JP2001325284A - 表構造領域からの情報抽出方法および装置と情報抽出プログラムを記録した記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】 表構造領域に記述された特定分野の主要な情
報を他の情報との統合が容易であるように構造および表
記方法を統一した表形式で抽出可能にする表構造領域か
らの情報抽出方法および装置と情報抽出プログラムを記
録した記録媒体を提供する。 【解決手段】 表構造情報記憶部１２１に記憶されてい
る表構造情報中の各表構造要素の情報に含まれる固有情
報を認識し、分野用語辞書を用いて各表構造要素の情報
に含まれる分野用語を認識して代表表記に読み替え、各
表構造要素中の固有表現および分野用語の意味的な関係
および情報の一致を各表構造要素間で比較して表構造情
報を評価し、属性名を表す表構造要素が連なる属性名領
域とその方向および他の表構造要素が連なる属性値領域
を判定し、属性名領域に属する表構造要素と属性値領域
に属する表構造要素を対とする属性名領域の方向でまと
めた抽出情報を生成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文書情報である入
力情報をコンピュータが理解することによって処理を行
う知識処理システム、自然言語処理システム、情報検索
技術システム、情報抽出システムおよび情報統合システ
ムなどに使用される特定分野の文書中の表構造領域に記
述された文字列である情報から重要情報を抽出する表構
造領域からの情報抽出方法および装置と情報抽出プログ
ラムを記録した記録媒体に関する。

【０００２】

【従来の技術】文書中に記述されている重要情報を抽出
することを一般に情報抽出という。自然言語で記述され
た文書から情報抽出を行う従来装置について記述した特
許として、特願平４−３１６７０６号や特願平５−２９
９２６９号などがある。これらの従来装置は、文書中の
文章領域に出現する抽出すべき情報の要素となる文字列
を予め与えられた前後の記述パターンに従って重要情報
として抽出するものである。

【０００３】このような従来装置は、自然言語文で書か
れた文章領域を対象として情報抽出を行うものであり、
表の形式で表現された表構造領域に書かれた情報を取り
扱うことは考慮しておらず、表構造領域から情報を正し
く抽出することはできない。

【０００４】

【発明が解決しようとする課題】従来の装置は、上述し
たように自然言語で書かれた文章領域を対象として情報
抽出するものであり、表形式で表現された表構造領域に
書かれた情報を取り扱うことは考慮してなく、表構造領
域から情報を正しく抽出することができないという問題
がある。

【０００５】また、元々表構造で表現された情報は、作
成者によって属性名や属性値の表現方法および表として
の構造が異なるため、その他の文書中の文章から抽出し
た情報や他の文書からの情報とそのままの表構造領域の
形式では統合できないという問題がある。

【０００６】本発明は、上記に鑑みてなされたもので、
その目的とするところは、表構造領域に記述された特定
分野の主要な情報を他の情報との統合が容易であるよう
に構造および表記方法を統一した表形式で適切に抽出す
ることを可能にする表構造領域からの情報抽出方法およ
び装置と情報抽出プログラムを記録した記録媒体を提供
することにある。

【０００７】

【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の本発明は、入力情報から特定分野に
おける主要な情報を抽出する情報抽出方法であって、行
と列からなる表構造情報を入力し、この入力された表構
造情報中の各表構造要素の情報に含まれる固有情報を認
識し、対象分野に特有の用語の意味的な関係を体系化し
た分野用語辞書を用いて、前記表構造情報中の各表構造
要素の情報に含まれる分野用語を認識し、該情報を前記
分野用語の代表表記に読み替え、前記認識された各表構
造要素中の固有表現および分野用語の意味的な関係およ
び情報の一致を各表構造要素間で比較することによって
表構造情報を評価して、属性名を表す表構造要素が連な
る属性名領域とその方向およびその他の表構造要素が連
なる属性値領域を判定し、属性名領域に属する表構造要
素と属性値領域に属する表構造要素を対とする属性名領
域の方向でまとめた抽出情報を生成することを要旨とす
る。

【０００８】請求項１記載の本発明にあっては、表構造
情報中の各表構造要素の情報に含まれる固有情報を認識
し、分野用語辞書を用いて、各表構造要素の情報に含ま
れる分野用語を認識し、該情報を分野用語の代表表記に
読み替え、認識された各表構造要素中の固有表現および
分野用語の意味的な関係および情報の一致を各表構造要
素間で比較することにより表構造情報を評価し、属性名
を表す表構造要素が連なる属性名領域とその方向および
その他の表構造要素が連なる属性値領域を判定し、属性
名領域に属する表構造要素と属性値領域に属する表構造
要素を対とする属性名領域の方向でまとめた抽出情報を
生成するため、文書分野の一般的な表現に正規化し統一
した形式の抽出情報を生成でき、文書中の他の領域や他
の文書からの情報との統合が容易となる。また、多様な
分野の文書に対しても、対象とする文書から抽出すべき
主要な情報についての分野用語辞書または利用者の目的
・要求に応じた分野用語辞書を用意し、適切に分野用語
辞書を差し替えることにより、適切な形式で情報抽出を
行うことができる。

【０００９】また、請求項２記載の本発明は、入力情報
から特定分野における主要な情報を抽出する情報抽出装
置であって、行と列からなる対象とする表構造情報を格
納する表構造情報記憶手段と、前記表構造情報記憶手段
に格納された表構造情報中の各表構造要素の情報に含ま
れる固有表現を認識し、固有表現の種類を特定するタグ
を付与する固有表現認識手段と、対象分野に特有の用語
の意味的な関係を体系化した分野用語辞書を格納した分
野用語辞書記憶手段と、前記表構造情報記憶手段に格納
された表構造情報中の各表構造要素の情報に対し、前記
分野用語辞書記憶手段に格納された分野用語辞書を検索
して、該情報に含まれる分野用語を認識し、代表的に用
いられる分野用語に読み替えて分野用語であることを特
定するタグを付与する分野用語認識手段と、前記表構造
情報記憶手段に格納された表構造情報中の、前記固有表
現認識手段および前記分野用語認識手段で付与したタ
グ、読み替えた代表的な分野用語および元々の情報自体
について各表構造要素間で意味的な関係の比較および一
致の判定を行うことによって表構造領域の表構造情報を
評価し、属性名を表す表構造要素が連なる属性名領域、
それ以外の表構造要素が連なる属性値領域、および属性
名領域の方向を特定する表構造情報評価手段と、前記表
構造情報評価手段によって特定された属性名領域に属す
る表構造要素と属性値領域に属する表構造要素とを関連
付け、属性名と属性値の対である属性名領域の方向でま
とめた抽出情報を生成する抽出情報生成手段とを有する
ことを要旨とする。

【００１０】請求項２記載の本発明にあっては、表構造
情報中の各表構造要素の情報に含まれる固有情報を認識
し、分野用語辞書を用いて、各表構造要素の情報に含ま
れる分野用語を認識し、該情報を分野用語の代表表記に
読み替え、認識された各表構造要素中の固有表現および
分野用語の意味的な関係および情報の一致を各表構造要
素間で比較することにより表構造情報を評価し、属性名
を表す表構造要素が連なる属性名領域とその方向および
その他の表構造要素が連なる属性値領域を判定し、属性
名領域に属する表構造要素と属性値領域に属する表構造
要素を対とする属性名領域の方向でまとめた抽出情報を
生成するため、文書分野の一般的な表現に正規化し統一
した形式の抽出情報を生成でき、文書中の他の領域や他
の文書からの情報との統合が容易となる。また、多様な
分野の文書に対しても、対象とする文書から抽出すべき
主要な情報についての分野用語辞書または利用者の目的
・要求に応じた分野用語辞書を用意し、適切に分野用語
辞書を差し替えることにより、適切な形式で情報抽出を
行うことができる。

【００１１】請求項３記載の本発明は、入力情報から特
定分野における主要な情報を抽出する情報抽出プログラ
ムを記録した記録媒体であって、行と列からなる表構造
情報を入力し、この入力された表構造情報中の各表構造
要素の情報に含まれる固有情報を認識し、対象分野に特
有の用語の意味的な関係を体系化した分野用語辞書を用
いて、前記表構造情報中の各表構造要素の情報に含まれ
る分野用語を認識し、該情報を前記分野用語の代表表記
に読み替え、前記認識された各表構造要素中の固有表現
および分野用語の意味的な関係および情報の一致を各表
構造要素間で比較することによって表構造情報を評価し
て、属性名を表す表構造要素が連なる属性名領域とその
方向およびその他の表構造要素が連なる属性値領域を判
定し、属性名領域に属する表構造要素と属性値領域に属
する表構造要素を対とする属性名領域の方向でまとめた
抽出情報を生成する表構造領域からの情報抽出プログラ
ムを記録媒体に記録することを要旨とする。

【００１２】請求項３記載の本発明にあっては、表構造
情報中の各表構造要素の情報に含まれる固有情報を認識
し、分野用語辞書を用いて、各表構造要素の情報に含ま
れる分野用語を認識し、該情報を分野用語の代表表記に
読み替え、認識された各表構造要素中の固有表現および
分野用語の意味的な関係および情報の一致を各表構造要
素間で比較することにより表構造情報を評価し、属性名
を表す表構造要素が連なる属性名領域とその方向および
その他の表構造要素が連なる属性値領域を判定し、属性
名領域に属する表構造要素と属性値領域に属する表構造
要素を対とする属性名領域の方向でまとめた抽出情報を
生成する情報抽出プログラムを記録媒体に記録している
ため、該記録媒体を用いて、その流通性を高めることが
できる。

【００１３】

【発明の実施の形態】以下、図面を用いて本発明の実施
の形態を説明する。図１は、本発明の一実施形態に係る
表構造領域からの情報抽出方法を実施する情報抽出装置
の構成を示すブロック図である。同図に示す情報抽出装
置は、入力情報である文書情報中の表構造領域から重要
な情報を抽出する装置であって、固有表現認識部１０
１、分野用語認識部１０２、表構造情報評価部１０３、
抽出情報生成部１０４、表構造情報記憶部１２１、分野
用語辞書記憶部１２２、および抽出情報記憶部１２３か
ら構成されている。

【００１４】表構造情報記憶部１２１は、対象とする表
構造領域の論理的な表構造情報を格納し、分野用語辞書
記憶部１２２は、対象分野に特有の用語の意味的な関係
を体系化した分野用語辞書を予め格納する。

【００１５】固有表現認識部１０１は、表構造情報記憶
部１２１に記憶された表構造情報中の各表構造要素の文
字列である情報に対し、予め定義された規則に従って該
情報（文字列）中の固有表現を認識し、具体的には当該
情報（文字列）中に含まれる人名や組織名や地名といっ
た特定の名称および日付表現や時間表現、金額表現とい
った固有表現であるものを認識し、固有表現種類を表す
タグを付与し、タグを付与した情報（文字列）を表構造
情報記憶部１２１に格納する。なお、文字列はその上位
概念が情報であるため、上記では情報（文字列）と記載
しているが、以下では単に文字列と記載する。

【００１６】分野用語認識部１０２は、表構造情報記憶
部１２１に記憶された表構造情報中の各表構造要素の文
字列に対し、分野用語辞書記憶部１２２に記憶された分
野用語辞書を索引し、当該文字列に該当する代表的な分
野用語を得て当該文字列を読み替え、分野用語を表すタ
グを付与した読み替え後の文字列を表構造情報記憶部１
２１に格納する。

【００１７】表構造情報評価部１０３は、表構造情報記
憶部１２１に記憶された表構造情報中の各表構造要素間
で、タグを付与した読み替え後の文字列および元々の文
字列について、分野用語辞書記憶部１２２に記憶された
分野用語辞書を用いた意味的な関係の比較および文字列
の一致の判定を行って各表構造要素の評価値を算出し、
該評価値に基づいて属性名領域に属する表構造要素と属
性値領域に属する表構造要素、および属性名領域の方向
を特定する。

【００１８】抽出情報生成部１０４は、前記表構造情報
評価部１０３において判定された属性名領域に属する表
構造要素と属性値領域に属する表構造要素からなる属性
名と属性値の対を、属性名領域の方向でまとめた抽出情
報として生成し、抽出情報記憶部１２３に格納する。な
お、生成した抽出情報を直ちに出力する場合には、抽出
情報記憶部１２３への格納を省略してもよい。

【００１９】なお、本発明に示した情報抽出方法によっ
て得られた表構造領域からの抽出情報を出力する方法に
ついて特に規定するものではなく、属性名と属性値の対
からなる抽出情報を一枚ずつ表形式で出力したり、ある
いは抽出情報すべてを一枚の表形式で出力することも可
能であるが、一般には、抽出情報記憶部１２３に記憶し
た状態そのまま、あるいは、単純な形式変換によって文
書理解プログラムや情報統合プログラムなどの他のプロ
グラムに渡され、利用されることになる。

【００２０】次に、上述したように構成される本実施形
態の情報抽出装置の作用をデジタルカメラに関する新製
品紹介文書中の表構造領域を対象とする情報抽出の例に
ついて説明する。

【００２１】まず、ユーザの興味の対象であるデジタル
カメラの新製品に関して記述された文書中の表構造領域
の論理的な表構造情報が表構造情報記憶部１２１に記憶
される。本実施形態における表構造領域の例を図２に示
す。また、表構造情報記憶部１２１の格納内容の例を図
３に示す。本実施形態では、表構造領域を構成する各表
構造要素について、表構造領域での行位置と列位置、文
字列を組とする表形式で表構造情報記憶部１２１に格納
しているが、表構造領域の論理的な表構造情報の記憶形
式を特に規定するものではない。表構造領域中の個々の
表構造要素について、位置と内容を示す表構造情報が関
連して記憶できればどのような記憶形式でもよく、他に
リスト構造やツリー構造で記憶することなどが考えられ
る。

【００２２】本発明では、ユーザの興味の対象である分
野、すなわち本実施形態におけるデジタルカメラの新製
品記事に関して、関連する文書を収集する方法について
特に規定しない。例えば、電子会議室、ネットニュース
やワールドワイドウェブ、およびニュースメールなどか
ら関連する文書を収集することが考えられる。更に、本
発明では収集した関連文書中の表構造領域の認識方法お
よび表構造情報への分解方法について特に規定するもの
ではない。表構造領域中の個々の表構造要素について、
位置と内容を示す論理的な情報が得られればよい。

【００２３】処理を開始すると、まず、固有表現認識部
１０１は、表構造情報記憶部１２１中の各表構造要素の
文字列に対して、該文字列中に出現する組織名や固有物
名、人名といった固有の名称、ならびに日付や時間、金
額などを表現する文字列に対して、予め準備したルール
に従って固有表現の種類を表すタグを付与して、表構造
情報記憶部１２１にタグ付文字列として格納する。固有
表現認識は自然言語処理の基本技術であり、例えば特願
平１１−０６７５６２号「情報列に対してタグ情報を付
与するための方法および装置ならびに同方法が記録され
る記録媒体」等に記載されている方法により、容易に実
現することができる。

【００２４】図３に示した表構造情報記憶部１２１の格
納内容の例においては、固有表現認識部１０１は、「Ｄ
ＣＡ−２４」「ＤＣＡ−９６」「ＤＣＡ−９６Ｓ２」と
いった文字列に対して固有物名を表すタグである＜ＡＲ
ＴＩＦＡＣＴ＞を付与し、「２４枚」「９６枚」「１９
２枚」といった文字列に対して固有物の数を表すタグで
ある＜ＮＡＲＴＩＦＡＣＴ＞を付与し、「６４，８００
円」「８９，８００円」といった文字列に対して金額表
現を表すタグである＜ＭＯＮＥＹ＞を付与し、「４月上
旬」「４月下旬」といった文字列に対して日付表現を表
すタグである＜ＤＡＴＥ＞を付与し、表構造情報記憶部
１２１にタグ付文字列として格納する。固有表現が認識
されなかった場合は、元の文字列をタグ付文字列として
格納する。本実施形態における固有表現認識部１０１に
よる処理終了後の表構造情報記憶部１２１の格納内容の
例を図４に示す。なお、本実施形態は固有表現認識部１
０１において付与するタグの種類および付与方法につい
て特に規定するものではないが、本実施形態において
は、固有表現である該文字列の前後に、＜ＤＡＴＥ＞４
月上旬＜／ＤＡＴＥ＞のように各固有表現種類別に始ま
りを示すタグと終わりを示すタグを付与する。

【００２５】次に、分野用語認識部１０２では、表構造
情報記憶部１２１中の各表構造要素の文字列に対して、
分野用語辞書記憶部１２２上に記憶された分野用語辞書
を検索し、該表構造要素中の分野用語に該当する文字列
を、分野用語辞書に記述された分野に代表的な分野用語
に読み替えて、分野用語であることを表すタグを付与
し、表構造情報記憶部１２１にタグ付文字列として格納
する。

【００２６】デジタルカメラに関連した分野用語辞書
が、分野用語辞書記憶部１２２に予め記憶されているも
のとする。図５は、分野用語辞書記憶部１２２に記憶さ
れた本実施形態で用いられる分野用語辞書の一形態であ
るオントロジー辞書の一部分の例を示す。同図におい
て、個々のノードは一つの分野用語に対応し、ノード間
のリンクは分野用語間の関係を表現し、リンクに付けら
れたタグは分野用語間の関係を明確にする関係子を表
す。各ノードは、分野用語に関する情報として、該分野
用語の異表記や、同義語、類義語といった該当する単語
の情報を持つ。更に、分野用語辞書は、固有表現認識部
１０１で与えられるような固有表現を表すタグもノード
として持つことができるため、固有表現タグの付与され
た単語の分野用語辞書上での位置および他の分野用語と
の関係を記述することができる。また、オントロジー辞
書においてユーザの興味の対象を端的に表した語は中心
語として指定され、最も頂点にあるノードとして表現さ
れる。同図においては「デジタルカメラ」が中心語であ
る。

【００２７】リンクについた関係子のタグは分野用語間
の関係を明確にするもので、例えば「Ｐｒｏｐ₋ｏｆ」
は中心語に対し付随的な属性を与える語、「Ｉｓ₋ａ」
はある語に対して概念的に下位となる語、「Ｉｎｓｔ₋
ｏｆ」はある概念的な語の実例となる語、「Ｖａｌ₋ｏ
ｆ」はある概念的な語の実質的な値となる語、などの関
係を示す。同図において、例えばノード「メーカー」と
ノード「ＮＴ社」は「Ｉｎｓｔ₋ｏｆ」タグのついたリ
ンクにより結ばれている。これは単語「ＮＴ社」が「メ
ーカー」という概念的な語の実例として出現する場合が
あることを意味する。以下の説明では、このようなノー
ドとリンクの関係を説明文中において「ＮＴ社 Ｉｎｓ
ｔ₋ｏｆ メーカー」と表記する。

【００２８】なお、本実施形態では、分野用語辞書記憶
部１２２に格納した分野用語辞書をツリー構造で表現し
ているが、特に該記憶をツリー構造の表現として規定す
るものではなく、対象分野における主要な情報を表す分
野用語と他の分野用語との関係、分野用語に関する情報
などを関連づけて記憶できるならばどのような表現形式
でもよく、他にリスト構造やテーブル構造などで記憶す
ることが考えられる。また、本発明では、分野用語辞書
に含まれる情報の種類や形態を限定するものではない。
本実施形態では、個々の分野用語について、その標準的
な用語、同義語・類義語・異表記などの分野用語に該当
する単語、他の分野用語との関係を情報として持つもの
としているが、本発明での情報はこれらに限るものでは
ない。更に、本発明では分野用語辞書を用意する方法に
ついて特に規定するものではない。

【００２９】図３に示した表構造情報記憶部１２１の格
納内容の例においては、分野用語認識部１０２は、１行
１列目の文字列「品名」を分野用語辞書記憶部１２２上
で検索し、該当する標準的な分野用語「製品名」で該文
字列を読み替え、分野用語を表すタグである＜ＤＴＥＲ
Ｍ＞を付与して、表構造情報記憶部１２１にタグ付文字
列として格納する。以下、すべての表構造要素の文字列
について同様の処理を行う。本実施形態においては、２
行１列目の「撮影枚数」を「撮影枚数」に読み替え、３
行１列目の「画素数」を「ＣＣＤ画素数」に読み替え、
５行１列目の「予定価格」を「標準価格」に読み替え、
５行２列目の「オープン」を「オープン価格」に読み替
え、それぞれタグを付与して、表構造情報記憶部１２１
にタグ付文字列として格納する。本実施形態における、
分野用語認識部１０２の終了後の表構造情報記憶部１２
１の格納内容の例を図６に示す。なお、本実施形態は分
野用語認識部１０２において付与するタグの種類および
付与方法について特に規定するものではないが、本実施
形態においては、読み替えた標準的な分野用語である文
字列の前後に、＜ＤＴＥＲＭ＞製品名＜／ＤＴＥＲＭ＞
のように分野用語の始まりを示すタグと終わりを示すタ
グを付与する。

【００３０】次に、表構造情報評価部１０３は、表構造
情報記憶部１２１に記憶された各表構造要素について、
同列先頭の表構造要素、同列前行の表構造要素、同行先
頭の表構造要素、同行前列の表構造要素との間で、それ
ぞれ比較処理を行い、各表構造要素の評価値を計算す
る。ただし、比較先の表構造要素が存在しない場合、も
しくは比較元の表構造要素自身である場合は比較処理を
行わない。図７は比較処理の処理フローを示す図であ
る。表構造要素間の比較処理は次のように行う。

【００３１】まず、比較元の表構造要素と比較先の表構
造要素の間で文字列の一致を調べ（図７のステップＳ７
１）、一致した場合には両表構造要素の評価値を２減算
して、比較処理を終了する（ステップＳ７３）。一致し
なかった場合には、各表構造要素に付与されたタグなら
びに文字列を用いて分野用語辞書記憶部１２２に記憶し
た分野用語辞書を参照し、各表構造要素間の位置関係を
取得する（ステップＳ７５）。両表構造要素が同一の階
層に位置する場合、すなわち両表構造要素が同一の上位
ノードを持つ場合には（ステップＳ７７のＹＥＳ）、両
構造要素の評価値を１減算して、比較処理を終了する
（ステップＳ７９）。比較先の表構造要素が上位に位置
する場合、すなわち比較元の表構造要素に対して上位の
ノードである場合には（ステップＳ８１のＹＥＳ）、比
較元の表構造要素の評価値を２減算し、比較先の表構造
要素の評価値を２加算して、比較処理を終了する（ステ
ップＳ８３）。比較先の表構造要素が下位に位置する場
合、すなわち比較元の表構造要素に対して下位のノード
である場合には（ステップＳ８５のＹＥＳ）、比較元の
表構造要素の評価値を２加算し、比較先の表構造要素の
評価値を２減算して、比較処理を終了する（ステップＳ
８７）。以上のいずれの条件も満たさない場合は、その
まま比較処理を終了する。

【００３２】図６に示した表構造情報記憶部１２２の格
納内容の例において、１行４列目の表構造要素「ＤＣＡ
−９６Ｓ２」についての比較処理を例として示す。まず
同列先頭の表構造要素とは自分自身であり、比較処理は
行わない。また、同列前行の表構造要素は存在しないた
め、同様に比較処理は行わない。次に、同行先頭との比
較処理を行い。同行先頭すなわち１行１列目の表構造要
素「品名」はタグ付文字列が「製品名」であり、図５に
示した分野用語辞書記憶部１２２に格納した分野用語辞
書によると、比較元の表構造要素のタグ＜ＡＲＴＩＦＡ
ＣＴ＞の上位にあたることから、１行１列目の評価値を
２加算し、１行４列目の評価値を２減算する。続いて、
同行前列との比較処理を行う。同行前列すなわち１行３
列目の表構造要素「ＤＣＡ−９６」はタグが＜ＡＲＴＩ
ＦＡＣＴ＞であり、同一の階層にあることから、１行３
列目の評価値と１行４列目の評価値をそれぞれ１減算す
る。

【００３３】表構造情報評価部１０３は、表構造情報記
憶部１２１中のすべての表構造要素について前記比較処
理を終了とすると、各行毎、各列毎に評価値の合計値を
算出する。次いで、表構造情報評価部１０３は、各行の
合計評価値および各列の合計評価値を比較して最も合計
評価値が大きい行または列を属性名領域とし、残りの行
または列すべてを属性値領域とし、属性名領域の方向を
最も合計評価値が大きい行または列の方向に特定する。
本実施形態における算出処理後の評価値情報の例を図８
に図示する。本実施形態においては、１列目の合計評価
値が２４で最大値を取ることから、属性名領域は１列目
と特定し、残りの列を属性値領域とし、属性名領域の方
向を列方向と特定する。

【００３４】なお、本発明における表構造情報評価部１
０３は上記の方法に限るものではない。本実施形態にお
いて表構造要素の比較処理の対象を同列先頭、同列前
行、同行先頭、同行前列の４つとしたが、同じ行のすべ
ての表構造要素および同じ列のすべての表構造要素を比
較処理の対象とすることもできる。また、比較処理の種
類についても、他に同表構造要素の文字列の類似関係や
文字列の部分的な一致を比較することも考えられる。更
に、本実施形態においては比較処理の結果を評価値に対
する加算、減算で表現したが、特に評価方法を評価値の
算出式や数値に限定するものではない。他の表構造要素
に対して分野用語辞書において上位に属する表構造要素
を強調できればよく、行方向の比較処理と列方向の比較
処理を分けて評価値を算出するなどの方法も考えられ
る。

【００３５】抽出情報生成部１０４は、前記表構造情報
評価部１０３によって属性名領域と判定された行または
列に属する表構造要素と、属性値領域と判定された残り
の行または列に属する表構造要素を対とする、属性名領
域の方向でまとめた組を抽出情報として生成し、抽出情
報記憶部１２３に格納する。なお、属性名領域の方向が
行方向であった場合には、抽出情報の行と列を入れ替え
て、抽出情報記憶部１２３に格納する。

【００３６】本実施形態においては、表構造情報評価部
１０３において、１列目を属性名領域、属性名領域の方
向を列方向と特定したことから、１列目の表構造要素を
属性名、以降の各列の表構造要素を属性値とする対で、
列方向にまとめた組を抽出情報として、抽出情報記憶部
１２３に格納する。

【００３７】次に、図９に示すフローチャートを参照し
て、本実施形態の作用を全体的に説明する。表構造情報
記憶部１２１に格納されている表構造情報中の各表構造
要素の文字列から固有表現認識部１０１により固有表現
を認識し、この固有表現として認識された文字列に固有
表現種類を表すタグを付与し、このタグの付与された文
字列を表構造情報記憶部１２１に格納する（ステップＳ
１）。次に、分野用語辞書記憶部１２２を用いて、表構
造情報記憶部１２１に格納された表構造情報中の各表構
造要素の文字列に対して該当する代表的分野用語に読み
替えて、分野用語を表すタグを付与して表構造情報記憶
部１２１に格納する（ステップＳ２）。

【００３８】それから、表構造情報評価部１０３は、表
構造情報記憶部１２１に格納された表構造情報中の各表
構造要素間においてタグを付与した読み替え後の文字列
および元々の文字列について分野用語辞書記憶部１２２
に記憶された分野用語辞書を用いた意味的な関係の比較
および文字列の一致の判定を行って、各表構造要素の評
価値を算出し、この評価値に基づいて属性名領域に属す
る表構造要素と属性値領域に属する表構造要素および属
性名領域の方向を特定する（ステップＳ３）。

【００３９】次に、抽出情報生成部１０４は、表構造情
報評価部１０３で特定された属性名領域に属する表構造
要素と属性値領域に属する表構造要素からなる属性名と
属性値の対を、属性名領域の方向でまとめた抽出情報と
して生成して抽出情報記憶部１２３に格納する（ステッ
プＳ４）。

【００４０】この結果、抽出情報記憶部１２３には表構
造情報記憶部１２１に記憶された表構造領域からの情報
抽出結果として文書分野の一般的な表現に正規化した属
性名と属性値の対からなり、表の方向を列方向に統一し
た表形式で格納した抽出情報が図１０に示すように得ら
れていることになり、この抽出情報を出力して終了す
る。

【００４１】上述したように、本実施形態では、表構造
領域に記述された文字列に対して固有表現認識および分
野用語辞書を利用することにより、情報の要素となる単
語を適切に認識してタグの付与および分野に代表的な表
記への読み替えを行い、これらの認識した表構造要素間
を比較することにより属性名を表す表構造要素と属性値
を表す表構造要素を判定し、属性名と属性値を対とする
抽出情報を生成することができる。

【００４２】これにより、対象とする文書から抽出すべ
き主要な情報についての適切な分野用語辞書を利用する
ことにより、文書中の他の領域や他の文書からの情報と
の統合が容易であるような表の構造および表記を統一し
た特定分野の表構造領域からの情報抽出が可能となる。

【００４３】また、対象とする文書分野に適した分野用
語辞書を各分野毎に用意したり、またはすべての分野を
包括するような大規模な分野用語辞書を用意することに
より特定の分野に依存しない表構造領域からの情報抽出
が可能となる。

【００４４】図１１は、本発明の他の実施形態に係る表
構造領域からの情報抽出方法を実施する情報抽出装置の
構成を示すブロック図である。同図に示す情報抽出装置
は、図１に示した実施形態をネットワークで接続された
複数のコンピュータで構成したものであり、情報入力部
１００、抽出情報生成部１０４および抽出情報記憶部１
２３をクライアント端末１０として構成し、固有表現認
識部１０１、分野用語認識部１０２、表構造情報評価部
１０３、表構造情報記憶部１２１および分野用語辞書記
憶部１２２をサーバ端末２０として構成し、クライアン
ト端末１０とサーバ端末２０との間を通信網３０で接続
したものである。

【００４５】このように構成されるものにおいては、ク
ライアント端末１０は情報入力部１００で処理の対象と
なる入力情報を受け取り、通信網３０を介してサーバ端
末２０に送信する。なお、情報入力部１００は、入力情
報をサーバ端末２０に送信する単独に動作する図１１に
示すような情報入力部に限定されるものでなく、例えば
他のプログラムなどに組み込まれた何らかの解析処理後
の入力情報をサーバ端末２０に送信するようなものでも
よいものである。

【００４６】サーバ端末２０は、クライアント端末１０
の情報入力部１００から入力情報を受信すると、この受
信情報を表構造情報記憶部１２１に格納し、以降はこの
表構造情報記憶部１２１に格納された情報に対して固有
表現認識部１０１、分野用語認識部１０２、表構造情報
評価部１０３が図１の実施形態で説明したと同じ処理を
行う。

【００４７】すなわち、固有表現認識部１０１は表構造
情報記憶部１２１に格納されている表構造情報中の各表
構造要素の文字列から固有表現を認識し、この固有実現
として認識された文字列にタグを付与して、表構造情報
記憶部１２１に格納する。分野用語認識部１０２は分野
用語辞書記憶部１２２を用いて表構造情報記憶部１２１
に格納された表構造情報中の各表構造要素の文字列に対
して該当する代表的分野用語に読み替えて、分野用語を
表すタグを付与して表構造情報記憶部１２１に格納す
る。

【００４８】表構造情報評価部１０３は、表構造情報記
憶部１２１に格納された表構造情報中の各表構造要素間
においてタグを付与した読み替え後の文字列および元々
の文字列について分野用語辞書記憶部１２２に記憶され
た分野用語辞書を用いた意味的な関係の比較および文字
列の一致の判定を行って、各表構造要素の評価値を算出
し、この評価値に基づいて属性名領域に属する表構造要
素と属性値領域に属する表構造要素および属性名領域の
方向を特定し、これらの出力情報を通信網３０を介して
クライアント端末１０に送信する。

【００４９】クライアント端末１０は、サーバ端末２０
からの情報を受信すると、抽出情報生成部１０４が表構
造情報評価部１０３で特定された属性名領域に属する表
構造要素と属性値領域に属する表構造要素からなる属性
名と属性値の対を、属性名領域の方向でまとめた抽出情
報として生成して抽出情報記憶部１２３に格納する。

【００５０】図１１に示す実施形態では、入力情報をク
ライアント端末１０から通信網３０を介してサーバ端末
２０に送信することにより、クライアント端末１０にお
ける処理の負荷を軽減しつつ抽出情報を生成することが
できる。また、本来は装置毎に保持しなければならない
分野用語辞書を共通のサーバ端末２０で持つことにより
一括した分野用語辞書の管理が容易であるとともに、ク
ライアント端末１０において分野を意識することなく抽
出処理を行うことができる。

【００５１】なお、上記実施形態の表構造領域からの情
報抽出方法の処理手順をプログラムとして記録媒体に記
録して、この記録媒体をコンピュータシステムに組み込
むとともに、該記録媒体に記録されたプログラムをコン
ピュータシステムにダウンロードまたはインストール
し、該プログラムでコンピュータシステムを作動させる
ことにより、情報抽出方法を実施する情報抽出装置とし
て機能させることができることは勿論であり、このよう
な記録媒体を用いることにより、その流通性を高めるこ
とができるものである。

【００５２】

【発明の効果】以上説明したように、本発明によれば、
表構造情報中の各表構造要素の情報に含まれる固有情報
を認識し、分野用語辞書を用いて各表構造要素の情報に
含まれる分野用語を認識して分野用語の代表表記に読み
替え、認識された各表構造要素中の固有表現および分野
用語の意味的な関係および情報の一致を各表構造要素間
で比較することにより表構造情報を評価し、属性名を表
す表構造要素が連なる属性名領域とその方向およびその
他の表構造要素が連なる属性値領域を判定し、属性名領
域に属する表構造要素と属性値領域に属する表構造要素
を対とする属性名領域の方向でまとめた抽出情報を生成
するので、文書分野の一般的な表現に正規化し統一した
形式の抽出情報を生成でき、文書中の他の領域や他の文
書からの情報との統合が容易となる。また、多様な分野
の文書に対しても、対象とする文書から抽出すべき主要
な情報についての分野用語辞書または利用者の目的・要
求に応じた分野用語辞書を用意し、適切に分野用語辞書
を差し替えることにより、適切な形式で情報抽出を行う
ことができる。

【図面の簡単な説明】

【図１】本発明の一実施形態に係る表構造領域からの情
報抽出方法を実施する情報抽出装置の構成を示すブロッ
ク図である。

【図２】図１に示す実施形態に使用される表構造領域の
一例を示す図である。

【図３】図２に示した表構造領域の表構造情報を図１の
情報抽出装置に使用されている表構造情報記憶部に格納
した場合の格納内容の例を示す図である。

【図４】図３に示した格納内容に対して固有表現認識部
の処理を行った後の表構造情報記憶部の格納内容の例を
示す図である。

【図５】図１に示す情報抽出装置に使用されている分野
用語辞書記憶部に格納されている分野用語辞書の例を示
す図である。

【図６】図４に示した格納内容に対して分野用語認識部
の処理を行った後の表構造情報記憶部の格納内容の例を
示す図である。

【図７】図１に示す情報抽出装置に使用されている表構
造情報評価部における比較処理を示すフローチャートで
ある。

【図８】図１に示す情報抽出装置に使用されている表構
造情報評価部による評価結果の評価値情報を示す図であ
る。

【図９】図１に示す情報抽出装置の全体的作用を示すフ
ローチャートである。

【図１０】図１に示す情報抽出装置による抽出情報の出
力例を示す図である。

【図１１】本発明の他の実施形態に係る表構造領域から
の情報抽出方法を実施する情報抽出装置の構成を示すブ
ロック図である。

【符号の説明】

１００ 情報入力部 １０１ 固有表現認識部 １０２ 分野用語認識部 １０３ 表構造情報評価部 １０４ 抽出情報生成部 １２１ 表構造情報記憶部 １２２ 分野用語辞書記憶部 １２３ 抽出情報記憶部

Claims (3)

【特許請求の範囲】
1. 【請求項１】 入力情報から特定分野における主要な情
   報を抽出する情報抽出方法であって、 行と列からなる表構造情報を入力し、この入力された表
   構造情報中の各表構造要素の情報に含まれる固有情報を
   認識し、 対象分野に特有の用語の意味的な関係を体系化した分野
   用語辞書を用いて、前記表構造情報中の各表構造要素の
   情報に含まれる分野用語を認識し、該情報を前記分野用
   語の代表表記に読み替え、 前記認識された各表構造要素中の固有表現および分野用
   語の意味的な関係および情報の一致を各表構造要素間で
   比較することによって表構造情報を評価して、属性名を
   表す表構造要素が連なる属性名領域とその方向およびそ
   の他の表構造要素が連なる属性値領域を判定し、 属性名領域に属する表構造要素と属性値領域に属する表
   構造要素を対とする属性名領域の方向でまとめた抽出情
   報を生成することを特徴とする表構造領域からの情報抽
   出方法。
2. 【請求項２】 入力情報から特定分野における主要な情
   報を抽出する情報抽出装置であって、 行と列からなる対象とする表構造情報を格納する表構造
   情報記憶手段と、 前記表構造情報記憶手段に格納された表構造情報中の各
   表構造要素の情報に含まれる固有表現を認識し、固有表
   現の種類を特定するタグを付与する固有表現認識手段
   と、 対象分野に特有の用語の意味的な関係を体系化した分野
   用語辞書を格納した分野用語辞書記憶手段と、 前記表構造情報記憶手段に格納された表構造情報中の各
   表構造要素の情報に対し、前記分野用語辞書記憶手段に
   格納された分野用語辞書を検索して、該情報に含まれる
   分野用語を認識し、代表的に用いられる分野用語に読み
   替えて分野用語であることを特定するタグを付与する分
   野用語認識手段と、前記表構造情報記憶手段に格納され
   た表構造情報中の、前記固有表現認識手段 および前記分野用語認識手段で付与したタグ、読み替え
   た代表的な分野用語および元々の情報自体について各表
   構造要素間で意味的な関係の比較および一致の判定を行
   うことによって表構造領域の表構造情報を評価し、属性
   名を表す表構造要素が連なる属性名領域、それ以外の表
   構造要素が連なる属性値領域、および属性名領域の方向
   を特定する表構造情報評価手段と、 前記表構造情報評価手段によって特定された属性名領域
   に属する表構造要素と属性値領域に属する表構造要素と
   を関連付け、属性名と属性値の対である属性名領域の方
   向でまとめた抽出情報を生成する抽出情報生成手段とを
   有することを特徴とする表構造領域からの情報抽出装
   置。
3. 【請求項３】 入力情報から特定分野における主要な情
   報を抽出する情報抽出プログラムを記録した記録媒体で
   あって、 行と列からなる表構造情報を入力し、この入力された表
   構造情報中の各表構造要素の情報に含まれる固有情報を
   認識し、 対象分野に特有の用語の意味的な関係を体系化した分野
   用語辞書を用いて、前記表構造情報中の各表構造要素の
   情報に含まれる分野用語を認識し、該情報を前記分野用
   語の代表表記に読み替え、 前記認識された各表構造要素中の固有表現および分野用
   語の意味的な関係および情報の一致を各表構造要素間で
   比較することによって表構造情報を評価して、属性名を
   表す表構造要素が連なる属性名領域とその方向およびそ
   の他の表構造要素が連なる属性値領域を判定し、 属性名領域に属する表構造要素と属性値領域に属する表
   構造要素を対とする属性名領域の方向でまとめた抽出情
   報を生成することを特徴とする表構造領域からの情報抽
   出プログラムを記録した記録媒体。