JP2002251590A

JP2002251590A - 文書分析装置

Info

Publication number: JP2002251590A
Application number: JP2001048482A
Authority: JP
Inventors: Tomoya Ogawa; 知也小川
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2001-02-23
Filing date: 2001-02-23
Publication date: 2002-09-06

Abstract

(57)【要約】【課題】時系列データと、文書セットの各文書に付与
されたテーマ情報を利用することで文書の効率的な分析
を行うこと。【解決手段】分析手段３は、テーマ情報が付与された
時間データを有する例えば新聞、論文等からなる文書セ
ット１と、株価、金利等の時系列データセット２に基づ
き分析処理を行う。分析処理としては、時系列データセ
ット２と対応付けられた文書群について、文書中にテー
マ情報が出現する時点を基準とした予め定めた単位期間
における時系列データの変動量（例えば株価変動）を求
め、該変動量を統計処理したり、あるいは、予め定めた
単位期間において生ずる事象（例えば株価変動）に属す
る時系列データと文書とを対応付け、対応付けられた各
文書群の特徴的テーマ情報を抽出する。なお、上記単位
期間を変更して、異なる視点での分析結果を求めてもよ
い。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文書を時系列デー
タと対応付け、文書に付与されたテーマ情報を利用して
文書の分析を行う文書分析装置に関する。

【０００２】

【従来の技術】従来、文書に含まれる情報を分析する手
法としては、テキスト中の単語や複合語に注目し、これ
らを用いた分析処理が行われている程度であった。

【０００３】

【発明が解決しようとする課題】近年、インターネット
の普及や全文データベースの増加に伴い、我々の身の回
りの文書情報は飛躍的に増加している。それらの文書に
含まれる情報を効率的に活用するためには、文書情報の
整理、分類、分析技術が重要となる。しかし、現状の分
析システムは上記したように文書セットに含まれる情報
を必ずしも十分に活用しているとは言えず、必要な情報
が効率よく入手できる文書分析技術が望まれていた。本
発明は上記事情を考慮してなされたものであって、本発
明の目的は、時系列データと、文書セットの各文書に付
与されたテーマ情報を利用することで文書の効率的な分
析を行うことである。

【０００４】

【課題を解決するための手段】図１は本発明の概要を説
明する図である。同図において、１はテーマ情報が付与
された時間データを有する例えば新聞、雑誌、論文、特
許情報等からなる文書セット、２は株価、金利等の時系
列データセット、３の分析手段であり、分析手段３は、
上記文書セット１と時系列データセット２に基づき、文
書の分析処理を行う。４は入出力手段であり、分析処理
に関連するデータ入力を行うとともに、上記分析手段に
よる分析結果を出力する。図１において、本発明では、
以下のようにして文書の時間データに基づき、文書セッ
トの各文書と時系列データを対応付け、対応付けられた
各文書に付与されたテーマ情報および時系列データを用
いて分析処理を行う。（１）分析手段３は、時系列データセット２と対応付け
られた文書群について、文書中にテーマ情報が出現する
時期を基準とした予め定めた単位期間における時系列デ
ータの変動量を求め、該変動量を統計処理することによ
り分析結果を求める。例えば、上記時系列データが株価
であるとすると、文書中にテーマ情報が出現する時期を
基準とした単位期間における株価の変動を求め、該変動
を統計処理し、上記文書中のテーマ情報と統計量とを対
応付ける。（２）分析手段３は、予め定めた単位期間において生ず
る事象に属する時系列データと文書とを対応付け、対応
付けられた各文書群の特徴的テーマ情報を抽出して分析
結果を求める。例えば、時系列データを株価とし、上記
事象が株価の上昇、下降であるとすると、単位期間にお
いて株価が上昇したか下降したかを調べ、株価の上昇、
下降と、上記単位期間の最初の時期に発行された文書群
とを対応付け、該文書群から特徴テーマ情報を抽出し、
特徴素選択の手法などを用いて、株価の上昇、下降に特
徴的なテーマ情報を抽出する。（３）上記（１）（２）において、分析手段３は、時系
列データの上記単位期間を変更して、異なる視点での分
析結果を求める。本発明においては、上記のように、テ
ーマが付与された新聞記事のように時間データを持つ文
書と、時系列データを対応付け、対応付けられた各文書
に付与されたテーマ情報および時系列データを用いて分
析処理を行っているので、従来のように文書中の単語や
複合語を用いる場合と比べ、効率的な分析を行うことが
できる。

【０００５】

【発明の実施の形態】図２は本発明の実施例のシステム
構成図である。同図において、１１はテーマが予め付与
された時間情報（発行年月日等）を持つ文書セットであ
り、例えば、新聞、雑誌、論文、特許情報等からなる文
書群である。各文書には、予めテーマ情報が付与されて
いる。文書セットの各文書へのテーマ付与は、既存の技
術である文書分類手法を用いることができる。例えば、
ｎａｉｖｅｂａｙｅｓや決定木のような機械学習の手
法を用いても良いし、人手で作成したルールを用いても
良い。１２は時系列データセットであり、例えば株価、
金利、１ドル当たりの円価格等、時間とともに変動する
データ群である。１４は検索モジュールであり、文書セ
ットの中から分析対象となる文書等を検索する。１３は
分析モジュールであり、上記文書セットと時系列データ
を対応付け、対応付けられた各文書に付与されたテーマ
情報および時系列データを用いて分析処理を行う。１５
はユーザとシステムの間のインタフェースをとるための
ＧＵＩモジュールであ。

【０００６】図２において、分析処理は次のように行わ
れる。まず分析処理の準備として、予め、ユーザの指示
等に応じて文書セットの各文書へのテーマ付与を行って
おく。分析処理を行う場合、ユーザは分析対象となる文
書群や時系列データや分析内容をＧＵＩモジュール５か
ら指示する。これに応じて、検索モジュールは、文書セ
ット１１と時系列データセット１２から分析対象となる
文書や時系列データを取り出し、分析モジュール１３は
ユーザからの指示に応じた分析処理を行う。ＧＵＩモジ
ュールは、分析モジュール１３から分析結果を受け取る
と、その結果をユーザへ提示する。

【０００７】次に本発明による分析処理の実施例につい
て説明する。（１）実施例１本実施例では、文書セットに付与されたテーマと時系列
データセットを対応付け、各テーマについて、上記時系
列データセットから統計量を求めることにより、文書セ
ットの特徴を把握する場合の処理について説明する。図
３は本実施例における分析処理を説明する図である。以
下、同図を参照しながら本実施例について説明する。こ
こでは、例として、新聞記事が株価変動に及ぼす影響の
分析を考える。この場合、時間情報を有する文書セット
１１は新聞記事であり、時系列データセット１２は株価
データとなる。新聞記事にはあらかじめ、＜提携＞や＜
新製品開発＞のようなテーマが付与されているとする。
また、株価変動としては、単位期間（例えば１日、１週
間、１か月等）当たりの株価変動を用いる。例えば、ｙ
を当日の株価、ｙｏを単位期間前の株価とすると、株価
変動を次の式に示す株価変動の比ｒとする。ｒ＝（ｙ−ｙｏ）／ｙｏまた、複数の銘柄の比較による株価変動の抽出を行う場
合には、２つの株価変動の差等を用いることもできる。

【０００８】本実施例においては、以下の(i) 〜(iv)に
より分析処理を行う。 (i) 文書セットから分析対象関連の文書を検索する。検
索モジュール１４により文書セット１１（この場合は新
聞記事）から分析対象関連（例えば、企業、業務等）の
新聞記事を検索する。例えばＡ社の株価変動を分析する
場合には、その企業の銘柄に関連する新聞記事を検索す
る。 (ii)その文書集合について、各文書に付与されているテ
ーマの集合と、各テーマが属する文書の発行時期を求め
る。これにより、例えば図３に示すように各テーマとそ
のテーマが付与された文書の発行時期（以下、単に時期
という）が抽出される。上記テーマの集合と時期は分析
モジュール１３に渡される。 (iii) 各テーマについて、そのテーマに属する文書と同
じ時系列的属性を有する時系列データを求め、統計量を
計算する。すなわち、分析モジュール１３により、上記
時期と時系列データセット（この場合は株価）１２を対
応付け、各テーマが属する新聞記事が発行された時期か
ら前記単位期間における時系列データの変動量を求め
る。

【０００９】例えば、図４（ａ）に示すように株価が変
動しており、抽出されたテーマＡ〜Ｃが属する新聞記事
の発行時期（以下、テーマＡ〜Ｃが出現する時期とい
う）が同図に示す時期であったとする。また、ここでは
単位期間が１週間であるとする。同図において、時期ｔ
２でテーマＣが出現したとすると、分岐モジュール１３
は、テーマが出現した日と、その日から１週間後の株価
を調べ、その１週間における株価の上昇率または下降率
を求める。また、翌日のｔ２＋１の時期でテーマＡが出
現したとすると、同様にその日と、その日から１週間後
の株価を調べ、その一週間における株価の変動を調べ
る。以下同様に各テーマについて、そのテーマが出現し
た日から１週間における株価の変動を調べる。以上のよ
うにして各テーマについて、１週間における株価変動が
求まったら、分析モジュール１３の統計処理部１３ａ
は、各テーマについて、株価変動の統計量（例えば平均
と標準偏差）を求める。 (iv)テーマを統計量順にソートする。統計処理部１３ａ
は上記のようにして求めた統計量順にテーマをソートす
る。例えば、統計量が平均と標準偏差の場合には、平均
値が高い順に上記テーマをソートする等の方法を採るこ
とができる。

【００１０】ここでは統計量として、平均と標準偏差を
求めた場合について一例を示す。図５は、上記単位期間
を１日単位として、ある企業（Ａ社）の新聞記事および
株価データを用いて、株価上昇および株価下降と関連の
あるテーマを抽出した例である。各テーマの縦線の中央
の点が株価変動の平均値を、線の長さは標準偏差を示
す。例えば、株価変動の平均値の高い順にソートし、平
均値の高い（図の左側の）テーマに注目することで、＜
高齢者＞、＜ライセンス・特許＞、＜新株発行・社債発
行＞などのテーマの株価上昇との関連が読みとれる。単
位期間を１日から１週間、１ヶ月のように変更すること
により、それぞれの期間における重要なテーマを抽出す
ることができる。図６に上記分析において、単位期間を
一週間とした場合、図７に単位期間を１か月とした場合
を示す。また、各期間に共通して出現するテーマに注目
することで、あまり時間に依存せずに重要なテーマを知
ることもできる。

【００１１】以上のように、本実施例によれば、テーマ
と、時系列データセットを対応付けることで、文書セッ
トの特徴を効率的に把握することが可能となる。なお、
上記実施例では、テーマが出現した時期を開始時期とし
てその時期から単位期間における株価変動の統計量を求
める場合について説明したが、最近では、インターネッ
トからの情報入手等により新聞記事等より早く情報を入
手し、それを元に投資行動を起こすことも考えられる。
この場合には、株価変動の開始時期周辺より遅い時期の
新聞記事とも対応付けた方がより適切であると考えられ
る。このように、テーマの出現した時期と株価変動時期
との対応付けは状況に応じて適宜選定してもよい。

【００１２】上記説明では、平均値μ_iと標準偏差σ_i
を求めてソートしているが、各テーマｔ_i（新聞記事件
数ｎ件）の株価変動の平均値μ_iと標準偏差σ_iを比較
する方法としては、その外、下記（１）式に示すよう
に、株価変動の全体の平均μおよび標準偏差σとの検定
統計量Ｚを求め、その順にソートする等の方法を用いて
もよい。

【００１３】

【数１】

【００１４】図８に、上記実施例において単位期間が一
週間、一ヵ月の場合の平均値と標準偏差σおよび上記
（１）式により求めた検定統計量Ｚを示す。同図（ａ）
は単位期間が一週間の場合、（ｂ）は一ヵ月の場合であ
り、この例では、平均値順にソートした場合と、Ｚ値順
にソートした場合とでほぼ同じ結果が得られている。

【００１５】（２）実施例２本実施例では、分析対象となる事象が時系列データセッ
トに発生した時期に発行された文書に付与されたテーマ
を求めることで、文書セットの特徴を把握する場合の処
理について説明する。図９は本実施例における分析処理
を説明する図である。以下、同図を参照しながら本実施
例について説明する。ここでは、株価変動の外部要因分
析を新聞記事に基づいて行う例について説明する。この
例でも、先の実施例と同様、時間情報を有する文書セッ
ト１１は新聞記事であり、時系列データセット１２は株
価データとなる。また、新聞記事にはあらかじめ、＜提
携＞や＜新製品開発＞のようなテーマが付与されている
とする。先の例では、テーマに属する記事全体と株価変
動との関連を分析したが、この例では、大きな株価変動
時におけるその要因としてのテーマを知ることを考え
る。

【００１６】本実施例においては、以下の(i) 〜(iv)に
より分析処理を行う。 (i) 分析対象となる事象が発生した時期を時系列データ
セットから抽出する。分析モジュール１３は、時系列デ
ータセット１２から分析対象事象である株価の変動が発
生した時期を抽出する。 (ii)時系列データに現れる事象が発生した時期に発行さ
れた文書集合を求める。時系列データセット１２から株
価変動が発生した時期が抽出されると、検索モジュール
１４は文書セット１１からその時期に発行された分析対
象関連の新聞記事群を検索する。 (iii) 各事象について、その事象に属する文書集合のテ
ーマ情報を取得する。分析モジュール１３は、検索モジ
ュール１４により検索された新聞記事群の各記事からテ
ーマ情報を取得する。例えば、図４（ｂ）に示すように
株価が変動しており、ここでは単位期間が１週間である
とする。また、テーマＡ〜Ｃが属する新聞記事の発行時
期（以下、テーマＡ〜Ｃが出現する時期という）が同図
に示す時期であったとする。分析モジュール１３は、時
系列データセット１２における１週間単位での株価変動
を調べる。そして、検索モジュール１４は株価の上昇、
下降時に発行された文書群を検索し、その文書に付与さ
れたテーマ情報を取得する。

【００１７】例えば図４（ｂ）に示すようにｔ２の時期
から、単位期間である１週間の間に株価が上昇した場合
には、その一週間が始まる最初の日であるｔ２の時期に
出現するテーマＣを、株価上昇に対応したテーマとして
取得する。また、同様に、翌日のｔ２＋１の時期から１
週間の間に株価が上昇した場合には、ｔ２＋１の時期に
出現するテーマＡを、株価上昇に対応したテーマとして
取得する。同様に、ｔ４の時期から１週間の間に株価が
下降した場合には、ｔ４の時期に出現するテーマＢを、
株価下降に対応したテーマとして取得する。 (iv)テーマ情報を元に、各カテゴリーの特徴テーマを、
特徴抽出の手法に基づき抽出する。分析モジュール１３
は上記のようにして抽出されたテーマ情報に基に、特徴
素抽出部１３ｂにおいて、特徴素選択の手法などを用い
て、それぞれの時期に発行された新聞記事に特徴的なテ
ーマを抽出する。上記特徴的なテーマの抽出は、例えば
次のように行うことができる。 (a) 特徴素選択の手法に基づき、各クラス（株価上昇、
株価下降等）の特徴テーマの候補を抽出する。 (b) 最大エントロピー法に基づき、抽出された特徴テー
マ候補が適切であるかどうかを確認する。特徴素選択の
手法には幾つかの手法があるが、ここでは、比較的良好
な結果が得られるχ²法に基づく方法を用いた。すなわ
ち、各クラス（株価上昇、株価下降等）における特徴テ
ーマを求めるため、以下の（２）（３）式に示すクラス
Ｃ_jにおけるテーマｔ_iの出現頻度のｘ _ij の理論度数
ｍ_ijからのずれをテーマの評価点score(i,j)として、あ
るクラスにおける評価点の大きい順に特徴テーマとして
選択する。

【００１８】

【数２】

【００１９】ここで、上記（３）式のｍはテーマの異な
り数を、ｎはクラスの数を、ｘ_ijはクラスｃ_jにおける
テーマｔ_iの出現頻度をｍ_ijはクラスＣ_jにおけるテー
マｔ _iの理論度数を、それぞれ現す。なお、上記χ²法
に変えて、Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ情報量に
基づく方法など他の方法を用いてもかまわない。上記特
徴素選択に基づく手法では、各クラスを特徴付けるテー
マを抽出できるが、クラス間でのテーマの比較を行うこ
とは単純にはできない。そこで、特徴テーマの候補が適
切であるかどうかを確認するため、上記のように最大エ
ントロピーを用いて確認することが考えられる。本実施
例により、ある企業（Ａ社）の新聞記事および株価デー
タを用いて、株価上昇および株価下降と関連のあるテー
マを抽出した例（単位期間：１週間）を図１０に示す。
株価上昇と関連の深いテーマとして＜合弁・提携＞、＜
ライセンス・認可＞などがあることが分かる。上記テー
マを用いず文書中の単語を用いて株価上昇および株価下
降と関連のある特徴語を抽出した例（単位期間：１週
間）を図１１に示す。図１１と比較すると図１０では株
価上昇や株価下降時の特徴が明確に表れており、本手法
を用いることで株価上昇および株価下降の要因を従来手
法よりも的確に分析できることが分かる。なお、本実施
例においても、前記実施例１と同様、テーマの出現した
時期と株価変動時期との対応付けを状況に応じて適宜選
定してもよい。

【００２０】

【発明の効果】以上説明したように、本発明において
は、テーマが付与された新聞記事のように時間データを
持つ文書と、時系列データを対応付け、対応付けられた
各文書に付与されたテーマ情報および時系列データを用
いて分析処理を行っているので、従来のように文書中の
単語や複合語を用いる場合と比べ、効率的な分析を行う
ことができる。

【図面の簡単な説明】

【図１】本発明の概要を説明する図である。

【図２】本発明の実施例のシステム構成図である。

【図３】実施例１における分析処理を示す図である。

【図４】実施例１および実施例２を説明する図である。

【図５】Ａ社のテーマ毎の株価の変動値（単位期間１
日）を示す図である。

【図６】Ａ社のテーマ毎の株価の変動値（単位期間一週
間）を示す図である。

【図７】Ａ社のテーマ毎の株価の変動値（単位期間一ヵ
月）を示す図である。

【図８】平均値と標準偏差σおよび検定統計量Ｚ（単位
期間が一週間、一ヵ月）を示す図である。

【図９】実施例２における分析処理を示す図である。

【図１０】Ａ社の株価の上昇／下降時の特徴テーマ（１
週間単位）を示す図である。

【図１１】文書中の単語を用いて抽出した場合のＡ社の
株価の上昇／下降時の特徴語（１週間単位）を示す図で
ある。

【符号の説明】

１文書セット２時系列データセット３分析手段４入出力手段１１文書セット１２時系列データセット１３分析モジュール１４検索モジュール１５ＧＵＩモジュール

Claims

【特許請求の範囲】

【請求項１】テーマ情報が付与された時間データを有
する文書セットと、時系列データセットに基づき、文書
を分析する装置であって、上記文書の時間データに基づき、文書セットの各文書と
時系列データを対応付け、対応付けられた各文書に付与
されたテーマ情報および時系列データを用いて分析処理
を行って分析結果を求める分析手段と、分析処理に関連するデータ入力を行うとともに、上記分
析手段による分析結果を出力する入出力手段とを備えた
ことを特徴とする文書分析装置。
【請求項２】上記分析手段は、時系列データと対応付
けられた文書群について、文書中にテーマ情報が出現す
る時期を基準とした予め定めた単位期間における時系列
データの変動量を求め、該変動量を統計処理して分析結
果を求めることを特徴とする請求項１の文書分析装置。
【請求項３】上記分析手段は、予め定めた単位期間に
おいて生ずる事象に属する時系列データと文書とを対応
付け、対応付けられた各文書群の特徴的テーマ情報を抽
出して分析結果を求めることを特徴とする請求項１の文
書分析装置。
【請求項４】上記分析手段は、時系列データの上記単
位期間を変更して、異なる視点での分析結果を求めるこ
とを特徴とする請求項２または請求項３の文書分析装
置。
【請求項５】テーマ情報が付与された時間データを有
する文書セットと、時系列データセットに基づき、文書
を分析するプログラムであって、上記プログラムは、コンピュータに、上記文書の時間データに基づき、文書と時系列データを
対応付ける手順と、対応付けられた各文書に付与された
テーマ情報および時系列データを統計処理する手順と、上記統計処理結果を出力する手順を実行させることを特
徴とする文書分析プログラム。