構造インデ
クス保持手段に登録させるように機能させるためのプロ
グラムを記録する記録媒体である。
【０００７】
【発明の実施の形態】以下、図面に基づいて本発明の実
施の形態を詳細に説明する。図１は、本実施の形態に係
る文書解析システム１の概略構成を示す図である。
施の形態を詳細に説明する。図１は、本実施の形態に係
る文書解析システム１の概略構成を示す図である。
【０００８】図１において、コンピュータ７には文書読
取装置５、文書構造インデクスデータベース９、文書構
造パターンデータベース１１が設けられる。文書読取装
置５は、紙媒体に印刷された文書３のテキストを読取る
ものであり、例えば、ＯＣＲ等である。
取装置５、文書構造インデクスデータベース９、文書構
造パターンデータベース１１が設けられる。文書読取装
置５は、紙媒体に印刷された文書３のテキストを読取る
ものであり、例えば、ＯＣＲ等である。
【０００９】また、文書３を印刷するための印刷用デー
タがある場合は、印刷用データを保存したフロッピーデ
ィスク１２などの電子記録媒体からテキストデータを変
換してコンピュータ７に入力してもよい。ＣＤ−ＲＯＭ
１３にはコンピュータ７に後述するような文書解析処理
を行わせるためのプログラムが記録されている。
タがある場合は、印刷用データを保存したフロッピーデ
ィスク１２などの電子記録媒体からテキストデータを変
換してコンピュータ７に入力してもよい。ＣＤ−ＲＯＭ
１３にはコンピュータ７に後述するような文書解析処理
を行わせるためのプログラムが記録されている。
【００１０】図２は、文書３のある１ページを示し、大
根のみそ汁の作り方を示す。この場合、「大根のみそ
汁」５０１が「料理タイトル」に相当し、「大根を切
る。油上げを切る。……」５０４が「手順」に相当す
る。また、５０１、５０２、５０３等の欄が段落とな
る。図３は、この文書の階層構造を示す説明図である。
根のみそ汁の作り方を示す。この場合、「大根のみそ
汁」５０１が「料理タイトル」に相当し、「大根を切
る。油上げを切る。……」５０４が「手順」に相当す
る。また、５０１、５０２、５０３等の欄が段落とな
る。図３は、この文書の階層構造を示す説明図である。
【００１１】図４は、文書構造パターンデータベース１
１に保持される文書構造パターンデータ３１を示す。図
４に示すように、文書構造パターンデータ３１は文書構
造要素３０３とそのパターン情報３０５からなる。文書
構造要素３０３とは、例えばその文書が料理の本であっ
たような場合、「タイトル」や「手順」等の各段落の内
容を示す名称である。
１に保持される文書構造パターンデータ３１を示す。図
４に示すように、文書構造パターンデータ３１は文書構
造要素３０３とそのパターン情報３０５からなる。文書
構造要素３０３とは、例えばその文書が料理の本であっ
たような場合、「タイトル」や「手順」等の各段落の内
容を示す名称である。
【００１２】パターン情報３０５は、文書内に出現する
名詞の種類と出現頻度、及び文書内の類似段落数、総段
落数への割合と包含関係等の情報を有する。
名詞の種類と出現頻度、及び文書内の類似段落数、総段
落数への割合と包含関係等の情報を有する。
【００１３】図５は文書構造パターンデータ３１の具体
例を示す図である。出現名詞種類７０３と出現頻度７０
５とは、ある段落における名詞の出現頻度である。例え
ば文書構造要素３０３が「料理タイトル」の場合、出現
名詞種類７０３と出現頻度７０５は、「（ａ）食品を示
す出現名詞の出現頻度が全語数の５０％以下、（ｂ）料
理法を示す出現名詞が全語数の１０％以下、…」といっ
た内容になっている。
例を示す図である。出現名詞種類７０３と出現頻度７０
５とは、ある段落における名詞の出現頻度である。例え
ば文書構造要素３０３が「料理タイトル」の場合、出現
名詞種類７０３と出現頻度７０５は、「（ａ）食品を示
す出現名詞の出現頻度が全語数の５０％以下、（ｂ）料
理法を示す出現名詞が全語数の１０％以下、…」といっ
た内容になっている。
【００１４】図６は、文書３の各ページ３−１、３−
２、…等を示す。図５において、文書中の類似段落７０
９とは、図６に示すように、各ページや同一ページ内に
おいて「タイトル」や「手順」等の類似する段落の数を
示す。総段落数とは、１文書内の段落数の合計である。
２、…等を示す。図５において、文書中の類似段落７０
９とは、図６に示すように、各ページや同一ページ内に
おいて「タイトル」や「手順」等の類似する段落の数を
示す。総段落数とは、１文書内の段落数の合計である。
【００１５】例えば、図２に示す文書３において、段落
は５０１から５１０まであり、総段落数は「１０」段落
となり、その内類似する段落の数は、「タイトル」に当
たる段落が５０１と５０７の「２」段落、「手順」に当
たるのが５０４、５０６、５０９、５１０の「４」段
落、「材料」に当たるのが５０３、５０８の「２」段落
である。
は５０１から５１０まであり、総段落数は「１０」段落
となり、その内類似する段落の数は、「タイトル」に当
たる段落が５０１と５０７の「２」段落、「手順」に当
たるのが５０４、５０６、５０９、５１０の「４」段
落、「材料」に当たるのが５０３、５０８の「２」段落
である。
【００１６】図５において、文書中の段落の包含関係７
１１は、上に属する可能性の要素の一覧７１３、下に属
する要素の可能性の一覧７１５等からなる。
１１は、上に属する可能性の要素の一覧７１３、下に属
する要素の可能性の一覧７１５等からなる。
【００１７】図７は、文書構造インデクスデータベース
９を示し、文書構造インデクスデータベース９には、文
書構造インデクスデータ４１が登録される。文書構造イ
ンデクスデータ４１は、文書構造要素３０３とインデク
ス３１３とからなる。
９を示し、文書構造インデクスデータベース９には、文
書構造インデクスデータ４１が登録される。文書構造イ
ンデクスデータ４１は、文書構造要素３０３とインデク
ス３１３とからなる。
【００１８】次に、文書解析システム１が文書３を読み
込み、文書構造パターンデータ３１及び文書構造インデ
クスデータ４１をそれぞれのデータベースに登録する処
理について説明する。図８はその登録方法を示すフロー
チャートである。
込み、文書構造パターンデータ３１及び文書構造インデ
クスデータ４１をそれぞれのデータベースに登録する処
理について説明する。図８はその登録方法を示すフロー
チャートである。
【００１９】文書３のテキストを読み取り、文書の段落
ごとにパターン情報３０５を抽出する（ステップ４０
１）。次に、読み取った各段落のパターン情報３０５が
文書構造パターンデータベース１１のパターン情報３０
５に一致するかを判定する（ステップ４０２）。
ごとにパターン情報３０５を抽出する（ステップ４０
１）。次に、読み取った各段落のパターン情報３０５が
文書構造パターンデータベース１１のパターン情報３０
５に一致するかを判定する（ステップ４０２）。
【００２０】すなわち、読取った段落テキストから名詞
の種類と頻度を計算して、文書構造パターンデータベー
ス１１のパターン情報３０５のどの文書構造要素３０３
に該当するかを推定する。そして推定された文書構造要
素３０３に対して、類似段落数７０９をチェックし、ま
た前後の段落の推定結果が包含関係７１１の上下要素７
１３、７１５のどれかと一致すれば文書構造パターンデ
ータベース１１のパターン情報３０５に一致したとす
る。
の種類と頻度を計算して、文書構造パターンデータベー
ス１１のパターン情報３０５のどの文書構造要素３０３
に該当するかを推定する。そして推定された文書構造要
素３０３に対して、類似段落数７０９をチェックし、ま
た前後の段落の推定結果が包含関係７１１の上下要素７
１３、７１５のどれかと一致すれば文書構造パターンデ
ータベース１１のパターン情報３０５に一致したとす
る。
【００２１】なお、文書構造パターンデータ３１は予め
幾つかの文書を解析し、登録させておくこともできる
が、文書３を読み出しながら解析、登録してもよい。
幾つかの文書を解析し、登録させておくこともできる
が、文書３を読み出しながら解析、登録してもよい。
【００２２】ステップ４０２において、読み取った各段
落のパターン情報３０５が文書構造パターンデータベー
ス１１のいずれかのパターン情報３０５に一致しない場
合、文書構造要素３０３とインデクス３１３を新たに作
成し、文書構造インデクスデータベース９に登録する
（ステップ４０３）。図７に示すように、文書構造イン
デクスデータベース９には文書構造インデクスデータ４
１が階層的に登録される。
落のパターン情報３０５が文書構造パターンデータベー
ス１１のいずれかのパターン情報３０５に一致しない場
合、文書構造要素３０３とインデクス３１３を新たに作
成し、文書構造インデクスデータベース９に登録する
（ステップ４０３）。図７に示すように、文書構造イン
デクスデータベース９には文書構造インデクスデータ４
１が階層的に登録される。
【００２３】更に、パターン情報３０５を文書構造要素
３０３に対応させ、文書構造パターンデータベース１１
に登録する（ステップ４０４）。
３０３に対応させ、文書構造パターンデータベース１１
に登録する（ステップ４０４）。
【００２４】このようにして、文書構造パターンデータ
ベース１１にはパターン情報３０５が蓄積され、文書構
造インデクスデータベース９には、文書構造要素３０３
とインデクス３１３が登録される。
ベース１１にはパターン情報３０５が蓄積され、文書構
造インデクスデータベース９には、文書構造要素３０３
とインデクス３１３が登録される。
【００２５】このように本発明の実施の形態を用いれ
ば、文書３の文書構造を効率的に解析し、その情報を保
持することが可能である。以上説明したように作成され
た文書構造インデクスデータ４１は、文書３をＳＧＭＬ
対応の文書としてデータ化する際に用いられるものであ
る。
ば、文書３の文書構造を効率的に解析し、その情報を保
持することが可能である。以上説明したように作成され
た文書構造インデクスデータ４１は、文書３をＳＧＭＬ
対応の文書としてデータ化する際に用いられるものであ
る。
【００２６】
【発明の効果】以上、詳細に説明したように本発明によ
れば、紙媒体に印刷された文書の構造情報を効率よくデ
ータ化し、保持することができ、後に文書の再利用が容
易となる。
れば、紙媒体に印刷された文書の構造情報を効率よくデ
ータ化し、保持することができ、後に文書の再利用が容
易となる。
【図１】 本発明の１実施の形態に係る文書解析システ
ム１を示す図
ム１を示す図
【図２】 文書３の１ページを示す図
【図３】 文書３の階層構造を示す図
【図４】 文書構造パターンデータ３１を示す図
【図５】 文書構造パターンデータ３１の具体例を示す
図
図
【図６】 類似段落の説明図
【図７】 文書構造インデクスデータベース９を示す図
【図８】 文書解析システム１による解析処理を示すフ
ローチャート
ローチャート
１………文書解析システム ３………文書 ５………文書読取装置 ７………コンピュータ ９………文書構造インデクスデータベース １１………文書構造パターンデータベース １３………ＣＤ−ＲＯＭ
Claims (4)
- 【請求項１】 文書を解析するための文書解析システム
であって、 文書構造要素と前記文書構造要素に対応したインデクス
からなる文書構造インデクスデータを保持する文書構造
インデクス保持手段と、 文書構造パターンデータを保持する文書構造パターン保
持手段と、 対象となる文書の段落ごとに文書構造パターンデータを
抽出する手段と、 抽出された文書構造パターンデータを、前記文書構造パ
ターン保持手段の文書構造パターンデータと比較し、一
致しない場合、この文書の文書構造要素にインデクスを
設けて、前記文書構造インデクス保持手段に登録させる
登録手段と、 を具備することを特徴とする文書解析システム。 - 【請求項２】 前記文書構造パターンデータは、文書構
造要素に対応して前記文書中の名詞の種類と出現頻度、
及び前記文書中の段落数、他段落との包含関係を示すも
のであることを特徴とする請求項１記載の文書解析シス
テム。 - 【請求項３】 前記登録手段は、抽出された文書構造パ
ターンデータを、前記文書構造パターン保持手段の文書
構造パターンデータと比較し、一致しない場合、更にこ
の文書の文書構造パターンデータを前記文書構造パター
ン保持手段に登録させることを特徴とする請求項１記載
の文書解析システム。 - 【請求項４】 コンピュータを、 文書構造要素と前記文書構造要素に対応したインデクス
からなる文書構造インデクスデータを保持し、 文書構造パターンデータを保持し、 対象となる文書の段落ごとに文書構造パターンデータを
抽出し、 抽出された文書構造パターンデータを、前記文書構造パ
ターン保持手段の文書構造パターンデータと比較し、一
致しない場合、この文書の文書構造要素にインデクスを
設けて、前記文書構造インデクス保持手段に登録させる
ように機能させるためのプログラムを記録する記録媒
体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10168068A JP2000003362A (ja) | 1998-06-16 | 1998-06-16 | 文書解析システム及び記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10168068A JP2000003362A (ja) | 1998-06-16 | 1998-06-16 | 文書解析システム及び記録媒体 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000003362A true JP2000003362A (ja) | 2000-01-07 |
Family
ID=15861252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10168068A Pending JP2000003362A (ja) | 1998-06-16 | 1998-06-16 | 文書解析システム及び記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2000003362A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002351895A (ja) * | 2001-05-28 | 2002-12-06 | Dainippon Printing Co Ltd | 印刷製版データからの情報抽出装置 |
| JP2011238221A (ja) * | 2010-05-05 | 2011-11-24 | Palo Alto Research Center Inc | パッセージシーケンスの再使用を介して文書の展開を推測することによる文書類似性の測定 |
-
1998
- 1998-06-16 JP JP10168068A patent/JP2000003362A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002351895A (ja) * | 2001-05-28 | 2002-12-06 | Dainippon Printing Co Ltd | 印刷製版データからの情報抽出装置 |
| JP2011238221A (ja) * | 2010-05-05 | 2011-11-24 | Palo Alto Research Center Inc | パッセージシーケンスの再使用を介して文書の展開を推測することによる文書類似性の測定 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8452132B2 (en) | Automatic file name generation in OCR systems | |
| JP2960340B2 (ja) | データ検索方法及び装置 | |
| EP1679625B1 (en) | Method and apparatus for structuring documents based on layout, content and collection | |
| US20070171473A1 (en) | Information processing apparatus, Information processing method, and computer program product | |
| US20090123071A1 (en) | Document processing apparatus, document processing method, and computer program product | |
| CN100461173C (zh) | 电子归档系统和电子归档方法 | |
| JPH08241332A (ja) | 全文登録語検索装置および方法 | |
| Allen et al. | Metadata and data structures for the historical newspaper digital library | |
| Bia et al. | The Miguel de Cervantes digital library: the Hispanic voice on the web | |
| Hockey | Evaluating electronic texts in the humanities | |
| JP2000003362A (ja) | 文書解析システム及び記録媒体 | |
| Catenazzi | A study into electronic book design and production: Hyper-book and the hyper-book builder | |
| JP2000163445A (ja) | データベース管理システム | |
| JP2000003360A (ja) | 文書解析システム及び記録媒体 | |
| JP3448922B2 (ja) | 電子文書記憶装置 | |
| WO2003073360A1 (en) | 2-dimensional bar code print method with summary information | |
| Taine | Bibliographic data processing at the National Library of Medicine including a discussion led by Ralph T. Esterquest | |
| Batts | Pilot'bibliographies of Canadian ethnic literature:(German, Hungarian, Italian, Polish, Spanish). | |
| JP2000099543A (ja) | 情報検索装置 | |
| JP2000003361A (ja) | 文書解析システム及び記録媒体 | |
| Williams | Punched Cards: A Brief Tutorial.« | |
| Zhang et al. | Development of a video database system | |
| Venezky | Computer-aided humanities research at the University of Wisconsin | |
| Taniguchi | Expression-level bibliographic entity records: a trial on creation from pre-existing MARC records | |
| Klein | A Computer-Aided Personal Library Catalog |