JP2001147923A - 類似文書検索装置、類似文書検索方法及び記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】検索キーとして与えられた文書と類似する文書
の他に、その文書に関連した文書を検索結果として提示
する。 【解決手段】データベースに登録された各文書を元に過
去に類似文書として抽出されたことのある文書を階層的
に繋げたネットワーク情報を作成しておく。検索キーと
して与えられた文書と類似する文書Ａ，文書Ｂをデータ
ベースの中から第１の類似文書として検索した際に、２
次検索により上記ネットワーク情報を参照して文書Ａ，
文書Ｂと関連の高い文書Ａ１，文書Ａ２，文書Ｂ等をデ
ータベースの中から第２の類似文書として検索する。こ
れらの文書を当該検索キー文書に対する検索結果として
出力する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、データベースの中
から類似文書を検索する類似文書検索装置であって、特
に過去に類似文書として抽出された文書を含めて検索可
能な類似文書検索装置と、この装置に用いられる類似文
書検索方法及び記録媒体に関する。

【０００２】

【従来の技術】従来、例えば引用文献等として用いられ
る各種文書をデータベース化しておき、その中から指定
された文書（以下、検索キー文書と称す）に類似する文
書を自動検索するシステムがある。このようなシステム
では、検索キー文書に含まれている単語と検索対象とな
る文書に含まれている単語とを比較し、共通する単語の
種類、出現場所、出現回数などからベクトル空間法など
により類似度を算出して、類似度の高い文書を検索結果
として出力している。

【０００３】

【発明が解決しようとする課題】上述したように、従来
の類似文書の検索では、検索キー文書と検索対象文書と
の間の類似度計算により、その中で類似度の高い文書を
検索結果として出力していた。しかしながら、この方法
では、検索キー文書に直接類似している１次的な文書を
抽出することはできても、類似文書として抽出された文
書に関連した２次的な文書を抽出することはできない。
このような２次的な文書は、検索キーとして与えられた
文書との類似度は低くても、関連性の高い文書である可
能性が高いため、検索結果として提示することが望まれ
る。

【０００４】本発明は上記のような点に鑑みなされたも
ので、検索キーとして与えられた文書と類似する文書の
他に、その文書に関連した文書を検索結果として提示す
ることのできる類似文書検索装置、類似文書検索方法及
び記録媒体を提供することを目的とする。

【０００５】

【課題を解決するための手段】本発明の類似文書検索装
置は、検索キーとして与えられた文書と類似する文書を
データベースの中から第１の類似文書として検索する第
１の検索手段の他に、上記第１の類似文書と関連性の高
い他の文書を上記データベースの中から第２の類似文書
として検索する第２の検索手段を備え、上記第１および
第２の類似文書を当該検索キー文書に対する検索結果と
して出力するようにしたものである。

【０００６】詳しくは、データベースに登録された各文
書を元に過去に類似文書として抽出されたことのある文
書を階層的に繋げたネットワーク情報を記憶した記憶手
段を用いて、上記第１の類似文書に対応したネットワー
ク情報を上記記憶手段から読み出し、そのネットワーク
情報に基づいて上記第１の類似文書と関連の高い文書を
上記データベースの中から第２の類似文書として検索す
る。

【０００７】このような構成によれば、検索キーとして
与えられた文書に直接類似している１次的な文書だけで
なく、その文書に関連した２次的な文書を含めて抽出し
て検索結果として出力することができる。

【０００８】

【発明の実施の形態】まず、本発明の実施形態を説明す
る前に理解を容易にするため、本発明の類似文書検索装
置の概要について説明する。

【０００９】本発明の類似文書検索装置は、複数の文書
が登録されたデータベースを備え、検索キーとして与え
られた文書と類似する文書をデータベースの中から検索
する。その際に、検索キーとして与えられた文書と類似
する文書（以下、第１の類似文書と称す）だけでなく、
その第１の類似文書に関連した文書（以下、第２の類似
文書と称す）を含めて検索し、これらの文書を検索結果
として出力するものである。

【００１０】ここで、第２の類似文書の検索は、第１の
類似文書として得られた文書のネットワーク情報に基づ
いて行われる。ネットワーク情報とは、過去に類似文書
として抽出されたことのある文書を階層的に繋げたもの
である。

【００１１】例えば、図１に示すように、検索キーとし
て与えられた文書に対し、文書Ａと文書Ｂが第１の類似
文書として得られたとする。このうち、文書Ａに関して
は、過去に文書Ａ１と文書Ａ２が類似文書として抽出さ
れたことがある。さらに、文書Ａ１に関しては文書Ａ
３、文書Ａ２に関しては文書Ａ４と文書Ａ５、文書Ａ４
と文書Ａ５に関しては文書Ａ６が類似文書として抽出さ
れたことがある。

【００１２】これらの文書の結び付きをネットワーク化
しておき、文書Ａが第１の類似文書として得られた際
に、文書Ａ１，文書Ａ２…を関連性の高い文書つまり第
２の類似文書として抽出する。文書Ｂについても同様で
あり、文書Ｂ１、文書Ｂ２を第２の類似文書として抽出
する。

【００１３】なお、図中の数値は文書間の類似度を表し
ている。例えば検索キー文書と文書Ａとの類似度値は
「０．７」であり、文書Ａと文書Ａ１との類似度値は
「０．６」である。

【００１４】どの時点までの類似文書を抽出するのか
は、ネットワークの階層の深さを指定することで行う。
つまり、階層の深さ「０」であれば、検索キー文書に対
する第１の類似文書として文書Ａと文書Ｂのみが抽出さ
れることになる。階層の深さ「１」であれば、文書Ａか
らは文書Ａ１と文書Ａ２が第２の類似文書として抽出さ
れ、文書Ｂからは文書Ｂ１が第２の類似文書として抽出
されることになる。

【００１５】以下に、このような類似文書の検索を実現
するための実施形態について説明する。

【００１６】（第１の実施形態）図２は本発明の第１の
実施形態に係る類似文書検索装置の構成を示すブロック
図である。なお、本装置は、例えば磁気ディスク等の記
録媒体に記録されたプログラムを読み込み、このプログ
ラムによって動作が制御されるコンピュータによって実
現される。

【００１７】図２に示すように、本装置は制御装置１、
入力装置２、表示装置３、外部記憶装置４から構成され
る。制御装置１は、制御部１ａ（ＣＰＵ）とメモリ部１
ｂからなり、所定のプログラムに従って本装置全体の制
御を行う。入力装置２は、例えばキーボードやマウスな
どからなり、検索条件の入力などを行う場合に用いられ
る。表示装置３は、例えばＣＲＴ（Cathode-ray tube）
やＬＣＤ（Liquid Crystal Display）などからなり、類
似検索結果などを表示する。外部記憶装置４は、例えば
磁気ディスク装置や光ディスク装置などからなり、本装
置で扱われる各種データを保持する。この外部記憶装置
４には、複数の文書が登録された文書データベース４
ａ、この文書データベース４ａに登録された各文書毎に
過去の類似検索によって抽出された文書を階層的に繋げ
たネットワーク情報を記憶したネットワーク記憶部４ｂ
などが設けられている。

【００１８】図３は制御装置１の内部構成を示した図で
ある。

【００１９】制御装置１は制御部１ａとメモリ部１ｂか
らなっている。

【００２０】制御部１ａは各種制御や処理を実行する部
分であり、メイン処理部２００、初期化部２０１、入力
部２０２、出力部２０３、検索対象文書読み出し部２０
４、検索対象文書単語抽出部２０５、検索対象単語出現
頻度算出部２０６、検索キー文書入力部２０７、検索キ
ー単語抽出部２０８、検索キー単語出現頻度算出部２０
９、検索条件設定部２１０、共通単語抽出部２１１、類
似度算出部２１２、ネットワーク制御部２１３、ネット
ワーク類似度比較部２１４、類似文書抽出済み判別部２
１５、検索結果出力部２１６、ネットワーク保存部２１
７などから構成される。

【００２１】また、メモリ部１ｂは各所データを保持す
る部分であり、検索条件設定バッファ部２３０、検索対
象文書格納バッファ部２３１、検索対象単語情報格納バ
ッファ部２３２、検索キー文書格納バッファ部２３３、
検索キー単語情報格納バッファ部２３４、共通単語情報
格納バッファ部２３５、類似度格納バッファ部２３６、
ネットワーク情報格納バッファ部２３７、第１の出力バ
ッファ部２３８、第２の出力バッファ部２３９、抽出済
み文書リストバッファ部２４０、作業バッファ部２４１
などから構成される。

【００２２】ここで、メイン処理部２００は、各処理部
を統括的に制御する部分である。初期化部２０１は、各
バッファ部の初期化を行う。入力部２０２は、ユーザの
設定操作等に対する入力処理を行う。出力部２０３は、
入力部２０２により入力された検索キー文書や各種設定
の内容を表示装置３に出力する。

【００２３】検索対象文書読み出し部２０４は、類似文
書検索時に外部記憶装置４の文書データベース４ａに登
録されている各種文書のテキスト情報を検索対象文書と
して読み込み、それらの文書（テキスト情報）を検索対
象文書格納バッファ部２３１に格納する。

【００２４】検索対象文書単語抽出部２０５は、検索対
象文書格納バッファ部２３１に格納されている各文書に
対する単語切りを行い、各文書毎にその文書の内容を表
す上でキーとなる単語を抽出し、検索対象単語情報格納
バッファ部２３２に格納する。なお、単語切りは、形態
素解析などを用いて行い、その文書の内容を表す上でキ
ーとなる単語は、各単語の品詞情報(例えば「名詞」や
「サ変名詞」)を使って行う。

【００２５】検索対象単語出現頻度算出部２０６は、検
索対象文書単語抽出部２０６により抽出された各単語の
出現頻度を単語種単位で算出し、検索対象単語情報格納
バッファ部２３２に格納する。

【００２６】検索キー文書入力部２０７は、入力装置か
ら入力された検索キー文書のテキスト情報を検索キー文
書格納バッファ部２３４に格納する。

【００２７】検索キー単語抽出部２０８は、検索キー文
書格納バッファ部２３４に格納されている検索キー文書
に対する単語切りを行い、その文書の内容を表す上でキ
ーとなる単語を抽出し、検索キー単語情報格納バッファ
部２３４に格納する。なお、上記検索対象文書単語抽出
部２０５と同様に、単語切りは、形態素解析などを用い
て行い、その文書の内容を表す上でキーとなる単語は、
各単語の品詞情報(例えば「名詞」や「サ変名詞」)を使
って行う。

【００２８】検索対象単語出現頻度算出部２０９は、検
索対象検索キー単語抽出部２１１により抽出された各単
語の出現頻度を単語種単位で算出し、検索キー単語情報
格納バッファ部２３４に格納する。

【００２９】検索条件設定部２１０は、ユーザによって
指定された類似度閾値と、ネットワークの階層数を検索
条件として検索条件設定バッファ部２３０に格納する。

【００３０】共通単語抽出部２１１は、検索キー単語情
報格納バッファ部２３４に格納された検索キー文書の単
語情報と、検索対象単語情報格納バッファ部２３２に格
納された検索対象文書の単語情報とから、両バッファに
格納されている単語とその頻度に関する情報を共通単語
情報格納バッファ部２３５に格納する。

【００３１】類似度算出部２１２は、検索キー単語情報
格納バッファ部２３５と検索対象単語情報格納バッファ
部２３２と共通単語情報格納バッファ部２３５とから、
単語の出現頻度にその単語の重みを加味し、単語ベクト
ル空間法などから検索キー文書と検索対象文書との間の
類似度を算出し、その類似度値を類似度格納バッファ部
２３６に格納する。この類似度格納バッファ部２３６の
中で類似度が上位にある文書が第１の類似文書として判
断され、その文書ＩＤが第１の出力バッファ部２３８に
格納される。

【００３２】ネットワーク部２１３は、類似度格納バッ
ファ部２３６に格納された各文書（検索対象文書）の類
似度値を元に、所定の類似度を有する文書（第１の類似
文書）に対応した指定階層分のネットワーク情報を外部
記憶装置４のネットワーク記憶部４ｂより読み出し、ネ
ットワーク情報格納バッファ部２３７に格納する。

【００３３】ネットワーク類似度比較部２１４は、ネッ
トワーク情報格納バッファ部２３７に格納されたネット
ワーク情報の中から検索条件として指定された閾値以上
の類似度を有する文書を第２の類似文書として判断し、
その文書ＩＤを第２の出力バッファ部２３９に格納す
る。また、抽出済み文書リストバッファ部２４０に対し
て、抽出された文書のＩＤを追加する。

【００３４】類似文書抽出済み判別部２１５は、既に類
似文書として挙がっている文書を他のネットワーク関係
により抽出されないように判別する部分であり、抽出済
み文書リストバッファ部２４０を参照して抽出済みの文
書であるかどうかを判別する。

【００３５】検索結果出力部２１６は、第１の出力バッ
ファ部２３８に格納された類似文書（第１の類似文書）
と第２の出力バッファ部２３９に格納された類似文書
（第２の類似文書）を検索キー文書に対する検索結果と
して表示装置５に出力する。

【００３６】ネットワーク保存部２１７は、表示装置３
に出力された検索結果に対して類似文書として確定され
た文書のネットワーク情報を更新して外部記憶装置４に
保存する。

【００３７】次に、第１の実施形態の動作について説明
する。

【００３８】図４は第１の実施形態における類似文書検
索処理の動作を示すフローチャートである。

【００３９】まず、制御装置１は初期化部２０１を起動
してメモリ部２の各種バッファを初期化する(ステップ
Ａ１０)。次に、制御装置１は検索条件設定部２１０を
起動して類似文書検索モードを設定し、入力装置２を通
じて入力された検索条件を検索条件設定バッファ部２３
０に格納する(ステップＡ１１)。上記検索条件とは、ネ
ットワークの類似度閾値とネットワーク階層である。

【００４０】具体的には、図５に示すような検索条件設
定画面が表示され、この検索条件設定画面上にてネット
ワーク類似度の閾値とネットワーク階層の深さをユーザ
が任意に指定することになる。例えば、「類似度閾値＝
０．５」、「ネットワークの階層＝２」といったような指
定をユーザが行った場合には、検索条件設定バッファ部
２３０の内容は図６のようになる。「類似度閾値＝０．
５」とは、ネットワーク内で類似度「０．５」以上の文
書を類似文書（第２の類似文書）として抽出することを
示し、「ネットワークの階層＝２」とは、抽出対象をネッ
トワークの第２階層までとすることを示す。

【００４１】続いて、制御装置１は検索キー文書入力部
２０７を起動して、ユーザにより検索キーとして指定さ
れた文書のテキスト情報の読み込みを行い、これを検索
キー文書格納バッファ部２３３に格納する(ステップＡ
１２)。なお、検索キーとなる文書は、例えば外部記憶
装置４に保持されており、ユーザの指定操作に伴って検
索キー文書格納バッファ部２３３に読み込まれるものと
する。

【００４２】検索条件と検索キー文書が設定されると、
制御装置１は検索キー単語抽出部２０８を起動し、検索
キー文書格納バッファ部２３３に格納された検索キー文
書のテキスト情報を形態素解析し、その解析結果に基づ
いて当該文書に含まれている各単語を抽出し、検索キー
単語情報格納バッファ部２３４に格納する(ステップＡ
１３)。その際に、検索キー単語出現頻度算出部２０９
によって、上記抽出単語の出現頻度（単語数）を単語種
毎に算出し、その算出結果を上記検索キー単語情報格納
バッファ部２３４に格納する(ステップＡ１４)。

【００４３】例えば、図７に示すような内容を有する文
書が検索キーとして与えられた場合には、検索キー単語
情報格納バッファ部２３４の内容は図８のようになる。
この例では、検索キー文書から「指定」，「文書」，
「類似」，「検索」，「類似文献検索」といった各単語
が抽出され、これらの単語の出現頻度（単語数）と共に
検索キー単語情報格納バッファ部２３４に格納されてい
る。

【００４４】次に、制御装置１は外部記憶装置４の文書
データベース４ａに保持された各文書のそれぞれに対し
て、以下のような類似度算出処理を実行する（ステップ
Ａ１５）。

【００４５】制御装置１は、まず、検索対象文書読み出
し部２０４を起動して、外部記憶装置４の文書データベ
ース４ａの中から検索対象となる文書のテキスト情報を
１件ずつ読み出し、検索対象文書格納バッファ部２３１
に格納する(ステップＡ１６)。

【００４６】続いて、制御装置１は検索対象文書単語抽
出部２０５を起動し、検索対象文書格納バッファ部２３
１に格納された文書のテキスト情報を形態索解析し、そ
の解析結果に基づいて当該文書に含まれている各単語を
抽出して検索対象単語情報格納バッファ部２３２に格納
する(ステップＡ１７)。その際に、検索対象単語出現頻
度算出部２０６によって、上記抽出単語の出現頻度（単
語数）を単語種毎に算出し、その算出結果を上記検索対
象単語情報格納バッファ部２３２に格納する(ステップ
Ａ１８)。

【００４７】例えば、図９に示すような内容を有する文
書が検索対象文書として読み込まれた場合には、検索対
象単語情報格納バッファ部２３２の内容は図１０のよう
になる。この例では、検索対象文書から「指定」，「文
書」，「検索」，「文書検索」といった各単語が抽出さ
れ、これらの単語の出現頻度（単語数）と共に検索対象
単語情報格納バッファ部２３２に格納されている。

【００４８】次に、制御装置１は共通単語抽出部２１１
を起動し、検索キー単語情報格納バッファ部２３４に格
納された各単語と検索対象単語情報格納バッファ部２３
２に格納された各単語とを比較し、両者で共通する単語
を抽出して共通単語情報格納バッファ部２３５に格納す
る(ステップＡ１９)。

【００４９】例えば、検索キー単語情報格納バッファ部
２３４と検索対象単語情報格納バッファ部２３２の内容
がそれぞれ図８、図１０のようであった場合には、共通
単語情報格納バッファ部２３５の内容は図１１のように
なる。この例では、検索キー文書と検索対象文書とで共
通する単語として、「指定」，「文書」，「検索」が抽
出されて共通単語情報格納バッファ部２３５に格納され
ている。

【００５０】ここで、制御装置１は類似度算出部２１２
を起動し、検索対象単語情報格納バッファ部２３２と検
索キー単語情報格納バッファ部２３４、共通単語情報格
納バッファ部２３５のそれぞれの格納情報に基づいて検
索キー文書と検索対象文書との間の類似度を算出し、そ
の類似度値を類似度格納バッファ部２３６に格納する
(ステップＡ２０)。なお、この類似度の算出には、ベク
トル空間法などが用いられる。

【００５１】上記ステップＡ１６〜Ａ２０の処理が文書
データベース４ａ内の全ての文書に対して繰り返し行わ
れる。これにより、類似度格納バッファ部２３６には、
検索対象として用いられる各文書の類似度値が格納され
ることになる。

【００５２】全ての文書に対する類似度算出処理が終わ
ると（ステップＡ１５のＮｏ）、制御装置１は類似度格
納バッファ部２３６の中で類似度値が上位にある文書を
キーにして、以下のような２次検索処理を実行する。な
お、類似度値が上位にある文書とは、所定の閾値以上の
類似度を有する文書のことである。この閾値は予め固定
的に定められていても良いし、ユーザが任意に設定でき
るようにしても良い。

【００５３】制御装置１は、まず、類似度格納バッファ
部２３６の中の類似度値上位文書を第１の類似文書とし
て判断し、その文書ＩＤを第１の出力バッファ部２３８
に登録する（ステップＡ２２）。

【００５４】次に、制御装置１は類似文書抽出済み判別
部２１５を起動し、抽出済み文書リストバッファ部２４
０に２次検索処理の対象とする類似度上位文書のＩＤが
登録されているか否かを判断する(ステップＡ２３)。抽
出済み文書リストバッファ部２４０に当該文書のＩＤが
登録されている場合には（ステップＡ２３のＹｅｓ）、
制御装置１は既に処理済みであると判断してステップＡ
２１に戻る。

【００５５】また、抽出済み文書リストバッファ部２４
０に２次検索処理の対象とする類似度上位文書のＩＤが
登録されていない場合には（ステップＡ２３のＮｏ）、
制御装置１は未処理であると判断し、ネットワーク制御
部２１３を起動して当該文書に対応するネットワーク情
報を外部記憶装置４のネットワーク記憶部４ｂから読み
出し、ネットワーク情報格納バッファ部２３７に格納す
る(ステップＡ２４)。この場合、検索条件設定バッファ
部２３０内に検索条件の１つとして設定されている階層
の深さに従ってネットワーク情報の読み込みを行うもの
とする。

【００５６】例えば、図１に示すようなネットワークで
は、ネットワーク情報格納バッファ部２３７の内容は図
１２のようになる。この例では、文書Ａと文書Ｂの２つ
の文書が類似度上位文書（第１の類似文書）として抽出
された場合のネットワークを示している。文書Ａのネッ
トワーク情報には、「文書Ａ」→「文書Ａ１，文書Ａ
２」→「文書Ａ３，文書Ａ４，文書Ａ５」→「文書Ａ
６」といったように、過去に類似文書として得られた文
書が関連付けられている。また、文書Ｂのネットワーク
情報には、「文書Ｂ」→「文書Ｂ１」→「文書Ｂ２」→
「文書Ｂ３」といったように、過去に類似文書として得
られた文書が関連付けられている。

【００５７】次に、制御装置１はネットワーク類似度比
較部２１４を起動し、そのネットワーク情報の中で閾値
以上の類似度を有する文書が存在するか否かを判別する
(ステップＡ２５)。なお、このときの閾値は検索条件の
１つとして検索条件設定バッファ部２３０に設定されて
いる。

【００５８】閾値以上の類似度を有する文書が存在しな
い場合には（ステップＡ２５のＮｏ）、ステップＡ２１
に戻り、次の類似度上位文書をキーにした２次検索処理
を行うことになる。

【００５９】また、指定閾値以上の類似度を有する文書
が存在した場合には（ステップＡ２５のＹｅｓ）、制御
装置１は、再度、類似文書抽出済み判別部２１５を起動
して、その文書（ネットワーク情報から得られた文書）
のＩＤが抽出済み文書リストバッファ部２４０に登録さ
れているか否かを確認する（ステップＡ２６）。抽出済
み文書リストバッファ部２４０に既に登録済みであれば
（ステップＡ２６のＹｅｓ）、抽出済みの文書であると
して、ステップＡ２１に戻る。

【００６０】抽出済み文書リストバッファ部２４０に登
録されていなければ（ステップＡ２６のＮｏ）、制御装
置１は当該文書（ネットワーク情報から得られた文書）
のＩＤを第２の類似文書として第２の出力バッファ部２
３９に登録すると共に、同文書ＩＤを抽出済み文書リス
トバッファ部２４０に登録する(ステップＡ２７)。

【００６１】詳しくは、現在のネットワーク階層の深さ
を作業バッファ部２４１にセットしながら、各階層毎に
所定の類似度を有する文書を順次抽出し、その文書ＩＤ
を第２の出力バッファ部２３９に登録していく。これを
検索条件として指定された階層の深さまで行った後、次
の類似度上位文書をキーにした２次検索処理を行うべ
く、ステップＡ２１に戻る。

【００６２】全ての類似文書を取得したら、制御装置１
は検索結果出力部２１６を起動し、第１の出力バッファ
部２３８と第２の出力バッファ部２３９の内容を最終的
な検索結果として表示装置３に出力する（ステップＡ２
８）。

【００６３】図１３に検索結果表示画面の一例を示す。
この例では、図１に示すようなネットワークにおいて、
検索条件としてネットワークの類似度閾値＝０．５、ネ
ットワーク階層＝２である場合での検索結果を示してい
る。「文書Ａ」と「文書Ｂ」は検索キーとして与えられ
た文書に直接類似する文書（第１の類似文書）である。
また、「文書Ａ１，Ａ２，Ａ３」と「文書Ｂ１」は「文
書Ｂ」は２次検索処理によって得られた類似文書（第２
の類似文書）である。このうち、「文書Ａ１，Ａ２，Ａ
３」は「文書Ａ」のネットワーク情報、「文書Ｂ１」は
「文書Ｂ」のネットワーク情報から得られたものであ
る。

【００６４】ここで、検索結果が出力された際に、正し
い類似文書か否かをオペレータが確認する(ステップＡ
２９)。つまり、所望の類似文書が検索結果として抽出
されているか否かをオペレータの判断によって決定す
る。これは、今回の検索結果をネットワーク情報に反映
させるためにある。正しい類似文書であれば、入力装置
２の操作により、その類似文書を確定する。また、誤っ
た類似文書が含まれていれば、その類似文書をキャンセ
ルするなどの操作を行う。

【００６５】検索結果として得られた類似文書が正しい
ものとして確定されると、制御装置１はネットワーク保
存部２１７を起動し、その類似文書に関するネットワー
ク情報を図１４のように作成し、そのネットワーク情報
に基づいて外部記憶装置４のネットワーク記憶部４ｂの
内容を更新する(ステップＡ３０)。以後、その更新され
たネットワーク情報を用いて２次検索処理が行われる。

【００６６】なお、ここではオペレータの判断より、正
しい類似文書として確定された文書のネットワーク情報
を更新するようにしたが、所定のプログラムにより正し
い類似文書か否かを判断し、その判断結果に従ってネッ
トワーク情報を更新するようにしても良い。

【００６７】このように、過去の類似検索結果をネット
ワーク化して保持しておくことにより、ある文書が検索
キーとして与えられた際に、その検索キー文書と直接類
似する文書だけでなく、その文書と関連性の高い文書を
抽出することができる。

【００６８】また、２次検索用の条件（類似度閾値およ
びネットワーク階層）を指定しておくことで、検索キー
文書にあまりにもかけ離れた文書を類似文書として出力
することを抑えることができる。

【００６９】（第２の実施形態）次に、本発明の第２の
実施形態について説明する。

【００７０】第２の実施形態では、類似文書として得ら
れた複数の文書を類似度の高い順にソートして出力する
ことを特徴としている。

【００７１】図１５に本発明の第２の実施形態としての
制御装置１の内部構成を示す。なお、図３（第１の実施
形態）と同一部分には同一符号を付して、その説明は省
略するものとする。

【００７２】図１５において、図３と異なる点は、制御
装置１の制御部１ａにソート部２１８が設けられている
ことと、メモリ部１ｂにソートバッファ部２４２が設け
られていることである。ソート部２１８は、類似文書と
して得られた各文書の検索キー文書に対する類似度を算
出し、類似度の高い順に上記各文書の出力順位を決定
し、その出力順位に従って各文書をソートしてソートバ
ッファ部２４２に格納する。この場合、検索結果出力部
２１６では、ソートバッファ部２４２に格納された各文
書を検索キー文書に対する検索結果として表示装置５に
出力する。

【００７３】次に、第２の実施形態の動作について説明
する。

【００７４】図１６は第２の実施形態における類似文書
検索処理の動作を示すフローチャートである。なお、図
１６のステップＢ１０〜Ｂ２７までの処理は上記図４
（第１の実施形態）のステップＡ１０〜Ａ２７までの処
理と同様である。

【００７５】すなわち、まず、制御装置１は初期化部２
０１を起動してメモリ部２の各種バッファを初期化した
後(ステップＢ１０)、検索条件設定部２１０を起動して
類似文書検索モードを設定し、入力装置２を通じて入力
された検索条件を検索条件設定バッファ部２３０に格納
する(ステップＢ１１)。この場合、検索条件とは、ネッ
トワークの類似度閾値と、ネットワークの階層数であ
る。

【００７６】続いて、制御装置１は検索キー文書入力部
２０７を起動して、ユーザにより検索キーとして指定さ
れた文書のテキスト情報の読み込みを行い、これを検索
キー文書格納バッファ部２３３に格納する(ステップＢ
１２)。なお、検索キーとなる文書は、例えば外部記憶
装置４に保持されており、ユーザの指定操作に伴って検
索キー文書格納バッファ部２３３に読み込まれるものと
する。

【００７７】検索条件と検索キー文書が設定されると、
制御装置１は検索キー単語抽出部２０８を起動し、検索
キー文書格納バッファ部２３３に格納された検索キー文
書のテキスト情報を形態素解析し、その解析結果に基づ
いて当該文書に含まれている各単語を抽出し、検索キー
単語情報格納バッファ部２３４に格納する(ステップＢ
１３)。その際に、検索キー単語出現頻度算出部２０９
によって、上記抽出単語の出現頻度（単語数）を単語種
毎に算出し、その算出結果を上記検索キー単語情報格納
バッファ部２３４に格納する(ステップＢ１４)。

【００７８】次に、制御装置１は外部記憶装置４の文書
データベース４ａに保持された各文書のそれぞれに対し
て、以下のような類似度算出処理を実行する（ステップ
Ｂ１５）。

【００７９】制御装置１は、まず、検索対象文書読み出
し部２０４を起動して、外部記憶装置４の文書データベ
ース４ａの中から検索対象となる文書のテキスト情報を
１件ずつ読み出し、検索対象文書格納バッファ部２３１
に格納する(ステップＢ１６)。

【００８０】続いて、制御装置１は検索対象文書単語抽
出部２０５を起動し、検索対象文書格納バッファ部２３
１に格納された文書のテキスト情報を形態索解析し、そ
の解析結果に基づいて当該文書に含まれている各単語を
抽出して検索対象単語情報格納バッファ部２３２に格納
する(ステップＢ１７)。その際に、検索対象単語出現頻
度算出部２０６によって、上記抽出単語の出現頻度（単
語数）を単語種毎に算出し、その算出結果を上記検索対
象単語情報格納バッファ部２３２に格納する(ステップ
Ｂ１８)。

【００８１】次に、制御装置１は共通単語抽出部２１１
を起動し、検索キー単語情報格納バッファ部２３４に格
納された各単語と検索対象単語情報格納バッファ部２３
２に格納された各単語とを比較し、両者で共通する単語
を抽出して共通単語情報格納バッファ部２３５に格納す
る(ステップＢ１９)。

【００８２】ここで、制御装置１は類似度算出部２１２
を起動し、検索対象単語情報格納バッファ部２３２と検
索キー単語情報格納バッファ部２３４、共通単語情報格
納バッファ部２３５のそれぞれの格納情報に基づいて検
索キー文書と検索対象文書との間の類似度を算出し、そ
の類似度値を類似度格納バッファ部２３６に格納する
(ステップＢ２０)。なお、この類似度の算出には、ベク
トル空間法などが用いられる。

【００８３】上記ステップＢ１６〜Ｂ２０の処理が文書
データベース４ａ内の全ての文書に対して繰り返し行わ
れる。これにより、類似度格納バッファ部２３６には、
検索対象として用いられる各文書の類似度値が格納され
ることになる。

【００８４】全ての文書に対する類似度算出処理が終わ
ると（ステップＢ１５のＮｏ）、制御装置１は類似度格
納バッファ部２３６の中で類似度値が上位にある文書に
対して、以下のような２次検索処理を実行する。なお、
類似度値が上位にある文書とは、所定の閾値以上の類似
度を有する文書のことである。この閾値は予め固定的に
定められていても良いし、ユーザが任意に設定できるよ
うにしても良い。

【００８５】制御装置１は、まず、類似度格納バッファ
部２３６の中の類似度値上位文書を第１の類似文書とし
て判断し、その文書ＩＤを第１の出力バッファ部２３８
に登録する（ステップＢ２２）。

【００８６】次に、制御装置１は類似文書抽出済み判別
部２１５を起動し、抽出済み文書リストバッファ部２４
０に２次検索処理の対象とする類似度上位文書のＩＤが
登録されているか否かを判断する(ステップＢ２３)。抽
出済み文書リストバッファ部２４０に当該文書のＩＤが
登録されている場合には（ステップＢ２３のＹｅｓ）、
制御装置１は既に処理済みであると判断してステップＢ
２１に戻る。

【００８７】また、抽出済み文書リストバッファ部２４
０に２次検索処理の対象とする類似度上位文書のＩＤが
登録されていない場合には（ステップＢ２３のＮｏ）、
制御装置１は未処理であると判断し、ネットワーク制御
部２１３を起動して当該文書に対応するネットワーク情
報を外部記憶装置４のネットワーク記憶部４ｂから読み
出し、ネットワーク情報格納バッファ部２３７に格納す
る(ステップＢ２４)。この場合、検索条件設定バッファ
部２３０内に検索条件の１つとして設定されている階層
数に従ってネットワーク情報の読み込みを行うものとす
る。

【００８８】次に、制御装置１はネットワーク類似度比
較部２１４を起動し、そのネットワーク情報の中で閾値
以上の類似度を有する文書が存在するか否かを判別する
(ステップＢ２５)。なお、このときの閾値は検索条件の
１つとして検索条件設定バッファ部２３０に設定されて
いる。

【００８９】閾値以上の類似度を有する文書が存在しな
い場合には（ステップＢ２５のＮｏ）、ステップＢ２１
に戻り、次の類似度上位文書をキーにした２次検索処理
を行うことになる。

【００９０】また、指定閾値以上の類似度を有する文書
が存在した場合には（ステップＢ２５のＹｅｓ）、制御
装置１は、再度、類似文書抽出済み判別部２１５を起動
して、その文書（ネットワーク情報から得られた文書）
のＩＤが抽出済み文書リストバッファ部２４０に登録さ
れているか否かを確認する（ステップＢ２６）。抽出済
み文書リストバッファ部２４０に既に登録済みであれば
（ステップＢ２６のＹｅｓ）、抽出済みの文書であると
して、ステップＢ２１に戻る。

【００９１】抽出済み文書リストバッファ部２４０に登
録されていなければ（ステップＢ２６のＮｏ）、制御装
置１は当該文書（ネットワーク情報から得られた文書）
のＩＤを第２の類似文書として第２の出力バッファ部２
３９に登録すると共に、同文書ＩＤを抽出済み文書リス
トバッファ部２４０に登録する(ステップＢ２７)。

【００９２】詳しくは、現在のネットワーク階層数を作
業バッファ部２４１にセットしながら、各階層毎に所定
の類似度を有する文書を順次抽出し、その文書ＩＤを第
２の出力バッファ部２３９に登録していく。これを所定
の階層数まで行った後、次の類似度上位文書をキーにし
た２次検索処理を行うべく、ステップＢ２１に戻る。

【００９３】ここで、第２の実施形態では、全ての類似
文書を取得後、制御装置１はソート部２１８を起動す
る。ソート部２１８では、類似度格納バッファ部２３６
の内容とネットワーク情報格納バッファ部２３７のネッ
トワーク関係の類似度に基づいて、第１の出力バッファ
部２３８および第２の出力バッファ部２３９に格納され
た各文書の検索キー文書に対する類似度を再計算し、そ
の計算結果に従って各文書のＩＤを類似度の高い順にソ
ートしてソートバッファ部２４２に格納する(ステップ
Ｂ２８)。

【００９４】例えば、図１７のような検索結果が得られ
ていたとすると、ソート結果は図１８のようになる。こ
の場合の類似度の再計算は、以下のような式で表され
る。

【００９５】 Ｓ＝s0 ［ ＊ s1 ［ … ［ ＊ sｎ］］］ Ｓ：類似度再計算の結果 ｓ：文書間の類似度 0，1，ｎ：ネットワーク階層の深さ 具体的に説明すると、図１７の例において、「文書Ａ」
は階数の深さ「０」であるため、検索キー文書との類似
度Ｓは「０．７」となる。「文書Ａ１」は階数の深さ
「１」であるため、検索キー文書との類似度Ｓは「０．
７＊０．６」となる。「文書Ａ２」は階数の深さ「１」
であるため、検索キー文書との類似度Ｓは「０．７＊
０．５」となる。「文書Ａ３」は階数の深さ「２」であ
るため、検索キー文書との類似度Ｓは「０．７＊０．６
＊０．５」となる。同様に、「文書Ｂ」は階数の深さ
「０」であるため、検索キー文書との類似度Ｓは「０．
４」となる。「文書Ｂ１」は階数の深さ「１」であるた
め、検索キー文書との類似度Ｓは「０．４＊０．８」と
なる。

【００９６】続いて、制御装置１は検索結果出力部２１
６を起動し、ソートバッファ部２４２の内容を最終的な
検索結果として表示装置３に出力する（ステップＢ２
９）。

【００９７】図１９に検索結果表示画面の一例を示す。
この例では、類似度値の高い方から「文書Ａ」，「文書
Ａ１」，「文書Ｂ」，「文書Ａ２」，「文書Ｂ」，「文
書Ａ３」といった順で検索結果が出力されている。

【００９８】以後の処理は図４と同様であり、検索結果
が出力された際に、正しい類似文書か否かをオペレータ
が確認し(ステップＢ３０)、類似文書が正しいものとし
て確定されると、制御装置１はネットワーク保存部２１
７を起動し、その類似文書に関するネットワーク情報を
作成して外部記憶装置４のネットワーク記憶部４ｂの内
容を更新する(ステップＢ３１)。なお、ここではオペレ
ータの判断より、正しい類似文書として確定された文書
のネットワーク情報を更新するようにしたが、所定のプ
ログラムにより正しい類似文書か否かを判断し、その判
断結果に従ってネットワーク情報を更新するようにして
も良い。

【００９９】このように、類似文書として得られた複数
の文書が類似度の高い順に出力される。したがって、最
も確からしい類似文書がどの文書であるかを確認するこ
とができる。

【０１００】なお、本発明の類似文書検索装置は、例え
ば特許分野における引用文献の検索の他、一般的なパー
ソナルコンピュータ等におけるファイル管理など、検索
を必要とする技術一般に広く適用できるものである。

【０１０１】また、上述した各実施形態において記載し
た手法は、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、例えば磁気ディスク（フロッピーディス
ク、ハードディスク等）、光ディスク（ＣＤ−ＲＯＭ、
ＤＶＤ等）、半導体メモリなどの記録媒体に書き込んで
各種装置に適用したり、通信媒体により伝送して各種装
置に適用することも可能である。本装置を実現するコン
ピュータは、記録媒体に記録されたプログラムを読み込
み、このプログラムによって動作が制御されることによ
り、上述した処理を実行する。

【０１０２】

【発明の効果】以上詳記したように本発明によれば、検
索キーとして与えられた文書に直接類似している１次的
な文書（第１の類似文書）だけでなく、その文書に関連
した２次的な文書（第２の類似文書）を含めて抽出する
ことができ、類似文書として有効な文書をユーザに適切
に提示することができる。

【図面の簡単な説明】

【図１】本発明の類似文書検索装置の概要を説明するた
めの図。

【図２】本発明の類似文書検索装置の構成を示すブロッ
ク図

【図３】本発明の第１の実施形態における制御装置の内
部構成を示す図。

【図４】本発明の第１の実施形態における類似文書検索
処理の動作を示すフローチャート。

【図５】検索条件設定画面を示す図。

【図６】検索条件設定バッファ部のデータ構造を示す
図。

【図７】検索キー文書の一例を示す図。

【図８】検索キー単語情報格納バッファ部のデータ構造
を示す図。

【図９】検索対象文書の一例を示す図。

【図１０】検索対象単語情報格納バッファ部のデータ構
造を示す図。

【図１１】共通単語情報格納バッファ部のデータ構造を
示す図。

【図１２】ネットワーク情報格納バッファ部のデータ構
造を示す図。

【図１３】検索結果表示画面の一例を示す図。

【図１４】更新後のネットワーク情報格納バッファ部の
データ構造を示す図。

【図１５】本発明の第２の実施形態における制御装置の
内部構成を示す図。

【図１６】本発明の第２の実施形態における類似文書検
索処理の動作を示すフローチャート。

【図１７】類似文書検索結果を示す図。

【図１８】ソートバッファ部のデータ構造を示す図。

【図１９】ソート後の検索結果表示画面の一例を示す
図。

【符号の説明】

１…制御装置 １ａ…制御部 １ｂ…メモリ部 ２…入力装置 ３…表示装置 ４…外部記憶装置 ４ａ…文書データベース ４ｂ…ネットワーク記憶部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 齋藤 裕美 東京都青梅市末広町２丁目９番地 株式会 社東芝青梅工場内 (72)発明者 小林 勉 東京都青梅市末広町２丁目９番地 株式会 社東芝青梅工場内 (72)発明者 山崎 弘 東京都青梅市新町３丁目３番地の１ 東芝 コンピュ―タエンジニアリング株式会社内 (72)発明者 中本 幸夫 東京都青梅市新町３丁目３番地の１ 東芝 コンピュ―タエンジニアリング株式会社内 (72)発明者 仁科 卓哉 東京都青梅市新町３丁目３番地の１ 東芝 コンピュ―タエンジニアリング株式会社内 (72)発明者 松隈 剛 東京都青梅市新町３丁目３番地の１ 東芝 コンピュ―タエンジニアリング株式会社内 Ｆターム(参考） 5B075 ND03 ND35 PP24 PR06 QM05

Claims (8)

【特許請求の範囲】
1. 【請求項１】 複数の文書が登録されたデータベース
   と、 検索キーとして与えられた文書と類似する文書を上記デ
   ータベースの中から第１の類似文書として検索する第１
   の検索手段と、 この第１の検索手段によって得られた上記第１の類似文
   書と関連性の高い他の文書を上記データベースの中から
   第２の類似文書として検索する第２の検索手段と、 上記第１および第２の検索手段によって得られた上記第
   １および第２の類似文書を当該検索キー文書に対する検
   索結果として出力する出力手段とを具備したことを特徴
   とする類似文書検索装置。
2. 【請求項２】 複数の文書が登録されたデータベース
   と、 このデータベースに登録された各文書を元に過去に類似
   文書として抽出されたことのある文書を階層的に繋げた
   ネットワーク情報を記憶した記憶手段と、 検索キーとして与えられた文書と類似する文書を上記デ
   ータベースの中から第１の類似文書として検索する第１
   の検索手段と、 この第１の検索手段によって得られた上記第１の類似文
   書に対応したネットワーク情報を上記記憶手段から読み
   出し、そのネットワーク情報に基づいて上記第１の類似
   文書と関連の高い文書を上記データベースの中から第２
   の類似文書として検索する第２の検索手段と、 上記第１および第２の検索手段によって得られた上記第
   １および第２の類似文書を当該検索キー文書に対する検
   索結果として出力する出力手段と、 を具備したことを特徴とする類似文書検索装置。
3. 【請求項３】 類似度閾値およびネットワーク階層を検
   索条件として指定する指定手段を有し、 上記第２の検索手段は、上記指定手段によって指定され
   た階層までのネットワーク情報に含まれ、上記類似度閾
   値以上の類似度を有する文書を第２の類似文書として検
   索することを特徴とする請求項２記載の類似文書検索装
   置。
4. 【請求項４】 上記第１および第２の類似文書として得
   られた各文書に対する上記検索キー文書との類似度を上
   記ネットワーク情報の階層を加味して算出し、その類似
   度の高い順に出力順位を決定する出力順位決定手段を有
   し、 上記出力手段は、この出力順位決定手段によって決定さ
   れた出力順位に従って上記第１および第２の類似文書と
   して得られた各文書を出力することを特徴とする請求項
   ２記載の類似文書検索装置。
5. 【請求項５】 複数の文書が登録されたデータベースの
   中から類似文書を検索する類似文書検索方法であって、 検索キーとして与えられた文書と類似する文書を上記デ
   ータベースの中から第１の類似文書として検索し、 この第１の類似文書と関連性の高い他の文書を上記デー
   タベースの中から第２の類似文書として検索し、 上記第１および第２の類似文書を当該検索キー文書に対
   する検索結果として出力することを特徴とする類似文書
   検索方法。
6. 【請求項６】 複数の文書が登録されたデータベースの
   中から類似文書を検索する類似文書検索方法であって、 上記データベースに登録された各文書を元に過去に類似
   文書として抽出されたことのある文書を階層的に繋げた
   ネットワーク情報をメモリに記憶しておき、 検索キーとして与えられた文書と類似する文書を上記デ
   ータベースの中から第１の類似文書として検索し、 この第１の類似文書に対応したネットワーク情報を上記
   メモリから読み出し、そのネットワーク情報に基づいて
   上記第１の類似文書と関連の高い文書を上記データベー
   スの中から第２の類似文書として検索し、 上記第１および第２の類似文書を当該検索キー文書に対
   する検索結果として出力することを特徴とする類似文書
   検索方法。
7. 【請求項７】 複数の文書が登録されたデータベースを
   備えたコンピュータに、 検索キーとして与えられた文書と類似する文書を上記デ
   ータベースの中から第１の類似文書として検索する機能
   と、 この第１の類似文書と関連性の高い他の文書を上記デー
   タベースの中から第２の類似文書として検索する機能
   と、 上記第１および第２の類似文書を当該検索キー文書に対
   する検索結果として出力する機能とを実行させるプログ
   ラムを記録したコンピュータ読取り可能な記録媒体。
8. 【請求項８】 複数の文書が登録されたデータベースを
   備えたコンピュータに、 上記データベースに登録された各文書を元に過去に類似
   文書として抽出されたことのある文書を階層的に繋げた
   ネットワーク情報をメモリに記憶させる機能と、 検索キーとして与えられた文書と類似する文書を上記デ
   ータベースの中から第１の類似文書として検索する機能
   と、 この第１の類似文書に対応したネットワーク情報を上記
   メモリから読み出し、そのネットワーク情報に基づいて
   上記第１の類似文書と関連の高い文書を上記データベー
   スの中から第２の類似文書として検索機能と、 上記第１および第２の類似文書を当該検索キー文書に対
   する検索結果として出力する機能とを実行させるプログ
   ラムを記録したコンピュータ読取り可能な記録媒体。