JP2001312489A

JP2001312489A - 文書論理構造抽出方法

Info

Publication number: JP2001312489A
Application number: JP2000134233A
Authority: JP
Inventors: Takaaki Nomura; 高明野村
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2000-04-28
Filing date: 2000-04-28
Publication date: 2001-11-09

Abstract

(57)【要約】【課題】べた書きの文書からの章節項等・図表・参考文
献の論理構造抽出時に、文章の追加・削除・移動等の編
集により、番号の重複や抜け・形式の間違いが発見され
ることがあり、ユーザの訂正に手間がかかっていた。【解決手段】文書論理構造を章節項等・図表・参考文献
に対応する要素と、番号の形式・見出しの書式等を共有
する要素の集合で表し、べた書き文書１０８から正しく
抽出された要素のリストを提示すると共に、間違い発見
までに抽出された論理構造集合／要素の管理情報１０
５、１０６から訂正例のリストを作成・提示し、ユーザ
はその中から正しい番号を選択する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、べた書きの文書よ
り章節項等・図表・参考文献の論理構造の要素を抽出す
る文書論理構造抽出方法に関するものである。ここで、
べた書きの文書とは、ＳＧＭＬやＬＡＴＥＸが提供して
いるような論理構造を直接示すためのタグやコマンドあ
るいは、論理構造を表すための制御コードのような情報
を含まない文書のことを指す。

【０００２】

【従来の技術】べた書きの文書では、作成者の単純な誤
りの他に、文章の追加・削除・移動等の編集により、章
節項等・図表・参考文献の論理構造の要素の番号に重複
・抜け・形式の誤り等の不整合が生じることがある。従
来の文書論理構造抽出方法では、特開平９−１０１９５
９号公報の「構造化文書生成装置」に見られるように、
論理構造の要素を抽出する手段の他に、論理構造抽出中
に上記の不整合によるエラーが生じた際に、ユーザに対
してエラー内容を提示して訂正を求め、訂正内容を反映
する手段を設けたものがあった。

【０００３】

【発明が解決しようとする課題】上記公知例では、ユー
ザに対してはエラーの種類とエラーの原因となった部分
を表示するだけで、ユーザはそれだけを元に自らエラー
を解決するような文書の訂正を行う必要があった。その
ため、例えば章の追加で章番号の重複が生じたりする
と、章番号を含む章節項等・図表の番号を訂正するのに
手間がかかり、場合によっては新たな誤りが入る可能性
もあった。

【０００４】本発明の目的は、上記エラーを解決するよ
うな番号の訂正例をユーザに提示し、上記のようなユー
ザの負担を軽減することである。

【０００５】

【課題を解決するための手段】本発明では、上記目的を
達成するため、文書論理構造の個々の章節項等・図表・
参考文献を要素と呼ぶ時、該要素の階層関係や番号の形
式の管理情報を記憶し、抽出された該要素の番号の不整
合を該要素の該管理情報から検出し、抽出された該要素
の番号の訂正例のリストを該要素の該管理情報から求
め、文書の抽出中の場所をユーザに提示し、該要素の抽
出・訂正を行う毎に正しく抽出された該要素のリストに
新たに抽出された該要素を追加してユーザに提示し、不
整合を生じた該要素の番号の該訂正例のリストより正し
い番号をユーザに選択させ、該要素の番号をユーザの選
択に応じて文書中で訂正するようにした。

【０００６】

【発明の実施の形態】以下、図面を参照して本発明の一
実施形態について説明する。

【０００７】図１は、本発明のシステム構成図である。
中央処理装置（ＣＰＵ）１０１は全体の制御を行う。キ
ーボード１０２からは、文字列入力や、矢印キーによる
位置入力、ファンクションキーによるコマンド入力等を
行う。マウス１０３からは、ディスプレイ１０４上の位
置を入力する。ディスプレイ１０４には、ユーザの作成
したべた書きの文書、それから抽出された章節項等（以
後簡単のために章節と書く）・図表・参考文献の論理構
造の要素のリスト、論理構造抽出中に番号や形式の不整
合を生じた要素の番号の該訂正例のリスト等を表示す
る。抽出中の論理構造集合管理情報１０５、論理構造要
素管理情報１０６は、主記憶装置１０７に格納する。論
理構造集合、論理構造要素については、後述する。べた
書き文書１０８と、抽出された論理構造情報をそれに付
加したタグ付き文書１０９は、外部記憶装置１１０に
格納する。

【０００８】図２は、べた書きの文書の一例である。第
Ｘ章（Ｘはアラビア数字）の形式で番号を振る章と、§
Ｘ．Ｙ（Ｘは章番号、Ｙは節番号で共にアラビア数字）
の形式で番号を振る節が表示されている。§２．４は、
§２．３の誤りである。四角で囲ったのは、現在抽出中
であることを表す。

【０００９】図３は、べた書きの文書からの論理構造抽
出中にシステムがディスプレイ１０４に表示した、シス
テム抽出結果の文書論理構造要素のリストで、章節目次
３０２、図目次３０３、表目次３０４、参考文献一覧３
０５から成っている。３０６、３０７は、スクロールバ
ーである。

【００１０】図４は、図２の文書に対してシステムが表
示した章節見出し訂正例のリストである。ユーザは、図
２の文書や図３の抽出結果をみながら、図４の中から適
切な訂正例をマウスやキーボードで選ぶだけで、元文書
の論理構造要素の番号やその形式の誤りを無くすことが
できる。リストの１番目は、最後に抽出された要素（§
２．２）の次の要素。２番目は§２．２の上位の要素
（第１章）の次の要素。３番目は§２．２の下位の先頭
要素。４番目はそれらのどれでもない場合でユーザ自ら
訂正したい場合に選択する。５番目はシステムが間違っ
て抽出したもの（本文中で章や節を参照している箇所
等）を無視したい場合に選択する。６番目、７番目は論
理構造抽出そのものを中止したい場合に選択する。６番
目はそれまでのシステムの訂正を保存し、７番目はそれ
を破棄する。

【００１１】図５は、論理構造抽出に用いる章節・図表
の見出しのシンタクスを示す図である。図６〜図１０
は、各々図５における接頭辞、要素No、分離子、接尾
辞、名称のシンタクスを示す図である。四角で示したも
のは非終端記号、四角の角を丸めたものは終端記号に相
当する。文書の種類に応じて、接頭辞、分離子、接尾辞
を表す語を追加してもよい。要素Noの文字種別も丸付き
文字等を追加してもよい。章節・図表の文書論理構造
は、個別の章節・図表を「要素」で、同一階層レベルの
要素が共有する見出しの形式・書式等を「集合」（「要
素」の集合）で表現する。集合、要素の管理情報１０
５、１０６の内容は次のようなものである。

【００１２】（１）集合管理情報（ａ）集合id…各集合に作成順に付けた識別子。idは、
システムが付ける１以上の数字（以下同じ）。

【００１３】（ｂ）名称…各集合の章、節、図等の名
称。

【００１４】（ｃ）上位要素id…各集合の直ぐ上位の要
素の要素id。上位要素が存在しなければ０とする。要素
idは各要素に作成順に付けた識別子。

【００１５】（ｄ）先頭要素id…各集合の下位の先頭の
要素の要素id。先頭要素が存在しなければ０とする。先
頭から末尾までの順序は、文書における出現順とする。

【００１６】（ｅ）末尾要素id…各集合の下位の末尾の
要素の要素id。末尾要素が存在しなければ０とする。

【００１７】（ｆ）要素Noの接頭辞…各要素の要素Noの
前に来る語。要素Noの形式が「第Ｘ．Ｙ節」であれば、
第が相当する。

【００１８】（ｇ）要素Noの分離子…各要素の要素Noと
その上位の要素の要素Noの間に来る語。要素Noの形式が
「第Ｘ．Ｙ節」であれば、．が相当する。

【００１９】（ｈ）要素Noの接尾辞…各要素の要素Noの
後に来る語。要素Noの形式が「第Ｘ．Ｙ節」であれば、
節が相当する。

【００２０】（ｉ）要素Noの文字サイズ…各要素の要素
Noの半角／全角。

【００２１】（ｊ）要素Noの文字種別…各要素の要素No
の表記文字。アラビア数字、英字大文字、英字小文字、
ローマ数字、漢数字等。

【００２２】（ｋ）見出しの行形式…各要素の見出しの
行形式。左揃え／中央揃え／右揃え等。

【００２３】（ｌ）見出しの文字属性…各要素の見出し
の文字属性。フォントの種類・サイズ・色等。

【００２４】（ｍ）参照Noの文字属性…各要素の参照No
（文書本文中で参照する時の番号）の文字属性。フォン
トの種類・サイズ・色等。

【００２５】（２）要素管理情報（ａ）要素id…各要素に作成順に付けた識別子。

【００２６】（ｂ）名称…各要素にユーザが付けた名
称。図２の§２．１では「前提ハードウェア」が相当す
る。

【００２７】（ｃ）集合id…各要素の属する集合の集合
id。

【００２８】（ｄ）前要素id…各要素の前の要素の要素
id。前要素が存在しなければ０とする。先頭から末尾ま
での順序は、文書における出現順とする。

【００２９】（ｅ）次要素id…各要素の次の要素の要素
id。次要素が存在しなければ０とする。

【００３０】（ｆ）下位集合id…各要素の直ぐ下位の集
合の集合id。下位集合が存在しなければ０とする。章節
項等、図、表、参考文献の各々に対して存在する。

【００３１】（ｇ）要素の見出しの位置…各要素の見出
しの位置。位置は、頁No、領域id、行No等で管理する。
領域は文書の各頁をテキスト・図形・表・画像等の矩
形領域に分けて管理する場合の矩形領域のことをいう。

【００３２】（１）（ｂ）〜（ｍ）の情報は、上位要素
を共有する同一階層の各要素に共通するので、集合で代
表して持っているが、集合を使わずに各要素毎に持つよ
うにしてもよい。

【００３３】図１１は、文書論理構造の抽出・訂正の処
理フローである。処理フローには、ＰＡＤ（Problem An
alysis Diagram）を用いている。ステップ１１０１で
は、システムが外部記憶装置１１０内のべた書き文書の
ファイル１０８をオープンする。ステップ１１０２は、
ステップ１１０３、１１０４、１１１３を文書末尾まで
繰り返すことを表す。ステップ１１０３では、頁データ
を主記憶装置１０７に読み込む。ステップ１１０４は、
ステップ１１０５〜１１０９の処理の繰り返しを表す。
ステップ１１０５、１１０６では、現在処理している頁
にパラグラフの境界（改行コード、改頁コードあるいは
文書末尾）が無ければ、ステップ１１０４のループを抜
ける。ステップ１１０７では、パラグラフデータ（文書
先頭またはパラグラフ境界の直後から次のパラグラフ境
界までのテキスト・データ）を読み込む。ステップ１１
０８では、読み込んだパラグラフが章・節・項等の見出
しであるか本体であるかを判別する。ここでは１行から
成るパラグラフを見出し、それ以外のパラグラフを本体
と仮に判別する。ステップ１１０９では、パラグラフが
見出しである場合にステップ１１１０、１１１１の処理
を行う。ステップ１１１０では、見出しのシンタクスを
図５〜図１０のシンタクスに基づき解析する。ステップ
１１１１では、見出しが図５〜図１０のシンタクスに従
うならば、ステップ１１１２の章節論理構造の更新（後
述）を行う。ステップ１１１３では、ステップ１１１４
〜ステップ１１１９の処理を繰り返すことを表す。ステ
ップ１１１４では、頁内の図表を含む可能性のある領域
をサーチする。ステップ１１１５、１１１６では、図表
が見つからなければ、ステップ１１１３のループを抜け
る。ステップ１１１７では、領域の先頭あるいは末尾
（あるいはそれらの近く）にあるテキストデータである
見出しを求める。ステップ１１１８では、ステップ１１
１０と同様に見出しのシンタクスを解析する。ステップ
１１１９では、見出しが図５〜図１０のシンタクスに従
うならば、ステップ１１２０の図表論理構造の更新（後
述）を行う。ステップ１１２１では、べた書き文書のフ
ァイルをクローズする。ステップ１１２２では、論理構
造の抽出・訂正を行ったタグ付き文書を出力する（後
述）。

【００３４】図１２は、図１１におけるステップ１１１
２の章節論理構造の更新の処理フローである。ステップ
１２０１では、見出し中の最後の要素Noが１であるか否
かに応じて、ステップ１２０２〜１２０７、ステップ１
２０８〜ステップ１２１７の処理を各々行う。ステップ
１２０２では、見出し中の上位章節要素の要素Noと見出
しの形式（接頭辞、分離子、接尾辞、文字サイズ、文字
種別）を直前に抽出された章節要素及びその上位章節要
素の属する章節集合の管理情報と比較し、一致するか否
かをチェックする。ステップ１２０３、１２０４では、
不整合があった場合に見出し訂正（後述）を行う。ここ
で、論理構造の抽出の始めで直前に抽出された章節要素
が無い場合は、上位章節要素は無いので、ステップ１２
０２〜１２０４は省略する。ステップ１２０５では、直
前に抽出された章節要素の要素Noを、章節要素の上位要
素Noを格納するためのスタックにプッシュする。ステッ
プ１２０６では、直前に抽出された章節要素の下位に章
節集合とその先頭章節要素を作成し、各々現在章節集
合、現在章節要素とする。ここで、現在章節集合／要素
とは、処理の対象とする章節集合／要素のことであり、
抽出の始めには直前に抽出された章節要素が現在章節要
素となっている。ステップ１２０７では、見出しの形式
を現在章節集合に設定する。ステップ１２０８では、見
出し中の要素Noが直前に抽出された章節要素の要素No＋
１に一致し、かつ見出しの形式が現在章節集合と一致す
るのでないなら、ステップ１２０９〜１２１３の処理
（直前に抽出された章節要素の上位要素の次要素の抽
出）を行う。ステップ１２０８の条件が満たされる場合
には、ステップ１２１４〜１２１７の処理（直前に抽出
された章節要素の次要素の抽出）を行う。ステップ１２
０９は、ステップ１２１０〜１２１３の処理の繰り返し
を表す。ステップ１２１０では、前述のスタックより要
素Noをポップする。ここで、スタックに要素Noが無くな
った場合は、スタックポインタ、現在章節集合／要素を
ステップ１２０９のループに入る前の状態に戻して、ス
テップ１２０９のループを抜け、ステップ１２１５、１
２１６で見出し訂正を行う。ステップ１２１１、１２１
２では、見出し中の要素Noがポップした要素No＋１に一
致し、かつ見出しの形式が現在章節集合と一致したら、
ステップ１２０９のループを抜ける。ステップ１２１３
では、現在章節集合の上位章節要素とその属する章節集
合を各々現在章節要素・章節集合とし、ステップ１２１
０に戻る。ステップ１２１４では、ステップ１２０２と
同様に見出し中の上位章節要素の要素Noと見出しの形式
を直前に抽出された章節要素及びその上位章節要素の属
する章節集合の管理情報と比較し、一致するか否かをチ
ェックする。ステップ１２１５、１２１６では、不整合
があった場合に見出し訂正（後述）を行う。ステップ１
２１７では、現在章節要素の後に章節要素を追加し、現
在章節要素とする。ステップ１２１８では、図３の章節
目次３０２に章節要素を追加し、表示を更新する。

【００３５】図１１のステップ１１２０における図表論
理構造更新の処理について、簡単に説明する。図表は、
図Ｘ、第Ｘ図のように文書内で一貫した番号付けをされ
るか、第Ｘ．Ｙ図のように章節の中での番号付けが成さ
れるかいずれか（そのどちらかはユーザが指定すればよ
い）であり、図表内部で階層化が行われることはまず無
い。そのため、図表の要素Noや見出しの形式のチェック
は単純であり、文書内あるいは章節の中で図１２のステ
ップ１２０８〜１２１７に相当する処理を行えばよい。

【００３６】図１３は、図１２のステップ１２０４、ス
テップ１２１６に共通する見出し訂正の処理フローであ
る。ステップ１３０１では、訂正例の１番目として、現
在章節要素の次要素の見出し（図４の§２．３に相当）
を、章節要素の順序やその属する章節集合の管理情報か
ら作成する。ステップ１３０２では、訂正例の２番目以
降として、現在章節要素の上位章節集合の末尾要素の次
要素の見出し（図４の第３章に相当）を作成する。ステ
ップ１３０３では、ステップ１３０２に続く訂正例とし
て、現在章節要素の下位章節集合の先頭要素の見出し
（図４の§２．２．１に相当）を作成する。ステップ１
３０４では、作成した見出し訂正例のリストをディスプ
レイ１０４に表示する。ステップ１３０５では、見出し
訂正例のリストからユーザが最も適切なものを選択す
る。ステップ１３０６では、ユーザの選択に基づき見出
し訂正を行う。ユーザが図４の「ユーザ訂正」を選択し
た場合はユーザ自ら訂正する。「抽出しない」を選択し
た場合は、その見出しを無視し訂正も行わない。「保存
して終了」を選択した場合は、訂正を行わず、文書を保
存する。「保存しないで終了」を選択した場合は、訂正
を行わず、文書の編集結果を破棄する。図表見出しの訂
正に関しては、図表内で階層化が行われることは無いの
で、ステップ１３０１に相当する見出し訂正例だけ作成
すればよい。なお、本発明の変形例として、ユーザの選
択を省略し、章節要素の階層レベルが抽出中の見出しと
変わらない見出しに自動的に訂正してしまうこともでき
る。章節の階層レベルの間違いはどちらかというと考え
にくいからである。図２〜図４の例では、§２．４を§
２．３に自動的に訂正する。

【００３７】参考文献の抽出・訂正について、説明す
る。参考文献は、文書末尾あるいは章節の末尾の参考文
献一覧から抽出する。参考文献の番号の付け方は、図表
よりさらに単純で、１、２、３ …というように階層化
は全く行われない。番号の訂正も、前の文献の次の番号
に訂正すれば十分である。

【００３８】図１４は、図２のべた書き文書を対象に文
書論理構造抽出・訂正を行ったタグ付き文書であり、図
１１の処理フローのステップ１１２２で出力する。章見
出しに対応して<章>タグ、<章番号>タグ、<章題>タグ
を、節見出しに対応して<節>タグ、<節番号>タグ、<節
題>タグを、節本文に対応して<節本文>タグを出力すれ
ばよい。

【００３９】タグの代わりに、特開平１−３８８６６号
公報の「文書編集装置」にあるように、章節の集合の階
層レベルの変更や要素の末尾を表す制御コード、集合・
要素の管理情報を出力するようにもできる。

【００４０】

【発明の効果】本発明によれば、べた書きの文書からの
論理構造抽出に際し、章節項等・図表・参考文献の番号
や形式の不整合を自動的に発見し、訂正例を考えられる
だけ表示するため、不整合が確実に解消され、ユーザの
負担も大幅に減る。

【図面の簡単な説明】

【図１】本発明のシステム構成図である。

【図２】べた書きの文書の一例を示す図である。

【図３】システムが抽出した文書論理構造要素の一覧を
示す図である。

【図４】章節見出し訂正例のリストを示す図である。

【図５】章・節・項・図表等の見出しのシンタクスを示
す図である。

【図６】図５における接頭辞のシンタクスを示す図であ
る。

【図７】図５における要素Noのシンタクスを示す図であ
る。

【図８】図５における分離子のシンタクスを示す図であ
る。

【図９】図５における接尾辞のシンタクスを示す図であ
る。

【図１０】図５における名称のシンタクスを示す図であ
る。

【図１１】文書論理構造の抽出・訂正の処理フローチャ
ートである。

【図１２】章・節・項等の論理構造の更新の処理フロー
チャートである。

【図１３】章・節・項等の見出し訂正の処理フローチャ
ートである。

【図１４】図２のべた書き文書より出力されたタグ付き
文書の一例を示す図である。

【符号の説明】

１０１… 中央処理装置、１０２…キーボード、１０３
…マウス、１０４…ディスプレイ、１０５…論理構造集
合管理情報、１０６…論理構造要素管理情報、１０７…
主記憶装置、１０８…べた書き文書、１０９…タグ付き
文書、１１０…外部記憶装置。

Claims

【特許請求の範囲】

【請求項１】べた書きの文書より章節項等・図表・参
考文献の論理構造を抽出する文書論理構造抽出方法にお
いて、文書論理構造の個々の章節項等・図表・参考文献
を要素と呼ぶ時、抽出中の該要素の番号の不整合を正し
く抽出された該要素の管理情報をもとに検出し、抽出中
の該要素の番号の訂正例のリストを該要素の管理情報を
もとに求め、文書の抽出中の場所をユーザに提示し、該
要素の抽出・訂正を行う毎に正しく抽出された該要素の
リストに新たに抽出された該要素を追加してユーザに提
示し、不整合を生じた該要素の番号の該訂正例のリスト
より正しい番号をユーザに選択させ、該要素の番号をユ
ーザの選択に応じて文書中で訂正し、抽出された論理構
造情報を文書と共に出力することを特徴とする文書論理
構造抽出方法。
【請求項２】第１項記載の文書論理構造抽出方法にお
いて、訂正例のリストのうち最も適当なものを自動的に
選択し、自動的に訂正を行うことを特徴とする文書論理
構造抽出方法。