JP2000339342A - 文書検索方法および文書検索装置 - Google Patents

Abstract

(57)【要約】 【課題】文書の内容に即した精度の高い文書の検索を可
能にする文書検索方法およびそれを用いた文書検索装置
を提供する。 【解決手段】複数の文書の中から入力された検索要求に
応じた文書を検索する文書検索方法において、前記文書
は複数の構成要素で構造化された文書であって、前記文
書の予め定めらた主たる構成要素の中から第１の語句を
抽出し、さらに、前記文書の前記主たる構成要素以外の
構成要素の中から前記第１の語句との間で所定の条件を
満たす第２の語句を抽出し、前記複数の文書のそれぞれ
から抽出された前記第１および第２の語句と前記検索要
求とに基づき文書を検索することを特徴とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、複数の文書の中か
ら検索要求に応じた文書を検索（キーワード検索、類似
文書検索）するための文書検索方法およびそれを用いた
文書検索装置に関する。

【０００２】

【従来の技術】近年のパーソナルコンピューターの普及
に伴って大量の電子化文書が作成されるようになり、更
にコンピューターネットワークの普及に伴ってそれらの
大量の電子化文書へのアクセスが容易になってきた。し
かし、アクセス可能な文書が増えれば増えるほど、その
中からユーザが必要とする文書を探し出すのが困難にな
り、折角の情報が活用されないという事態になりかねな
い。そこで、大量の文書の中からユーザが必要としてい
るものを選び出す文書検索装置、とりわけ、タイトルや
作成者といった書誌情報だけでなく、文書の内容を利用
した全文検索技術を用いた文書検索装置への需要が高ま
りつつある。

【０００３】

【発明が解決しようとする課題】従来の文書検索装置に
おいては、検索対象となる文書に対し、形態素解析処理
を施す等して語句を抽出し、抽出した語句を文書内出現
頻度や出現文書数で重み付けすることにより索引を作成
することが一般的に行われている。このような文書全体
から語句を抽出し索引を作成する方法は、特許明細書や
学術論文といった長い文書を対象とした場合、重要でな
い（当該文書の内容的な特徴を表した箇所でない）箇所
に出現する語句を抽出してしまうという問題がある。

【０００４】このような問題を回避するため、特に、構
成が定型化された（構造化された）文書（構造化された
文書の例として、特許明細書や学術論文等があり、特許
明細書の場合、「特許請求の範囲」「発明の詳細な説
明」「発明の実施の形態」等の項目毎の構成要素があ
り、学術論文の場合、「アブストラクト」「本文」等の
構成要素がある）では、その文書の構成要素のうち、特
許明細書であれば請求項、学術論文等であればアブスト
ラクト等、その文書の要旨を簡潔に表現した主構成要素
だけから語句を抽出して索引を作成するという方法がと
られることもある。しかし、このような部分はより抽象
度の高い語で記述されることが多いため、ユーザの検索
要求がより具体的な語句で記述された場合には、検索結
果から洩れてしまう危険が大きい。

【０００５】一方、ユーザがそのような危険を考慮して
抽象的な言葉で検索要求を記述した場合には、不要な文
書が多数マッチしてしまうという問題がある。

【０００６】本発明はこのような実情に鑑みてなされた
ものであり、文書の内容を的確に表した語句を抽出して
当該文書の検索のために用いる索引を作成することによ
り、文書の内容に即した精度の高い文書の検索を可能に
する文書検索方法およびそれを用いた文書検索装置を提
供することを目的とする。

【０００７】

【課題を解決するための手段】（１）本発明の文書検索
方法は、複数の文書の中から入力された検索要求に応じ
た文書を検索する文書検索方法において、前記文書は複
数の構成要素で構造化された文書であって、前記文書の
予め定めらた主たる構成要素の中から第１の語句を抽出
し、さらに、前記文書の前記主たる構成要素以外の構成
要素の中から前記第１の語句との間で所定の条件を満た
す第２の語句を抽出し、前記複数の文書のそれぞれから
抽出された前記第１および第２の語句と前記検索要求と
に基づき文書を検索することを特徴とする。

【０００８】本発明の文書検索方法は、複数の文書の中
から入力された文書に類似する文書を検索するための文
書検索方法において、前記文書は複数の構成要素で構造
化された文書であって、前記入力された文書と検索対象
の前記複数の文書のそれぞれから、該文書の予め定めら
れた主たる構成要素の中から第１の語句を抽出し、さら
に、該文書の前記主たる構成要素以外の構成要素の中か
ら前記第１の語句との間で所定の条件を満たす第２の語
句を抽出し、前記入力された文書と前記検索対象の複数
の文書との間で、そのそれぞれから抽出された前記第１
および第２の語句の類似度を求めて、前記入力された文
書に類似する文書を前記検索対象の複数の文書の中から
検索することを特徴とする。

【０００９】本発明によれば、文書の内容を的確に表し
た第１の語句（基本語）と第２の語句（拡張語）を抽出
して当該文書を検索するために用いる索引を作成するこ
とにより、文書の内容に即した精度の高い文書の検索を
可能にする。

【００１０】好ましくは、予め定められた言語表現にて
前記第１の語句に関連付けられた語句を第２の語句とし
て抽出する。

【００１１】また、好ましくは、前記第１の語句を項と
する述語と同じ述語の項になっている語句を第２の語句
として抽出する。

【００１２】（２）本発明の文書検索装置は、複数の文
書の中から入力された検索要求に応じた文書を検索する
文書検索装置において、前記文書は複数の構成要素で構
造化された文書であって、前記文書の予められた主たる
構成要素の中から第１の語句を抽出する第１の抽出手段
と、前記文書の前記主たる構成要素以外の構成要素の中
から前記第１の語句との間で所定の条件を満たす第２の
語句を抽出する第２の抽出手段と、前記複数の文書のそ
れぞれから抽出された前記第１および第２の語句と前記
検索要求とに基づき文書を検索する検索手段と、を具備
したことを特徴とする。

【００１３】本発明の文書検索装置は、複数の文書の中
から入力された文書に類似する文書を検索するための文
書検索装置において、前記文書は複数の構成要素で構造
化された文書であって、前記入力された文書と検索対象
の前記複数の文書のそれぞれから、該文書の予め定めら
れた主たる構成要素の中から第１の語句を抽出する第１
の抽出手段と、前記入力された文書と前記検索対象の複
数の文書のそれぞれから、前記主たる構成要素以外の構
成要素の中から前記第１の語句との間で所定の条件を満
たす第２の語句を抽出する第２の抽出手段と、前記入力
された文書と前記検索対象の複数の文書との間で、その
それぞれから抽出された前記第１および第２の語句の類
似度を求めて、前記入力された文書に類似する文書を前
記検索対象の複数の文書の中から検索する検索手段と、
を具備したことを特徴とする。

【００１４】本発明によれば、文書の内容を的確に表し
た第１の語句（基本語）と第２の語句（拡張語）を抽出
して当該文書を検索するために用いる索引を作成するこ
とにより、文書の内容に即した精度の高い類似文書の検
索を可能にする。

【００１５】好ましくは、予め定められた言語表現にて
前記第１の語句に関連付けられた語句を第２の語句とし
て抽出する。

【００１６】また、好ましくは、前記第１の語句を項と
する述語と同じ述語の項になっている語句を第２の語句
として抽出する。

【００１７】

【発明の実施の形態】以下、図面を参照して本発明の実
施形態について説明する。

【００１８】図１に、本実施形態にかかる文書検索装置
の機器構成例を示したものである。図１に示すように、
この実施形態の文書検索装置は、本発明の文書検索処理
を実行するためのプログラムや各種データを記憶する外
部記憶装置１０２、外部記憶装置１０２に記憶されたプ
ログラムを実行するＣＰＵ１０１、他のコンピュータか
ら公衆網、専用線等の通信ネットワークを介して所定の
データを読み込む通信装置１０３、検索要求等ユーザか
らの指示を入力するためのキーボード１０４、マウス１
０５、検索結果等を表示する表示装置１０６をバスを介
して互いに接続してなる。

【００１９】図２は、本実施形態にかかる文書検索装置
の機能ブロック図である。図２に示すように、この実施
形態の文書検索装置は、検索要求等ユーザからの指示を
入力する入力部２０１、検索結果を表示する出力部２０
３、検索対象となる文書群を格納する文書格納部２１
１、文書群から語句を抽出して索引を作成する索引作成
部２０４、文書群を検索するための索引を記憶する索引
格納部２０９、索引格納部２０９に格納された索引を参
照してユーザからの検索要求に適合した文書を選択する
文書検索部２０８、索引を作成したり、ユーザの検索要
求から語句を抽出するための語句抽出部２０５、検索対
象となる構造化された文書の構成要素を認識する文書構
造認識部２１０、ユーザからの指示により索引作成部２
０４や文書検索部２０８を起動する制御部２０２からな
る。

【００２０】語句抽出部２０５は、検索対象の文書の主
たる構成要素から基本語を抽出する基本語抽出部２０６
と、基本語に追加するための語句を主たる構成要素以外
の要素から抽出する拡張語抽出部２０７からなる。

【００２１】図２の各構成部（出力部２０１、制御部２
０２、入力部２０３、索引作成部２０４、語句抽出部２
０５、文書検索部２０８、および文書構造認識部２１
０）は、図１の外部記憶装置１０２に記録されてＣＰＵ
１０１によって実行制御されるプログラムとして構成さ
れ、また、索引格納部２０９および文書格納部２１１
は、外部記憶装置１０２または、通信装置１０３を介し
てつながっている他のコンピューターの外部記憶装置上
に構築されていてもよい。この場合、入力部２０３は図
１のキーボード１０４およびマウス１０５を介して入力
された検索要求等のユーザからの指示を受け取り、ま
た、出力部２０１は検索結果を図１の表示装置１０６に
表示するためのものである。

【００２２】以上のような構成により、図２に示す文書
検索装置は、入力した文書の内容に類似する文書を検索
する（類似文書検索）。

【００２３】なお、ここでは、検索対象の文書として、
例えば、図３（ａ）に示すような特許明細書を入力部２
０３から入力し、類似特許検索を行う場合の各部の動作
について説明する。

【００２４】検索に先立って、文書格納部２１１に既に
格納されている複数の特許明細書のそれぞれから索引を
作成しておく。索引の作成は、制御部２０２が索引作成
部２０４を呼び出すことにより行われる。

【００２５】索引作成部２０４は、語句抽出部２０５を
呼び出して、文書格納部２１１に格納されている特許明
細書から語句を抽出し、抽出した語句から索引を作成す
る。語句抽出部２０５は、基本語抽出部２０６と拡張語
抽出部２０７とからなる。基本語抽出部２０６は、文書
構造認識部２１０を呼び出して、特許明細書の構成要素
のうち、「特許請求の範囲」という項目の構成要素の文
章のみを取り出し、取り出された文章全体から索引語句
を抽出する。拡張語抽出部２０７は、文書構造認識部２
１０を呼び出して、特許明細書の構成要素のうち、「発
明の実施の形態」という項目の構成要素の文章のみを取
り出し、基本語抽出部２０６により抽出された索引語句
を拡張するための語句を抽出する。

【００２６】制御部２０２は、入力部２０３から特許明
細書が入力されると、文書検索部２０８を呼び出す。文
書検索部２０８は、語句抽出部２０５を呼び出すことに
より、入力された特許明細書から語句を抽出する。さら
に、文書検索部２０８は、抽出された語句と、索引格納
部２０９に格納された索引を参照することにより、入力
された特許明細書と文書格納部２０９に格納された各文
書との間の類似度を計算する。制御部２０２は、類似度
の高い特許明細書のリストを出力部２０１よりユーザに
呈示する。

【００２７】次に、索引作成部２０４の処理について、
図３（ｂ）に示す特許明細書の索引を作成する場合を例
にとり詳述する。

【００２８】図４に索引作成部２０４の処理の流れを示
す。索引作成部２０４は、文書格納部２１１から特許明
細書を１つずつ取り出して、索引を作成する。文書格納
部２１１では、１つの特許明細書が１つのファイルとし
て格納されており、各特許明細書には固有のファイル名
が付けられている。例えば、図３（ｂ）に示す特許明細
書には「特開平０１−９９９９９９．ｔｘｔ」というフ
ァイル名が付けられている。

【００２９】索引格納部２０９では、各ファイルは番号
で管理されているため、各ファイルに番号を付けて登録
する（ステップＳ２）。次に、基本語の抽出を行う（ス
テップＳ３）。

【００３０】図５に図４のステップ３の処理の流れを示
す。

【００３１】図５において、まず、文書構造認識部２１
０が呼び出されて、特許明細書の構成要素のうち、「特
許請求の範囲」という項目の構成要素の文章のみが取り
出される（ステップＳ１１）。図３（ｂ）の特許明細書
から取り出された「特許請求の範囲」に書かれた文章の
例を図７に示す。この「特許請求の範囲」に書かれた文
章に対し、形態素解析を施す（ステップＳ１２）。形態
素解析の方法については広く公知であるのでここでは詳
述しない。

【００３２】図７の文章に対して形態素解析を施した結
果の一部を図８に示す。図８では、１行に１形態素の情
報が出力されており、行頭からスペースで区切られて、
形態素表記、読み、基本形表記、品詞、品詞番号、細品
詞、細品詞番号、活用型、活用型番号、活用形、活用形
番号が並んでいる。情報がない場合は、「＊」が記され
ている。

【００３３】ステップＳ１２の形態素解析の結果から、
名詞、動詞、形容詞、記号、未知語等の品詞を持った語
を索引語として抽出する（ステップＳ１３）。図９は、
図８の形態素解析の結果から抽出された索引語のリスト
の一部を示したものである。

【００３４】一方、ステップＳ１２の形態素解析の結果
からは名詞句リストも抽出される（ステップＳ１４）。
名詞句とは、ここでは、名詞、記号、未知語、形容詞語
幹、形容詞連体形の連接、あるいは助詞「の」を介した
連続を指す。図１０は、図８の形態素解析の結果から抽
出された名詞句のリストの一部を示したものである。図
１０において、左側が名詞句の表記で、名詞句が複数の
形態素から構成される場合は、形態素間の境界を「／」
で示している。右側は名詞句を構成する形態素の品詞を
記している。表記の場合と同様、形態素間の境界は
「／」で示している。

【００３５】さらに、ステップＳ１２の形態素解析の結
果から、対応関係にある述語と項のリスト（述語−項リ
スト）を抽出する（ステップＳ１５）。なお、ここで
は、述語は動詞に限定しており、項は名詞句の形で抽出
する。図１１は、図８の形態素解析の結果から抽出され
た述語−項リストの一部を示したものである。図１１に
おいて、抽出された各述語に対し、その各述語が取る項
を右側に記している。一つの述語が複数の項を取る場合
は、項と項の間を「；」で区切っている。各項は、「表
記（品詞）」の形で記されており、１つの項が複数の形
態素で構成される場合は、形態素間の境界は「／」で示
している。

【００３６】図４の説明に戻る。ステップＳ３で基本語
の抽出が終了したら、次に、図５のステップＳ１４、ス
テップＳ１５で抽出したリストを基に、ステップＳ１３
で抽出された索引語リストの拡張を行う（ステップＳ
４）。

【００３７】図６は、図４のステップＳ４の処理の流れ
を示したフローチャートである。

【００３８】まず、文書構造認識部２１０が呼び出され
て、特許明細書の構成要素のうち、「発明の実施の形
態」に書かれた文章のみが取り出される（ステップＳ２
１）。図３（ｂ）の特許明細書から取り出された「発明
の実施の形態」に書かれた文章の一部を図１２に示す。
この「発明の実施の形態」に書かれた文章に対し、形態
素解析を施す（ステップＳ２２）。形態素解析処理につ
いては、図５のステップＳ１２と同様でよい。

【００３９】形態素解析を施した結果から図５のステッ
プＳ１５と同様にして、述語−項リストを抽出する（ス
テップＳ２３）。図１２の文章に対して形態素解析を施
した結果から抽出した述語−項リストを図１３に示す。
形式は図１１と同じである。

【００４０】続いて、名詞句の言い換えを抽出する（ス
テップＳ２４）。名詞句の言い換えは、図１４に示すよ
うな文字列のパターンを予め用意しておき、これと文章
との照合を行うことにより実現する。例えば、パターン
番号「１」の文字列のパターンは、「としての」という
文字列の前後に名詞句が出現したとき、前に出現した名
詞句を拡張元名詞句として、後に出現した名詞句を拡張
名詞句として抽出する。このパターンを用いて、例え
ば、図１２の文章中にある「広域の地名としての都道府
県名」という部分から、拡張元名詞句として「広域の地
名」が、拡張名詞句として「都道府県名」が抽出され
る。図１２の文章から抽出された拡張元名詞句と拡張名
詞句との対応を示したリスト、すなわち、名詞句の言い
換えリストを図１５に示す。

【００４１】次に、ステップＳ２３で抽出された述語−
項リストと、ステップＳ２４で抽出された名詞句言い換
えリストを用いて、拡張語の選択を行う（ステップＳ２
５）。

【００４２】図１９は、図６のステップＳ２５のに拡張
語選択処理の流れを示したフローチャートである。拡張
語選択処理としては、述語−項リストを用いる場合と、
名詞句の言い換えリストを用いる場合とがあるが、ここ
では、図１９では、述語−項リストを用いる場合を例に
とり説明する。

【００４３】「発明の実施の形態」の文章から抽出され
た述語−項リスト中の述語と項との組を１組ずつ取り出
し、全ての組について、図５のステップＳ１５で「特許
請求の範囲」の文章から抽出された述語−項リスト中の
述語と照合する（ステップＳ３１）。すなわち、「発明
の実施の形態」の文章から抽出された述語−項リストか
ら述語と項との組を１組取り出す（ステップＳ３２）。
そして、この述語と同じ述語が「特許請求の範囲」の文
章から抽出された述語−項リスト中の述語にあるかどう
か調べる。同じものがない場合は、ステップＳ３１に戻
り、「発明の実施の形態」の文章から抽出された述語−
項リストから次の述語と項との組を取り出す。

【００４４】同じものがあった場合は（ステップＳ３
３）、「発明の実施の形態」の文章から抽出された述語
−項リスト中の当該述語の項を１つずつ調べる（ステッ
プＳ３４、ステップＳ３５）。すなわち、図５のステッ
プＳ１４で「特許請求の範囲」の文章から抽出した名詞
句リストに「発明の実施の形態」の文章から抽出された
述語−項リスト中の当該述語の項と同じものがないかど
うか調べる（ステップＳ３６）。同じものがあった場合
は、ステップＳ３４に戻って次の項をチェックする。同
じものがなかった場合は、ステップＳ３７に進み、当該
項を拡張語として登録し、再びステップＳ３４に戻って
次の項をチェックする。ステップＳ３５〜ステップＳ３
７の処理を「発明の実施の形態」の文章から抽出された
述語−項リスト中の当該述語の項がなくなるまで繰り返
す。

【００４５】以上のようにして、図１３に示した「発明
の実施の形態」の文章から抽出された述語−項リストの
みを用いて拡張語を選択してもよいし、これに換えて、
図１５の名詞句の言い換えリストを用いて拡張語を選択
してもよい。さらに、述語−項リストと名詞句の言い換
えリストを両方用いて拡張語を選択してもよい。

【００４６】すなわち、図９に示すような手順にて拡張
語を選択した後、次に、図６のステップＳ２４にて「発
明の実施の形態」の文章から抽出された図１５に示した
ような名詞句の言い換えリストにある拡張元名詞句と同
じ名詞句が図５のステップＳ１４で「特許請求の範囲」
の文章から抽出した名詞句リストに存在するか否か調べ
る。同じものがあった場合は、その名詞句の言い換えリ
ストの拡張元名詞句に対応する拡張名詞句を拡張語とす
る。このとき、すでに拡張語として選択済みの拡張名詞
句は無視する。

【００４７】なお、図１５に示すような名詞句の言い換
えリストを用いて拡張語を選択した後に、図１３に示す
ような述語−項リストを用いて拡張語を選択してもよ
い。

【００４８】図１３の述語−項リストと図１５名詞句の
言い換えリストとを両方用いて得られた拡張語を図１６
に示す。

【００４９】図６の説明に戻り、ステップＳ２６では、
ステップＳ２５で選択された、名詞句の形の拡張語を単
語に展開する。例えば、図１６の拡張語を単語に展開し
たものを図１７に示す。ここでは、拡張語の出現頻度を
一律「１」であるとして、展開された単語の頻度を計算
している。

【００５０】図５のステップＳ１３で抽出された図９に
示したような索引語リストに図６のステップＳ２５〜ス
テップＳ２６で抽出されて、単語に展開された拡張語
（図１７参照）を追加したものを図１８に示す。図１８
において、索引語番号「１８」〜「２０」が新たに追加
された語、すなわち、拡張語である。

【００５１】ここで再び図４の説明に戻る。次の処理は
ステップＳ５である。ステップＳ５では、ステップＳ４
までに得られた索引語とその出現頻度の情報を頻度表に
書き出す。ここで作成される頻度表が索引格納部２０９
に格納される索引に相当する。

【００５２】頻度表の例を図２０に示す。縦軸に各文書
の格納されているファイルを識別するためのファイル番
号、横軸に基本語および拡張語として抽出された単語の
それぞれを識別するための単語番号が取られ、どのファ
イルに、どの単語が何回出現したかが記されている。

【００５３】以上のような処理（図４参照）を、文書格
納部２１１中の全ての特許明細書のファイルに対して実
行する。文書格納部２１１中の全ての特許明細書のファ
イルに対して処理を終えると、ステップＳ６で、各索引
語の文書頻度を数える。各索引語の文書頻度は、頻度表
を縦に読んで、出現頻度が「１」以上のファイルの数を
数えることにより得られる。各索引語の文書頻度を算出
した例を図２１に示す。

【００５４】次に、文書検索部２０８の処理について、
図３（ａ）に示す特許明細書に類似する特許明細書を検
索する場合を例にとり詳述する。図２２に文書検索部２
０８の処理の流れを示す。

【００５５】入力部２０３より入力された図３（ａ）に
示したような特許明細書に対し、基本語が抽出される
（ステップＳ４１）。ステップＳ４１での処理は図４の
ステップＳ３の処理と同様である。図３（ａ）に示す特
許明細書を入力としたとき、基本語抽出処理の過程で得
られる情報を図２３〜２６に示す。図２３は、図３
（ａ）に示す特許明細書から抽出された「特許請求の範
囲」の文章である。図２４は、図２３の文章に形態素解
析を施した結果から抽出した索引語リストである。図２
５は、図２３の文章に形態素解析を施した結果から抽出
した名詞句リストである。図２６は、図２３の文章に形
態素解析を施した結果から抽出した述語−項リストであ
る。同じく入力部２０３より入力された特許明細書に対
して、ステップＳ４２で拡張語が抽出される。ステップ
Ｓ４２での処理は図４のステップＳ４と同様である。

【００５６】図３（ａ）に示す特許明細書を入力とした
とき、拡張語抽出処理の過程で得られるデータを図２７
〜３１に示す。図２７は、図３（ａ）に示す特許明細書
から抽出された「発明の実施の形態」の文章である。図
２８は、図２７の文章から抽出した述語−項のリストで
ある。図２７の文章からは、名詞句の言い換えは１つも
抽出されなかった。図２９は、図２８の述語−項リスト
を用いて選択された拡張語である。図３０は、図２９の
拡張語を単語に展開したものである。図３１は、図２４
の索引語リストに、図３０の拡張語を加えたものであ
る。

【００５７】ステップＳ４３では、ステップＳ４１、Ｓ
４２で抽出された語句を用い、索引格納部２０９に格納
されている索引語リストを参照して、文書格納部２１１
に格納された各特許明細書との類似度を計算する。例え
ば、図３（ａ）の特許明細書と図３（ｂ）の特許明細書
との類似度の計算は、図３１の索引語と図１８の索引語
とを比較することにより行われる。文書中に出現する単
語の頻度情報を用いた文書間類似度の計算方法には様々
な方法が知られているが、ここではどのようなものを用
いてもよい。

【００５８】例えば、各文書毎にその各索引語のｔｆ・
ｉｄｆ値を次式から求める。

【００５９】ｔｆ・ｌｏｇ（Ｎ／ｄｆ） ｔｆ：当該索引語の当該文書中における出現頻度 Ｎ ：総文書数 ｄｆ：当該索引語の文書頻度 そして、索引語番号を次元にとり索引語番号に対応する
索引語のｔｆ・ｉｄｆ値を各次元の要素とする特徴ベク
トルを求める。入力された文書（すなわち、ここでは、
図３（ａ）の特許明細書）と検索対象の文書（例えば、
図３（ｂ）の特許明細書）のそれぞれについて、特徴ベ
クトルを求める。あるいは、ｔｆ・ｉｄｆ値の替わり
に、各文書毎に索引語番号に対するその文書内での当該
索引語の出現頻度を特徴ベクトルの要素としてもよい。

【００６０】図２４に示した索引語リストを基に索引語
の出現頻度を用いて作成された図３（ｂ）に示した特許
明細書の特徴ベクトルの一部を次式に示す。

【００６１】

【数１】

【００６２】そして、入力された文書（すなわち、ここ
では、図３（ａ）の特許明細書）と検索対象の文書（例
えば、図３（ｂ）の特許明細書）のそれぞれについて、
特徴ベクトルを求めて、これらの間で内積を算出して、
それを入力された文書と文書格納部２１１に格納されて
いる各文書との間の類似度としてもよい。なお、内積の
代わりにコサイン距離を求めてもよい。この場合、類似
度の値が大きいほど類似度が高くなる。

【００６３】ステップＳ４３で計算された入力された文
書と文書格納部２１１に格納されている各文書との間の
類似度は、その値が大きい順にソートされ（ステップＳ
４４）、上位ｎ位（ｎは正の整数）の特許明細書のファ
イル名が出力部２０１に出力される（ステップＳ４
５）。

【００６４】上述したような処理によれば、文書検索の
精度を向上させることができる。例えば、図３（ａ）の
特許明細書と、図３（ｂ）の特許明細書とでは、どちら
も都道府県名と市区郡名とを対応付けて辞書に格納して
いるにもかかわらず、どちらの特許請求の範囲にも「都
道府県名」「市区郡名」という語は出現しない。そのた
め、拡張語抽出部２０７を持たない従来の文書検索装置
では、特許請求の範囲の文章だけから索引語を抽出した
場合、図３（ａ）の特許明細書と図３（ｂ）の特許明細
書との間の高い類似度は得られない。これに対して本発
明の文書検索装置では、図３（ａ）の特許明細書におい
ても、図３（ｂ）の特許明細書においても、特許請求の
範囲に出現しない「都道府県名」と「市区郡名」という
語が拡張語として索引語に追加されるため両者の間で高
い類似度が得られる。

【００６５】なお、上記実施形態では、検索要求として
入力した文書に類似する文書の検索要求の場合を例にと
り説明したが、この場合に限らず、種々変形して応用可
能である。例えば、文書検索部２０８での検索処理は、
入力されたキーワードに合致する文書の検索要求の場合
であっても、上記同様にして（すなわち、キーワードと
索引語との類似度を求める）文書を検索することが可能
である。

【００６６】また、上記実施形態では、索引語として、
主に名詞、動詞のみを抽出しているが、この場合に限る
ものではなく、種々変形して応用可能である。例えば、
これらに加えて例えば形容詞、副詞等を選択してもよい
し、動詞を選択しなくてもよい。

【００６７】また、ここでは、検索対象の文書が特許明
細書である場合を例にとり説明しているため、その内容
の特徴を最も適切に記述している「特許請求の範囲」と
いう項目の文章から基本語を抽出し、基本語に関連する
拡張語（例えば、基本語をより具体化して表現している
拡張語）を「発明の実施の形態」という項目の文章から
抽出しているが、この場合に限るものではない。また、
検索対象の文書が学術論文であれば、基本語を「アブス
トラクト」から抽出し、その基本語に関連する拡張語を
本文から抽出するようにしてもよい。このように、検索
対象の文書がどのような文書であるにしろ、基本語は、
その文書の内容の特徴を最も適切に記述している構成要
素から抽出し、拡張語は、それより詳細な記述がなされ
ている構成要素から抽出することが望ましい。

【００６８】図３２は、上記実施形態で説明した文書検
索装置を適用した類似文書検索を行う他の文書検索装置
の構成を概略的に示したものである。図３２に示した類
似文書検索装置では、まず、入力した文書の類似文書を
検索するに先だって、当該文書の大まかな分類を行う。
例えば、文書の内容に応じて複数のクラス（例えば、電
気、機械、化学等）が用意されているとする。各クラス
は、例えば、そのクラスに属する文書にてよく使われる
単語を羅列した辞書を有し、この辞書の単語と入力され
た文書内の単語とを照合して（類似度を算出して）、最
も類似するクラスを特定する。このとき求めることがで
きる当該文書中に出現する単語と、その出現頻度は、先
に説明した図９に示したような索引語リストの作成の際
に用いてもよい。

【００６９】この大分け分類処理部においては、クラス
の特定された文書は、例えば、その文書中の単語と出現
頻度とに基づき、より詳細なサブクラスに分類され、さ
らに、サブクラスの特定された文書はより詳細なグルー
プに分類され、さらに、グループの特定された文書はよ
り詳細なサブグループに分類されてもよい。

【００７０】次に、類似文書検索処理部において、上記
実施形態にて説明した類似文書の検索を行い、検索され
た類似文書のリストを出力する。

【００７１】なお、ここでの検索結果を大分け分類処理
および類似文書検索処理にフィードバックすることによ
り、より精度の高い（ヒット率の高い）類似文書の検索
が可能になる。すなわち、例えば、大分け分類処理にお
いて得られた入力された文書から抽出された単語を当該
文書の属するサブグループ、グループ、サブクラス、ク
ラスの辞書に追加する。また、検索された類似文書の索
引語リストに当該入力文書にはあって類似文書にはない
単語を追加する。

【００７２】図３２に示した文書検索装置もコンピュー
タに実行させることのできるプログラムとして、磁気デ
ィスク（フロッピーディスク、ハードディスクなど）、
光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモ
リなどの記録媒体に格納して頒布することもできる。

【００７３】以上説明したように上記実施形態によれ
ば、文書中の予め定められた構成要素の文章から索引語
を抽出し、他の構成要素の文章中から適切な語を拡張語
として抽出して索引語に追加することにより、大量の文
書の中からユーザの検索要求に合致する文書を高精度に
選択できるようになる。

【００７４】

【発明の効果】以上説明したように、本発明によれば、
文書の内容に即した精度の高い文書の検索を可能にす
る。

【図面の簡単な説明】

【図１】本発明の一実施形態に係る文書検索装置の機器
構成例を示した図。

【図２】本発明の一実施形態に係る文書検索装置の機能
ブロック図。

【図３】入力部より入力される特許明細書の例と、文書
格納部に格納される特許明細書の具体例を示した図。

【図４】索引作成部における索引作成処理動作を説明す
るためのフローチャート。

【図５】基本語抽出処理動作を説明するためのフローチ
ャート。

【図６】拡張語抽出処理動作を説明するためのフローチ
ャート。

【図７】図３（ｂ）の特許明細書中の「特許請求の範
囲」という項目に書かれた文章を示した図。

【図８】図７の文章に対し形態素解析を行った結果を示
した図。

【図９】図８の形態素解析の結果から抽出した索引語リ
ストの一例を示した図。

【図１０】図８の形態素解析の結果から抽出した名詞句
リストの一例を示した図。

【図１１】図８の形態素解析の結果から抽出した述語−
項リストの一例を示した図。

【図１２】図３（ｂ）の特許明細書中の「発明の実施の
形態」という項目に書かれた文章を示した図。

【図１３】図１２の文章に対し形態素解析を施した結果
から抽出した述語−項リストの一例を示した図。

【図１４】名詞句の言い換えを抽出するための文字列パ
ターンの一例を示した図。

【図１５】図１２の文章に形態素解析を施した結果から
抽出された名詞句の言い換えリストの一例を示した図。

【図１６】図１３の述語−項リストと図１５の名詞句の
言い換えリストとを用いて選択した拡張語の一例を示し
た図。

【図１７】図１６の拡張語を単語に展開した場合を示し
た図。

【図１８】図９の索引語リストに拡張語を追加して得ら
れた索引語リストの一例を示した図。

【図１９】拡張語選択処理動作を説明するためのフロー
チャート。

【図２０】頻度表の一例を示した図。

【図２１】索引語の文書頻度の算出結果を示した図。

【図２２】文書検索部における文書検索処理動作を説明
するためのフローチャート。

【図２３】図３（ａ）に示す特許明細書中の「特許請求
の範囲」という項目に書かれた文章を示した図。

【図２４】図２３の文章に対し形態素解析を施した結果
から抽出した索引語リストの一例を示した図。

【図２５】図２３の文章に形態素解析を施した結果から
抽出した名詞句リストの一例を示した図。

【図２６】図２３の文章に形態素解析を施した結果から
抽出した述語−項リストの一例を示した図。

【図２７】図３（ａ）に示した特許明細書中の「発明の
実施の形態」という項目の文章を示した図。

【図２８】図２７の文章に形態素解析を施した結果から
抽出した述語−項リストの一例を示した図。

【図２９】図２８の述語−項リストを用いて選択された
拡張語の一例を示した図。

【図３０】図２９の拡張語を単語に展開した場合を示し
た図。

【図３１】図２４の索引語リストに、図３０の拡張語を
追加して得られた索引語リストの一例を示した図。

【図３２】他の文書検索装置の構成例を示した図。

【符号の説明】

２０１…出力部 ２０２…制御部 ２０３…入力部 ２０４…索引作成部 ２０５…語句抽出部 ２０６…基本語抽出部 ２０７…拡張語抽出部 ２０８…文書検索部 ２０９…索引格納部 ２１０…文書構造認識部 ２１１…文書格納部

Claims (12)

【特許請求の範囲】
1. 【請求項１】 複数の文書の中から入力された検索要求
   に応じた文書を検索する文書検索方法において、 前記文書は複数の構成要素で構造化された文書であっ
   て、 前記文書の予め定められた主たる構成要素の中から第１
   の語句を抽出し、さらに、前記文書の前記主たる構成要
   素以外の構成要素の中から前記第１の語句との間で所定
   の条件を満たす第２の語句を抽出し、前記複数の文書の
   それぞれから抽出された前記第１および第２の語句と前
   記検索要求とに基づき文書を検索することを特徴とする
   文書検索方法。
2. 【請求項２】 複数の文書の中から入力された文書に類
   似する文書を検索するための文書検索方法において、 前記文書は複数の構成要素で構造化された文書であっ
   て、 前記入力された文書と検索対象の前記複数の文書のそれ
   ぞれから、該文書の予め定められた主たる構成要素の中
   から第１の語句を抽出し、さらに、該文書の前記主たる
   構成要素以外の構成要素の中から前記第１の語句との間
   で所定の条件を満たす第２の語句を抽出し、前記入力さ
   れた文書と前記検索対象の複数の文書との間で、そのそ
   れぞれから抽出された前記第１および第２の語句の類似
   度を求めて、前記入力された文書に類似する文書を前記
   検索対象の複数の文書の中から検索することを特徴とす
   る文書検索方法。
3. 【請求項３】 予め定められた言語表現にて前記第１の
   語句に関連付けられた語句を第２の語句として抽出する
   ことを特徴とする請求項１または２記載の文書検索方
   法。
4. 【請求項４】 前記第１の語句を項とする述語と同じ述
   語の項になっている語句を第２の語句として抽出するこ
   とを特徴とする請求項１または２記載の文書検索方法。
5. 【請求項５】 複数の文書の中から入力された検索要求
   に応じた文書を検索する文書検索装置において、 前記文書は複数の構成要素で構造化された文書であっ
   て、 前記文書の予められた主たる構成要素の中から第１の語
   句を抽出する第１の抽出手段と、 前記文書の前記主たる構成要素以外の構成要素の中から
   前記第１の語句との間で所定の条件を満たす第２の語句
   を抽出する第２の抽出手段と、 前記複数の文書のそれぞれから抽出された前記第１およ
   び第２の語句と前記検索要求とに基づき文書を検索する
   検索手段と、 を具備したことを特徴とする文書検索装置。
6. 【請求項６】 複数の文書の中から入力された文書に類
   似する文書を検索するための文書検索装置において、 前記文書は複数の構成要素で構造化された文書であっ
   て、 前記入力された文書と検索対象の前記複数の文書のそれ
   ぞれから、該文書の予め定められた主たる構成要素の中
   から第１の語句を抽出する第１の抽出手段と、 前記入力された文書と前記検索対象の複数の文書のそれ
   ぞれから、前記主たる構成要素以外の構成要素の中から
   前記第１の語句との間で所定の条件を満たす第２の語句
   を抽出する第２の抽出手段と、 前記入力された文書と前記検索対象の複数の文書との間
   で、そのそれぞれから抽出された前記第１および第２の
   語句の類似度を求めて、前記入力された文書に類似する
   文書を前記検索対象の複数の文書の中から検索する検索
   手段と、 を具備したことを特徴とする文書検索装置。
7. 【請求項７】 前記第２の抽出手段は、予め定められた
   言語表現にて前記第１の語句に関連付けられた語句を第
   ２の語句として抽出することを特徴とする請求項５また
   は６記載の文書検索装置。
8. 【請求項８】 前記第２の抽出手段は、前記第１の語句
   を項とする述語と同じ述語の項になっている語句を第２
   の語句として抽出することを特徴とする請求項５または
   ６記載の文書検索装置。
9. 【請求項９】 複数の文書の中から入力された検索要求
   に応じた文書を検索するためのプログラムを記憶した機
   械読み取り可能な記憶媒体であって、 前記文書は複数の構成要素で構造化された文書であり、 前記文書の予められた主たる構成要素の中から第１の語
   句を抽出させる第１の抽出手段と、 前記文書の前記主たる構成要素以外の構成要素の中から
   前記第１の語句との間で所定の条件を満たす第２の語句
   を抽出させる第２の抽出手段と、 前記複数の文書のそれぞれから抽出された前記第１およ
   び第２の語句と前記検索要求とに基づき文書を検索させ
   る検索手段と、 を実行するプログラムを記憶した記憶媒体。
10. 【請求項１０】 複数の文書の中から入力された文書に
    類似する文書を検索するためのプログラムを記憶した機
    械読み取り可能な記憶媒体であって、 前記文書は複数の構成要素で構造化された文書であり、 前記入力された文書と検索対象の前記複数の文書のそれ
    ぞれから、該文書の予め定められた主たる構成要素の中
    から第１の語句を抽出させる第１の抽出手段と、 前記入力された文書と前記検索対象の複数の文書のそれ
    ぞれから、前記主たる構成要素以外の構成要素の中から
    前記第１の語句との間で所定の条件を満たす第２の語句
    を抽出させる第２の抽出手段と、 前記入力された文書と前記検索対象の複数の文書との間
    で、そのそれぞれから抽出された前記第１および第２の
    語句の類似度を求めて、前記入力された文書に類似する
    文書を前記検索対象の複数の文書の中から検索させる検
    索手段と、 を実行するプログラムを記録した記憶媒体。
11. 【請求項１１】 前記第２の抽出手段は、予め定められ
    た言語表現にて前記第１の語句に関連付けられた語句を
    第２の語句として抽出させることを特徴とする請求項９
    または１０記載の記憶媒体。
12. 【請求項１２】 前記第２の抽出手段は、前記第１の語
    句を項とする述語と同じ述語の項になっている語句を第
    ２の語句として抽出させることを特徴とする請求項９ま
    たは１０記載の記憶媒体。