JP2000067080A - 文書情報抽出方法および文書情報抽出方法をコンピュータに実行させるプログラムを記録した機械読み取り可能な記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】 レイアウト情報を加味したキーワードを抽出
することにより，信頼度の高いキーワード抽出および文
書検索を実現すること。 【解決手段】 文書画像を入力するステップＳ２０１
と，文書画像からレイアウト情報を抽出するステップＳ
２０２と，ステップＳ２０２で抽出した文字領域につい
て文字認識を行い文字コード列を取得するステップＳ２
０３と，文字コード列から言語解析によりキーワードを
抽出し，複数のレイアウト情報に基づいてキーワードに
重み付けを行うステップＳ２０４と，を含む。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は，蓄積された文書を
キーワードで管理・検索する際，レイアウト情報に従っ
てキーワードに重み付けを行う文書情報抽出方法および
文書情報抽出方法をコンピュータに実行させるプログラ
ムを記録した機械読み取り可能な記録媒体に関する。

【０００２】

【従来の技術】従来，文書画像データを蓄積し，管理す
る場合，閲覧などの必要時にその検索要求に対し，キー
ワード検索の方法を採用することが多い。このキーワー
ドの付与などに関するものとしては，人間がタイトルな
どその文書の内容にふさわしいキーワードを判断して該
当する文書データに対して付与する第１の方法，文書画
像中の文字領域を抽出し，認識処理して得た文字列に対
して言語的解析を行ってキーワード相当の単語などを抽
出する第２の方法がある。あるいは，あらかじめキーワ
ードを抽出せずに，検索時に指定されたキーワードに対
して全文検索を行う第３の方法もある。

【０００３】また，本発明に関連する参考技術文献とし
て，特開平６−３４８７５８号公報の文書情報検索装置
及び方法』が開示されている。なお，この公報は，キー
ワードとは別に画像の特徴を検索時に利用するものであ
るが，あくまでもキーワードとは並列のものであり，ま
た，未知の文書の検索時には利用しずらい情報である。

【０００４】さらに，特開平７−３１９８８０号公報の
『キーワード抽出・検索装置』には，画像中の位置（タ
イトル，本文ブロックなど）による重要度によって抽出
したキーワードを選別する技術が開示されている。

【０００５】

【発明が解決しようとする課題】しかしながら，上記に
示されるような従来の技術にあっては，まず，上記第３
の方法における全文検索は，あらかじめキーワードを検
出しておく必要がないかわりに，検索対象となるデータ
量が多いと検索に時間がかかる。また，一般的な単語で
検索しようとすると余分なものまでヒットしてしまうの
で，ノイズが増加するという問題点があった。

【０００６】また，上記第１の方法において，人間がキ
ーワードを付与するには手間がかかる上，その都度，統
一性のないキーワード付けがなされる可能性が高く，結
局，キーワードとして信頼度が低くなるため，的確な文
書検索ができなくなる可能性が生じる。

【０００７】さらに，全文に対して言語解析を行ってキ
ーワード相当の単語などを検出する第２の方法にあって
は，文字認識の際に誤りが生じることが少なくなく，ま
た，文書中に複数の記事があって，その重みが異なる場
合でも，その判断はつかず，同等にキーワード検出処理
がなされるため，キーワードの点数が実際の重要度と合
致しくなるという問題点があった。

【０００８】また，特開平７−３１９８８０号公報の
『キーワード抽出・検索装置』にあっては，レイアウト
情報としてテキストブロックの種類だけを使用してお
り，フォントや文字サイズといった他のレイアウト特徴
が使用されないので，テキストブロックの種類の判別が
できない場合や間違えた場合にはキーワード抽出精度が
低下するという問題点があった。

【０００９】本発明は，上記に鑑みてなされたものであ
って，レイアウト情報を加味したキーワードを抽出する
ことにより，信頼度の高いキーワード抽出および文書検
索を実現することを目的とする。

【００１０】

【課題を解決するための手段】上記の目的を達成するた
めに，請求項１に係る文書情報抽出方法にあっては，文
書画像を入力する画像入力工程と，前記文書画像からレ
イアウト情報を抽出するレイアウト情報抽出工程と，前
記レイアウト情報抽出工程で抽出した文字領域について
文字認識を行い文字コード列を取得する文字認識工程
と，前記文字コード列から言語解析によりキーワードを
抽出し，複数のレイアウト情報に基づいてキーワードに
重み付けを行うキーワード抽出工程と，を含み，前記キ
ーワードの表示・閲覧により対象文書を抽出するもので
ある。

【００１１】また，請求項２に係る文書情報抽出方法に
あっては，文書画像を入力する画像入力工程と，前記文
書画像からレイアウト情報を抽出するレイアウト情報抽
出工程と，前記レイアウト情報抽出工程で抽出した文字
領域について文字認識を行い文字コード列を取得する文
字認識工程と，前記文字コード列から言語解析によりキ
ーワードを抽出し，言語解析によるキーワード抽出時に
第１の重み付けを行い，複数のレイアウト情報に基づい
てキーワードに第２の重み付けを行い，前記第１の重み
付けに加えるキーワード抽出工程と，を含み，前記キー
ワードの表示・閲覧により対象文書を抽出するものであ
る。

【００１２】また，請求項３に係る文書情報抽出方法に
あっては，書式付き文書データを入力する文書データ入
力工程と，前記書式付き文書データからレイアウト情報
を抽出するレイアウト情報抽出工程と，前記書式付き文
書データからキーワードを抽出し，該キーワードに前記
レイアウト情報による重み付けを行うキーワード抽出工
程と，を含み，前記キーワードの表示・閲覧により対象
文書を抽出するものである。

【００１３】また，請求項４に係る文書情報抽出方法に
あっては，ＨＴＭＬなどのタグ付き文書データを入力す
る文書データ入力工程と，前記タグ付き文書データから
レイアウト情報を抽出するレイアウト情報抽出工程と，
前記タグ付き文書データからキーワードを抽出し，該キ
ーワードに疑似レイアウト情報による重み付けを行うキ
ーワード抽出工程と，を含み，前記キーワードの表示・
閲覧により対象文書を抽出するものである。

【００１４】また，請求項５に係る文書情報抽出方法に
あっては，請求項１ないし４のいずれか一つに記載の文
書情報抽出方法において，対象文書あるいは対象ページ
内の同一のキーワードが複数抽出された場合，複数のキ
ーワードの重み付け値は最高値を採用するものである。

【００１５】また，請求項６に係る文書情報抽出方法に
あっては，請求項１ないし４のいずれか一つに記載の文
書情報抽出方法において，対象文書あるいは対象ページ
内の同一のキーワードが複数抽出された場合，複数のキ
ーワードの重み付け値は合計値を採用するものである。

【００１６】また，請求項７に係る文書情報抽出方法に
あっては，請求項１ないし４のいずれか一つに記載の文
書情報抽出方法において，対象文書あるいは対象ページ
内の同一のキーワードが複数抽出された場合，複数のキ
ーワードの重み付け値は所定の単調増加関数に基づいて
算出するものである。

【００１７】また，請求項８に係る文書情報抽出方法に
あっては，請求項１ないし４のいずれか一つに記載の文
書情報抽出方法において，重み付けされたキーワードに
よって検索する際に，設定変更可能な閾値以下の重み付
け値のキーワードを検索対象から除外するものである。

【００１８】また，請求項９に係る文書情報抽出方法に
あっては，請求項１ないし４のいずれか一つに記載の文
書情報抽出方法において，前記文書画像あるいは前記文
書データを閲覧する際に，抽出されたキーワードを重み
付け値毎に並べて表示するものである。

【００１９】また，請求項１０に係る機械読み取り可能
な記録媒体にあっては，前記請求項１ないし９のいずれ
か一つに記載の文書情報抽出方法をコンピュータに実行
させるプログラムを記録したものである。

【００２０】

【発明の実施の形態】以下，本発明の文書情報抽出方法
および文書情報抽出方法をコンピュータに実行させるプ
ログラムを記録した機械読み取り可能な記録媒体につい
て添付図面を参照し，詳細に説明する。

【００２１】〔実施の形態１〕 （システムの構成）図１は，実施の形態１に係る文書情
報抽出方法を適用したシステム構成を示すブロック図で
ある。図において，１０１はＣＣＤ搭載のスキャナある
いはファクシミリ装置などを用い，文書を含む原稿を光
学的に２値画像として読み取り，入力する画像入力部で
ある。また，画像入力部１０１の具体的な手段として，
ネットワーク経由（後述するデータ通信部１０７によ
る）で別の機器から文書画像を取得するようにしてもよ
い。

【００２２】また，１０２は画像入力部１０１で入力さ
れた文書画像の後述するレイアウト情報を抽出するレイ
アウト情報抽出部，１０３はレイアウト情報抽出部１０
２において抽出された文字領域について文字認識処理を
行い文字コード列を得る文字認識部，１０４は文字認識
部１０３で抽出された文字コード列に対して言語解析に
よりキーワードを検出するキーワード検出部，１０５は
データ通信路，１０７は入力された文書画像やレイアウ
ト情報，文字認識結果などの各種データを記憶しておく
ためのデータ記憶部，１０８は本システム全体を所定の
制御プログラムに基づいて統括的に制御する制御部，１
０９は外部機器とのデータ送受信などを行うデータ通信
部である。

【００２３】（システムの動作）次に，以上のように構
成されたシステムにおける文書情報抽出方法について説
明する。図２は，本発明の実施の形態１に係る文書情報
抽出方法の手順を示すフローチャートである。まず，画
像入力部１０１によって文書情報抽出対象となる文書画
像を入力する（Ｓ２０１）。なお，この画像入力処理
は，スキャナやファクシミリを用いるか，あるいはデー
タ通信部１０９によりネットワーク経由で別の機器から
文書画像を取り込むことで行う。

【００２４】続いて，ステップＳ２０１で入力された文
書画像からレイアウト情報抽出部１０２によってレイア
ウト情報を抽出する（Ｓ２０２）。なお，このレイアウ
ト情報としては，文字領域や図領域などの位置，その間
の相対関係，ページ全体の段組み状態といったブロック
単位の情報から，文字サイズやフォントといった行単
位，文字単位の情報まで様々な情報が含まれる。

【００２５】ところで，レイアウト情報抽出処理とし
て，例えば先に本出願人により提案されている特願平９
−２２０４２６号の情報抽出部による処理を利用しても
よい。また，領域抽出や段組み検出のついては，本発明
者が先に提案している特開平９−４４５９４号公報『文
書画像の領域分割方法および段組種類判別方法』を利用
すればよい。さらに，特願平８−１３４９１８号に記載
の方法を利用すれば領域間における相対情報を求めるこ
ともできる。また，フォント識別には特開平６−２０８
６４９号公報に記載の方法を利用すればよい。

【００２６】続いて，ステップＳ２０２で抽出した文字
領域について文字認識処理を実行し，文字コード列を取
得する（Ｓ２０３）。さらに，上述の処理によって得ら
れた情報からキーワードを後述する処理により抽出する
（Ｓ２０４）。

【００２７】図３は，図２におけるキーワード抽出処理
例を示すフローチャートである。まず，抽出した文字コ
ード列に対して言語解析によるキーワード検出を実行す
る（Ｓ３０１）。このとき抽出したキーワードには，キ
ーワードとしての重みを表す点数が付与されても，付与
されていなくても何れであってもよい。

【００２８】続いて，レイアウト情報によるキーワード
への重み付けを実行する（Ｓ３０２）。一般にキーワー
ドとしてふさわしい単語はタイトル部や小見出し部など
に現れる可能性が高い。また，同じ単語でも，本文に相
当する部分と脚注やエピソードなどに相当する部分に現
れる場合では，その単語が当該文書のキーワードとして
ふさわしいかどうかの重みが変わってくる。また，本文
中でもキーワード相当部分は本文に使用されているフォ
ントに対して異なるフォント，例えば明朝体の本文に対
してタイトル部分にゴシックフォントが使用されたり，
あるいは（および）文字サイズを大きくするなどの強調
処理が施されていることが多い。

【００２９】さて，上述のような文書において，言語解
析を行う時点では全て「文字領域」という一律的な扱い
になってしまっていたので，その差異を反映することが
できていなかった。

【００３０】そこで，本発明では，抽出した複数のレイ
アウト情報によってキーワードに重み付け（点数付与）
を行う。例えば，タイトル部には１０点，小見出し部に
は７点，本文中の場合には４点，脚注などの場合には１
点，というように重み付けとなる点数を付与する。ま
た，フォントや文字サイズについても同様の重み付け
（点数付与）を行う。

【００３１】検索時には，上述のキーワードに対し，閾
値以下の点数のキーワードを無視するようにすること
で，高速で，かつノイズの少ない検索結果を得ることが
できる。なお，検索漏れの発生が懸念される場合には上
記閾値を適宜低めに設定すればよい。

【００３２】また，上述のキーワードの重み付け（点数
付与）を行う際に，１文書あるいは１ページ中に同一キ
ーワードが複数出現する場合は，その中で最高の点数を
当該キーワードの点数としてもよい。また，点数の総和
を当該キーワードの点数としてもよいし，さらに何らか
の単調増加関数によって当該キーワードの点数を求める
ようにしてもよい。

【００３３】また，本発明では，既に言語解析によるキ
ーワード検出の時点で各キーワードの点数は付与されて
いる。そして，その点数に上述のレイアウト情報に基づ
いて重み付けを行う。重み付けの方法としては，加点す
るのもよいし，あるいはレイアウト情報の重みを係数と
して乗算してもよい。

【００３４】加点による重み付けを行う場合は，例えば
キーワードＡ（１０），Ｂ（５）というのが言語解析の
結果求められていたとする（括弧内は点数）。この点数
にタイトル部には１０点，小見出し部には７点，本文中
の場合には４点，脚注などの場合には１点，と先に述べ
たと同様にレイアウト情報による点数を加える。

【００３５】ここで，キーワードＡは脚注部分にあり，
キーワードＢは小見出し部にあったとすると，最終的な
点数は脚注部分Ａが（１０＋１）＝（１１），小見出し
部Ｂが（５＋７）＝（１２）となり，Ｂの方が重要なキ
ーワード，つまり，この場合は小見出し部が重要なキー
ワードとなり，検索時やキーワード一覧表示時に優先さ
れる。

【００３６】一方，レイアウト情報の重みを係数として
利用する場合は，タイトル部１．０，小見出し部０．
７，脚注部０．３などとし，上述の例では脚注部分Ａが
１０×０．３＝３，小見出し部Ｂが５×０．７＝３．５
となり，やはりＢの方が重要なキーワード（この場合は
小見出し部）となる。

【００３７】〔実施の形態２〕 （システムの構成）図４は，実施の形態２に係る文書情
報抽出方法を適用したシステム構成を示すブロック図で
ある。図において，４０１は例えば，インターネット上
の分散するデータ資源から文書を特定し，書式付き文書
データを取得する文書データ取得部である。

【００３８】上記文書データとしては，ＲＴＦ（Ｒｉｃ
ｈ Ｔｅｘｔ Ｆｏｒｍａｔ：米Ｍｉｃｒｏｓｏｆｔ社
が開発した書式を含む文書形式の１つであり，ＭＳ−Ｄ
ＯＳやＷｉｎｄｏｗｓでの文書ファイルの標準形式，フ
ォントや表組みなどといった文章の付加的な情報も共通
化し，例えばワープロ・ソフト「ｗｏｒｄ」や「Ａｍｉ
Ｐｒｏ」などで使われている）などの書式付きフォーマ
ットや，ＨＴＭＬ（Ｈｙｐｅｒ Ｔｅｘｔ Ｍａｒｋｕ
ｐ Ｌａｎｇｕａｇｅ：ＷＷＷ（ｗｏｒｌｄｗｉｄｅ
ｗｅｂ：ハイパーテキストを使用したインターネットの
情報サービス）用の文書記述言語）などのタグ付き文書
を対象とする。

【００３９】また，４０２は文書データ取得部４０１で
入力された書式付き文書データあるいはタグ付き文書デ
ータの中からレイアウト情報を抽出するレイアウト情報
抽出部，４０３はキーワードを検出するキーワード検出
部，４０４はデータ通信路，４０５は本システム全体を
所定の制御プログラムに基づいて統括的に制御する制御
部である。

【００４０】また，４０７は例えば，ＴＣＰ（Ｔｒａｎ
ｓｍｉｓｓｉｏｎ ＣｏｎｔｒｏｌＰｒｏｔｏｃｏｌ）
／ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）プロト
コルに従ってネットワーク通信を行うように構成された
データ通信部，４０８は入力された文書データやレイア
ウト情報などの各種データを記憶しておくためのデータ
記憶部である。

【００４１】（システムの動作）次に，以上のように構
成されたシステムにおける文書情報抽出方法について説
明する。図５は，本発明の実施の形態２に係る文書情報
抽出方法の手順を示すフローチャートである。まず，文
書データ取得部４０１により，ＲＴＦなどの書式付きフ
ォーマットあるいはＨＴＭＬなどのタグ付き文書を対象
とした文書データを取得する（Ｓ５０１）。

【００４２】続いて，上記文書データの中からレイアウ
ト情報を抽出する（Ｓ５０２）。書式付きデータの場合
は，文字領域の位置がデータとして存在し，かつフォン
ト情報や文字サイズなども記述されている。これらの情
報はそのままキーワード重み付けのためのレイアウト情
報として利用されると同時に，文書画像のときと同様に
タイトル部，小見出し部などの判別にも使用される。そ
の判別したタイトル部などの情報がまたキーワード重み
付けに利用される。

【００４３】ＨＴＭＬのタグは本来レイアウトを示すも
のではないが，ヘッダーレベルなどの意味合いではなく
レイアウト的な強調効果を狙ったものとして援用された
り，文字サイズなどの指定がなされる場合もある。これ
らの情報を疑似レイアウト情報として抽出する。そし
て，上記抽出したレイアウト情報は，前述の実施の形態
１と同様にキーワードの重み付けに利用する（Ｓ５０
３）。

【００４４】ところで，以上説明した各実施の形態にお
ける文書情報抽出動作は図１あるいは図４に示したシス
テムによって実行したが，この他に，文書情報抽出方法
をソフトウェアとして機械読み取り可能な記憶媒体に記
憶し，コンピュータ上で実行するようにしてもよい。

【００４５】

【発明の効果】以上説明したように，本発明に係る文書
情報抽出方法（請求項１，２）によれば，複数のレイア
ウト情報に基づいてキーワードに重み付けを行い，レイ
アウト情報を加味したキーワードが入力された文書画像
から得られるので，信頼度の高いキーワード抽出および
文書検索が実現する。

【００４６】また，本発明に係る文書情報抽出方法（請
求項３，４）によれば，複数のレイアウト情報に基づい
てキーワードに重み付けを行い，レイアウト情報を加味
したキーワードが入力された書式付き文書データあるい
はタグ付き文書データから得られるので，信頼度の高い
キーワード抽出および文書検索が実現する。

【００４７】また，本発明に係る文書情報抽出方法（請
求項５，６，７）によれば，請求項１ないし４のいずれ
か一つにおいて，キーワードの重み付けを最適に設定
し，付与するため，抽出したキーワードへの重み付けの
信頼度が向上する。

【００４８】また，本発明に係る文書情報抽出方法（請
求項８）によれば，重み付けされたキーワードによって
検索する際に，設定変更可能な閾値以下の重み付け値の
キーワードを検索対象から除外するため，レイアウト情
報を加味した信頼度の高いキーワード検索が実現する。

【００４９】また，本発明に係る文書情報抽出方法（請
求項９）によれば，文書画像あるいは文書データを閲覧
する際に，抽出されたキーワードを重み付け値毎に並べ
て表示するため，レイアウト情報を加味した信頼度の高
いキーワード表示が実現する。

【００５０】また，本発明に係る機械読み取り可能な記
録媒体（請求項１０）によれば，請求項１ないし９のい
ずれか一つに記載の文書情報抽出方法をコンピュータに
実行させるプログラムを記録したことにより，請求項１
ないし９のいずれか一つに記載の動作をコンピュータに
よって実現することが可能となる。

【図面の簡単な説明】

【図１】本発明の実施の形態１に係る文書情報抽出方法
を適用したシステム構成を示すブロック図である。

【図２】本発明の実施の形態１に係る文書情報抽出方法
の手順を示すフローチャートである。

【図３】図２におけるキーワード抽出処理例を示すフロ
ーチャートである。

【図４】本発明の実施の形態２に係る文書情報抽出方法
を適用したシステム構成を示すブロック図である。

【図５】本発明の実施の形態２に係る文書情報抽出方法
の手順を示すフローチャートである。

【符号の説明】

１０１ 画像入力部 １０２，４０２ レイアウト情報抽出部 １０３ 文字認識部 １０４，４０３ キーワード検出部 １０７，４０８ データ記憶部 １０８，４０５ 制御部 １０９，４０７ データ通信部 ４０１ 文書データ取得部

Claims (10)

【特許請求の範囲】
1. 【請求項１】 文書画像を入力する画像入力工程と，前
   記文書画像からレイアウト情報を抽出するレイアウト情
   報抽出工程と，前記レイアウト情報抽出工程で抽出した
   文字領域について文字認識を行い文字コード列を取得す
   る文字認識工程と，前記文字コード列から言語解析によ
   りキーワードを抽出し，複数のレイアウト情報に基づい
   てキーワードに重み付けを行うキーワード抽出工程と，
   を含み，前記キーワードの表示・閲覧により対象文書を
   抽出することを特徴とする文書情報抽出方法。
2. 【請求項２】 文書画像を入力する画像入力工程と，前
   記文書画像からレイアウト情報を抽出するレイアウト情
   報抽出工程と，前記レイアウト情報抽出工程で抽出した
   文字領域について文字認識を行い文字コード列を取得す
   る文字認識工程と，前記文字コード列から言語解析によ
   りキーワードを抽出し，言語解析によるキーワード抽出
   時に第１の重み付けを行い，複数のレイアウト情報に基
   づいてキーワードに第２の重み付けを行い，前記第１の
   重み付けに加えるキーワード抽出工程と，を含み，前記
   キーワードの表示・閲覧により対象文書を抽出すること
   を特徴とする文書情報抽出方法。
3. 【請求項３】 書式付き文書データを入力する文書デー
   タ入力工程と，前記書式付き文書データからレイアウト
   情報を抽出するレイアウト情報抽出工程と，前記書式付
   き文書データからキーワードを抽出し，該キーワードに
   前記レイアウト情報による重み付けを行うキーワード抽
   出工程と，を含み，前記キーワードの表示・閲覧により
   対象文書を抽出することを特徴とする文書情報抽出方
   法。
4. 【請求項４】 ＨＴＭＬなどのタグ付き文書データを入
   力する文書データ入力工程と，前記タグ付き文書データ
   からレイアウト情報を抽出するレイアウト情報抽出工程
   と，前記タグ付き文書データからキーワードを抽出し，
   該キーワードに疑似レイアウト情報による重み付けを行
   うキーワード抽出工程と，を含み，前記キーワードの表
   示・閲覧により対象文書を抽出することを特徴とする文
   書情報抽出方法。
5. 【請求項５】 対象文書あるいは対象ページ内の同一の
   キーワードが複数抽出された場合，複数のキーワードの
   重み付け値は最高値を採用することを特徴とする請求項
   １ないし４のいずれか一つに記載の文書情報抽出方法。
6. 【請求項６】 対象文書あるいは対象ページ内の同一の
   キーワードが複数抽出された場合，複数のキーワードの
   重み付け値は合計値を採用することを特徴とする請求項
   １ないし４のいずれか一つに記載の文書情報抽出方法。
7. 【請求項７】 対象文書あるいは対象ページ内の同一の
   キーワードが複数抽出された場合，複数のキーワードの
   重み付け値は所定の単調増加関数に基づいて算出するこ
   とを特徴とする請求項１ないし４のいずれか一つに記載
   の文書情報抽出方法。
8. 【請求項８】 重み付けされたキーワードによって検索
   する際に，設定変更可能な閾値以下の重み付け値のキー
   ワードを検索対象から除外することを特徴とする請求項
   １ないし４のいずれか一つに記載の文書情報抽出方法。
9. 【請求項９】 前記文書画像あるいは前記文書データを
   閲覧する際に，抽出されたキーワードを重み付け値毎に
   並べて表示することを特徴とする請求項１ないし４のい
   ずれか一つに記載の文書情報抽出方法。
10. 【請求項１０】 前記請求項１ないし９のいずれか一つ
    に記載の文書情報抽出方法をコンピュータに実行させる
    プログラムを記録したことを特徴とする機械読み取り可
    能な記録媒体。