JP2003524258A

JP2003524258A - 電子ドキュメントを処理する方法および装置

Info

Publication number: JP2003524258A
Application number: JP2001562361A
Authority: JP
Inventors: ゲールケ、アレクサンダー; ラバルト、マティアス; ルーヤン、パル
Original assignee: エスイーアール・システムズ・アーゲー
Priority date: 2000-02-23
Filing date: 2001-02-02
Publication date: 2003-08-12
Anticipated expiration: 2021-02-02
Also published as: EP1128278A1; CA2401172C; EP1259903A1; JP4782346B2; EP1128278B1; DE60005293D1; AU2001233736A1; AU2009208162A1; AU2007202382B2; WO2001063467A1; AU2007202382A1; ES2208164T3; DE60005293T2; CA2401172A1; US20080040660A1

Abstract

(57)【要約】【解決手段】複数の構成要素を含む電子ドキュメントに基づく分類装置により使用されるべき入力を発生させる、コンピュータによって実現される方法。この方法は、前記電子ドキュメントを解析して、前記ドキュメントにおける対応する位置に関する情報とともに１つまたは複数の前記構成要素を獲得すること、および前記分類装置の前記入力として使用されるべき電子レイアウトドキュメントを生成することを含む。前記電子レイアウトドキュメントは、前記解析するステップにおいて前記電子ドキュメント中の絶対および／または相対位置を表す情報とともに獲得された前記複数の構成要素の表現を含む。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】

本発明は、電子ドキュメントを処理する方法および装置に関し、特に電子テキ
ストドキュメントから特定要素を抽出するものに関する。

【０００２】

【従来の技術】

近頃、大企業や行政官庁等の事業主体で処理される莫大な量のドキュメントに
対処するための電子ドキュメント処理(electronic document processing: EDP)
がより重要となっている。書面をスキャン処理し、これを電子的な形式に変換す
る光学式文字認識（optical character recognition: OCR）処理した結果のドキ
ュメントを、電子的な形態で保有することは今日、一般的に行われている。

【０００３】そのようなドキュメントを大量に処理しなければならない場合、例えば、規則
的な態様で格納されている特定のデータを例えばデータベースに格納する場合に
、誕生日、生誕地等といった特定の情報部分（ドキュメントの要素）を電子ドキ
ュメントから自動的な方法で抽出できることが望ましい。もし、例えばある企業
が大量の履歴書を自動処理したい場合、電子ドキュメントから自動的な方法でこ
れらのデータを抽出できることが望まれる。例えばＥＲＰシステムの会計情報の
抽出など、他の用途についても、テキストドキュメントからのデータ抽出が望ま
れる。特定のテキスト情報もしくはテキスト要素、または特定の数あるいは数情
報をテキストドキュメントから抽出することが望まれており、これを目的とする
多くの出願があるものと想像される。テキストドキュメントは、例えば、抽出す
べき特定の情報分類に属していることから抽出すべきであるとする特定の関心デ
ータを含むドキュメントであるということができる。

【０００４】電子的なテキストドキュメントから特定のデータを抽出する従来の抽出システ
ムは、所望のデータが位置付けされていることを前提に、ドキュメント中の固定
位置を検索するよう動作する。

【０００５】この種の検索アルゴリズムはあまり上手く機能しない。何故なら、所望のデー
タがいつも同じ場所に位置付けられる所定フォーマットを有するドキュメントに
、高く依存しているからである。

【０００６】

【発明が解決しようとする課題】

そこで本発明は、テキストドキュメントから特定のデータ部分を抽出する従来
方法の改善を目的とする。

【０００７】

【課題を解決するための手段】

一観点に係る本発明は、テキストドキュメントの要素を表し、分類装置への入
力として用いることのできるレイアウトドキュメントを生成する方法および装置
を提供する。この観点に係る本発明により生成されたレイアウトドキュメントは
特定の形式を有しており、分類装置は、レイアウトドキュメントにより表された
テキスト要素についての分類を改善できる。したがって、テキストドキュメント
からの特定テキスト要素の抽出を改善可能になる。

【０００８】本発明の一観点によれば、レイアウトドキュメントは、電子テキストドキュメ
ントの要素に基づいて生成される。該レイアウトは、それぞれの対応する位置の
表現と前記ドキュメント要素の表現とを組にして保持している。そのようなレイ
アウトドキュメントを生成することにより、ドキュメント要素をその幾何学的コ
ンテキスト（その近傍／周囲の）要素とともに評価することが可能になり、した
がって、そのフォーマットまたは要素自身のコンテキストのみならず、該要素が
特定のカテゴリに属するか否かを評価するための他の情報をも利用することが可
能になる。また、要素またはそのフォーマット自身を考慮するのみならず、むし
ろ、その周囲領域、該周囲領域に含まれるそれぞれの要素をも考慮することによ
り、分類装置は、テキストドキュメントが特定のカテゴリに属するか否かについ
ての更なる手がかり（hint）を受け取る。これら更なる手がかりは、周囲領域お
よびこれに含まれるテキスト要素から与えられ、ニューロンネットワークのよう
な分類装置により認識または学習される。これにより訓練されたニューロンネッ
トワークは、分類を改善できるとともにテキストドキュメント要素の抽出を改善
できる。

【０００９】本発明のさらなる観点によれば、特定カテゴリに属する複数要素についてのレ
イアウトが生成され、この生成されたレイアウトは、当該カテゴリの要素を認識
できるよう分類装置を訓練するために用いられる。分類装置は好ましくはニュー
ロンネットワークであり、複数要素について生成されたレイアウトにより訓練さ
れ、該レイアウトが生成された要素について、この要素が特定カテゴリに属する
か否かを訓練段階において装置に入力することにより訓練される。そのようにし
て訓練されたニューロンネットワークもしくは分類装置は、さらに、未知テキス
ト要素を分類し、未知テキストからの要素抽出をするために利用できるようにな
る。

【００１０】本発明のさらに別の観点によれば、訓練された分類装置は、未知要素が特定カ
テゴリに属するか否かを、この要素について生成されたレイアウトドキュメント
に基づいて評価し、特定カテゴリに属するドキュメントから要素を抽出するため
に用いられる。

【００１１】本発明のさらに別の観点では、抽出されたデータが属するはずのカテゴリにた
ぶん属しており、特定の検索基準に従う候補を特定する。検索基準は、好ましく
は、要素のフォーマット、語検索基準、耐障害語検索基準、もしくはこれら基準
の組み合わせとすることができる。これら候補の各々について、電子ドキュメン
ト中の候補それ自身とその位置に基づき、および、前記ドキュメント中における
他の電子ドキュメント要素とその位置に基づいてレイアウトドキュメントを生成
してもよい。好ましくは候補の隣または周囲に、一つ以上の事前定義領域内で位
置するレイアウトドキュメントを生成する場合に、これら要素は考慮されること
が好ましい。

【００１２】このようなレイアウトドキュメントに基づき、候補が所望のカテゴリに実際に
属するか否かの判断がなされる。

【００１３】本発明の好ましい実施例によれば、前記候補が所望カテゴリに属するかについ
ての判定は、分類装置を用いてなされる。かかる分類装置は、好ましくはニュー
ロンネットワークである。このニューロンネットワークは、候補のレイアウトド
キュメントを用い、さらに、該ニューロンネットワークに対しこれら候補が所望
カテゴリに属するか否かを入力として与えることにより訓練されたものとしてよ
い。

【００１４】本発明のさらに好ましい実施例によると、候補が所望カテゴリに属するか否か
の判定は、１９９９年４月２８日提出、本出願の優先権主張に係る欧州特許出願
第99108354.4号（引用によりここに取り込まれる）に記載の方法または装置を用
いてなされる。

【００１５】

【発明の実施の形態】

本発明は、図１に示されるようなコンピュータシステムによって、実行するこ
とができる。

【００１６】図１は、本発明の好ましい実施形態に関連して使用されるコンピュータシステ
ムの構成を概略的に示している。コンピュータ１００は、ＣＰＵ１１０、メモリ
１２０、および、Ｉ／Ｏユニット１３０を含んでいる。コンピュータ１００は、
ＣＰＵ１１０がメモリ１２０からフェッチしたコンピュータの指示をＣＰＵ１１
０を介して遂行することによって、プログラムを実行することが可能である。そ
の指示は、ＣＤ−ＲＯＭまたはフロッピー（登録商標）ディスクのような記憶装
置１５０に格納されている。Ｉ／Ｏユニット１３０は、ユーザがコンピュータに
データを入力することが可能になるように、キーボード１６０およびマウス１７
０に接続している。さらに、Ｉ／Ｏユニット１３０は、ハードコピーとしてドキ
ュメントを出力するために、プリンター１８０に接続している。コンピュータ１
００は、さらに、モニターのようなディスプレーユニット１４０に接続している
。図１に示されたコンピュータの構成は、典型的な構成のみであると解されるべ
きである。また、並行処理コンピュータ、ハードウェアを提供しているニューロ
ンネットワークコンピュータ、または、後に説明される方法を遂行することが可
能な他の任意のコンピュータシステムのような他のコンピュータ構成が、本発明
に関連して使用されることが可能である。

【００１７】本発明は、以下、図２に示されるように履歴書（Curriculum Vitae）から誕生
日（Date of Birth）を取り出すことに関連して説明される。履歴書から誕生日
を取り出すことに関連する本発明の記述が、典型的な目的のためのみに対して意
図されたものであることは、熟練者によって直ちに理解されるであろう。また、
下に記述されるような同様な方法と装置が、たとえば、口座フォームシートから
口座番号を取り出す、商品明細書から価格を取り出す、工場での在庫量を示す値
を対応するシートから取り出す等のように、情報のある部分から取り出された他
の任意のテキストドキュメントに適用されることが可能であることも熟練者によ
って直ちに理解されるであろう。

【００１８】履歴書は、コンピュータ、または、電子形式でデータキャリア上に格納されて
いる。履歴書は、ワードプロセッサを使用して編集した結果であってもよいし、
または、その電子ドキュメントが、スキャニング工程に続く光学式文字認識工程
の結果であってもよい。履歴書の代わりに、特定の意味を有する要素またはある
カテゴリに属する要素が取り出される任意のドキュメントが使用されてもよい。

【００１９】最初に、電子ドキュメントは、電子ドキュメントを構成している個々の要素を
得るために解析される。ここで、「要素」とは、ブランク、タブレーター、強調
線のようなデリミタによって、または、１つの要素を他の要素から区切るものと
して解釈される任意の他のデータ要素によって、他の要素から分離される文字の
任意のシーケンスを意味する。テキストを個々の要素に分離する最も単純な方法
は、テキスト部分を、互いが任意の空白（ブランク）によって分離されている要
素と同一視することである。しかしながら、解析の目的によっては、さらなる判
定基準が考慮される場合がある。たとえば、上述した強調線、ハイフン、キャリ
ッジリターン、または、１つの要素を他の要素から分離しているものとして見な
される電子ドキュメントの他の要素が考慮される。個々の要素を同一視する場合
に考慮するべき他の判定基準は、個々の文字間の幾何学的な距離である。たとえ
ば、２つの文字間の距離が値を超えると２つの文字は異なる要素であると解釈さ
れる閾値が定義される。この例では、ある要素は、任意の単一文字、または、ブ
ランクによって他の「要素」から分離された文字のシーケンスであるとしている
。

【００２０】図２に示されたテキストドキュメントのこの例では、熟練者には直ちに明らか
になるように、最初の２つの要素が「curriculum」と「vitae」であり、他の要
素は「Tel:」、「Fax:」等である。これらの要素は、たとえばブランクを単に探
すパーサー（parser）によって識別される。

【００２１】要素自身を得るだけでなく、ドキュメントでのそれらの対応する位置を得るこ
とがある。たとえば、各要素がドキュメント中に位置している場所であるＸ座標
とＹ座標を計算することによって対応する位置を得る。その位置は、レイアウト
ドキュメントを生成するために後に使用される。

【００２２】電子テキストドキュメントの個々の要素を識別した後に、これらの要素がいわ
ゆる「ワーキングドキュメント」に格納される。ワーキングドキュメントでは、
識別された各要素が、電子ドキュメントでの各要素の位置に関する情報とともに
格納される。たとえば、要素「curriculum」は、電子ドキュメントでのその要素
の位置を識別するそのＸ座標とＹ座標とともに格納される。ワーキングドキュメ
ントは、要素に対応する位置とともに識別されている全ての要素を格納するため
の便利なツールであるので、後に詳細に説明されるレイアウトドキュメントの生
成にとって、レファレンスがワーキングドキュメントにつくられる。任意のテキ
ストドキュメントから生成されるワーキングドキュメントの一例が、図３に示さ
れている。タグ１、タグ２等のタグは、対応する要素の位置情報を含んでいる。
この情報は、任意の形式で表現されてもよい。たとえば、直接的にタグ内の要素
のＸ、Ｙ座標を格納することによって表現される。図３内の要素は、たとえば、
テキストドキュメントで識別された個々の単語、または、要素として以前に説明
された方法を介して識別された任意の他の文字シーケンスであってもよい。そし
て、そのタグは、Ｘ、Ｙ座標に関してそれらの要素が位置する場所というように
それらの要素の位置についての情報を含んでいる。タグもまた、それらのフォン
ト、それらに下線が引かれているか否か、または、任意の同様な情報といった要
素のスタイルの指示をさらに具備していてもよい。たとえば、対応するタグが、
要素がボールドフェイス文字でありことを表現する文字シーケンス「bf」を具備
しているあるボールドフェイスの要素にとって、もう１つの文字シーケンスは要
素に下線が引かれていること、またはそのようなことを表現していてもよい。

【００２３】ある要素の位置は、たとえば、その個々のピクセル値にもとづいて計算された
要素の重心を示していてもよいし、要素の位置を示す任意の他の幾何学的情報を
示していてもよい。たとえば、あるボックスは、要素に囲まれて構成されていて
、ワーキングドキュメント内の対応するタグを介してテキスト中の要素位置を示
す場合は、ボックスの最大と最小のＸ座標間の平均が、要素位置のＸ座標とされ
てもよいし、さらに、ボックスの最大と最小のＹ座標の平均が、要素のＹ座標と
して使用されてもよい。

【００２４】ワーキングドキュメントは、タグの各位置と、場合によっては、各要素の各フ
ォント、それらのスタイル、それらにアンダーラインが引かれているか否か等の
ような上述したさらなる情報を示すタグとともに、識別された要素のリストを含
んでいる。

【００２５】このように、対応する位置と場合によっては他の情報とともに電子的なテキス
トドキュメントの個々の要素のリストを含んで、ワーキングドキュメントは生成
される。さらに、電子ドキュメントに含まれている水平線、垂直線またはグリッ
ドのようなテキストでない要素がワーキングドキュメントに取り込まれていても
よい。そしてそれらのテキストでない要素も、符号化スキームにしたがって、そ
れらの位置とそれらの形（水平、垂直、線、グリッド、またはそれに類するもの
）ワーキングドキュメントに格納されている。たとえば、水平線は文字シーケン
スAAAAによって、垂直線は文字シーケンスBBBBによってワーキングドキュメント
内で示されていてもよい。そしてそれぞれの文字シーケンスの後に、線の位置を
示すタグが続いている。

【００２６】このように作成されたワーキングドキュメントは、抽出された要素になりうる
識別候補要素群に用いることができる。そのために、ワーキングドキュメント（
あるいは、おそらくワーキングドキュメントが生成されることによる”ソースド
キュメント”）は、例えばフォーマットの基準といった特定の検索基準を満たし
ている識別候補要素を識別するためにパースされる（parsed）。この段階では、
すべての要素の候補は、所望の抽出された要素の可能性のある候補を見つけだす
ために解析される。

【００２７】望ましくは、個々の要素が検索されるだけではなく、個々の要素をスペースで
区切る方法で複数の要素の組み合わせが検索される。例えば、８桁の番号を用い
るために推定されるバンキングアカウントナンバーの検索の場合には、”999999
99”か”999999 99”か、”9 9 9 9 9 9 9 9”か、またはそのほかの組み合わせ
が８桁の番号で代行できる。そのようなバンキングアカウントナンバーの検索は
、その目的のために例えば８桁の数字の検索によって実行される。抽出されるべ
き要素の情報の内容によって、別のフォーマットを検索基準として用いることが
できる。実行できる検索基準は、規則的な表示（特定フォーマット、文字列、数
字列（a sequence of numbers）、また場合によっては、リクエストされる特定
の桁総数（a certain total number of digits）であり、これらを検索するフォ
ーマット検索のようなもの）を検索することであるか、あるいはこれに類似した
ものである。別の検索基準は、類似の（comparison）文字列を実行することによ
るシンプルな予め定義された要素が実行される検索である。例えば、ワード”bi
rth”と、検索基準が候補として表示されるであろう時の条件を満たしている各
要素と、について行う検索である。

【００２８】別の可能な検索基準は、いわゆる指定検索（designator）と呼ばれるものであ
る。指定検索とは、要素が、特定の位置（左・右・上・下）での候補について、
別の検索基準によって見つけだされ、検索される。例えば、検索基準がワード”
birth”を検索するときには、指定検索は要素”birth”の右に位置する要素を実
行する。そしてこのような場合には、生じた候補は要素”birth”の右に位置す
る要素である。図２の例では、そのような指定検索要素”May 5, 1960”が候補
として表示される。

【００２９】別の検索基準は、データベースに存在するすべての要素の検索を実行するもの
である。

【００３０】望ましくは候補の検索は、視覚的な文字認識の典型的なエラーを無視するため
に、邪魔な接頭辞／接尾辞が無視できるフォールト・トレラントである。あるい
は、”,”や”.”のような要素を無視できることである。例えば、図２の場合で
は、フォールト・トレラント検索のようなものによって、ワード”birth”のワ
ード検索を実行する。例えば、ワイルドカードを用いることによって行う。検索
は、要素”birth:”が候補として表示されるために、要素”birth”を実行する
。指定検索によって、要素”birth”の右に位置する現在の日付が候補として抽
出される。

【００３１】候補検索が実行される方法によって、さらに多くの、またはさらに少ない抽出
された要素の候補が識別される。

【００３２】他の検索方法は、例えば、三連文字（trigram）検索を含むものであり、三連
文字検索とは、３つの文字を組み合わせて検索を行うものである。これはまた、
フォールト・トレラント検索であり、例えば、候補にスペルミスが発生した際に
、三連文字検索は、それにもかかわらず候補を得る。というのは、正しい三連文
字として識別された候補にはいくつかの文字列が含まれているからである。別の
フォールト・トレラント検索方法は、レーベンシュタイン・ディスタンス（Leve
nshtein distance）を用いる。レーベンシュタイン・ディスタンスは、１つの文
字列から別の文字列へ変化するキーボード上の必要なキー入力の数の表示である
。レーベンシュタイン・ディスタンスに基づいたフォールト・トレラント検索が
実行される。

【００３３】望ましくは、候補検索は、検索基準を用いて合致する要素のワーキングドキュ
メントの検索によって実行される。それによって、要素のドキュメントの解析は
、すでに実行され用いられている。原則として、一方で、候補の検索は、テキス
トドキュメント上で直接実行することもできる。

【００３４】検索は、直接的に検索のための情報を含んでいる可能性のある候補要素を得る
。それは、しかるべく適合されるべき検索基準を検索する情報に基づいて容易に
明らかである。一方、アカウント番号（number）を検索したときに、望ましくは
、フォーマット基準が用いられ、フォーマット基準は、場合によっては既知のア
カウントナンバーのナンバーフォーマットが利用される。place of birthを検索
した際に、文字列検索は、さらに見込みがあり、その結果、数字（number）を検
索する。特別な検索された情報の断片のための検索基準（フォーマット検索、ワ
ード検索、データベース検索、指定検索等、あるいは、それらの組み合わせ）の
適合は、特別な状況（circumstance）に続いて熟練者（skilled person）によっ
て選ばれる。

【００３５】見つけだされた候補に、訓練手順（training procedure）において、後述する
分類装置が用いされるときには、望ましくは、見つけだされた候補が何らかの形
で、ユーザに対して示されたり表示されたりすることによって、見つけだされた
候補が検索した情報に適合するかどうかをユーザが確認できる。それによって、
分類装置は後で説明されるように訓練される。候補を表示することは、例えば、
検索されたテキストドキュメント内の主要部分によって行われる。そして、ユー
ザが確認することができるか、または例えば、マウスクリックによって表示され
た候補を捨てることができる。

【００３６】フォーマット検索またはフォールト・トレラント検索は、抽出された要素を提
供する。候補検索の結果は、すでに正確さの点では、全く良く、そのため、検索
された要素の特有の性質に基づいており、それらのフォーマットまたは、それら
の現在の情報の内容のようなものである。以下に説明されるように、候補は、一
方で、さらに候補以外のアカウント要素を取り入れることにより、特定のカテゴ
リに属しているか否かについて、さらに判断される。

【００３７】候補のそれぞれについて、いわゆるレイアウトドキュメントが作成される。こ
のレイアウトドキュメントは、電子ドキュメントにおける候補とその位置の表示
のみならず、前記候補要素の周囲の他の要素とその位置の表示をも含んでいる。
したがって、レイアウトドキュメントは、電子ドキュメント自身における候補と
その位置を電子表示したものである。同様に、電子ドキュメントにおける他の要
素とその対応する位置を電子表示したものでもある。好ましくは、ある候補のた
めに生成されたレイアウトドキュメントは、前記候補の周囲の一定領域のために
生成される。この領域（あるいは対応する複数の領域）は、予め定義しておくこ
とができる。あるいは、ユーザ定義によってもなされうる。

【００３８】図４は、ユーザインターフェイスを介してなされる周囲領域の定義例を示して
いる。図４は、前記候補を囲んでいる合計４つのボックスが、ユーザによってど
のように定義されるのかを示している。第１のボックスは候補の全方向を取り囲
んでいる。第２のボックスは、候補の左近傍側を表している。第３のボックスは
、候補の右近傍側を表している。第４のボックスは、候補の上近傍側を表してい
る。オプションとして、候補の下近傍側の位置を表す追加ボックスも使われうる
。ユーザは、インチ毎のサイズを表す値を、あるいはピクセル、ミリのような他
の単位を入力することによって、ボックスのサイズを指定することができる。各
ボックスのサイズについては、図４にその例を示すとおり、ユーザにより設定す
ることができる。あるいは、予め定義しておくようにしてもよい。レイアウトド
キュメントを生成するための領域は、ユーザが、自分が抽出したい要素の具体的
カテゴリに基づいて定義することができる。

【００３９】レイアウトドキュメントを生成するために、レイアウトドキュメントの領域を
定義しているボックスの中に分類された電子ドキュメントの位置に関連した全て
の要素は、レイアウトドキュメントを生成するために考慮される。そのために、
作業ドキュメントに対してリファレンスを作成することができる。この作業ドキ
ュメントでは、全ての要素が対応する位置とともに格納されている。

【００４０】以下では、候補要素を取得するプロセスが、候補として、図２のドキュメント
における要素である「May 5, 1960」を返してきたものと仮定する。この候補は
、例えば、連続した３要素の組み合わせを検索するフォーマット検索の結果であ
る。ここで３要素のうち２つは、整数（日と年を示す）であり、残りの１つは数
、または月を表す文字とする。この検索結果は、３要素を連続して組み合わせた
ものとなる。また、候補としてMay 6, 1960を検索することができる他の検索基
準を考慮することも可能である。このような他の検索基準としては、たとえば、
指定検索がある。この指定検索では、要素「birth」の隣にある３要素を検索す
る。こうすることによっても、May 6, 1960を候補として出力するという結果を
得る。規則的表現を対象とした他の検索を行うことによっても、May 6,1960を候
補として得ることができる場合がある。たとえば、３要素を含んでおり、うち２
要素は数字であり、３番目の要素は文字または数字であり、数字のうちの１つは
１から３１までの範囲内にあるというような規則的表現である。「date」である
情報の一部を検索することによって候補を導くことができる検索基準について多
くの定義が可能であることは、当業者にとっては明らかなことである。

【００４１】 1つ以上の候補が、上述したような検索処理によって取得されている。おのお
のの候補に対しては、第１の周囲領域と同様にして候補を表示したレイアウトド
キュメントが生成される。レイアウトドキュメントを生成するために、レイアウ
トドキュメントの生成のために使用される領域内にある要素が、先ず識別される
。次にこれら要素に基づいてレイアウトドキュメントが生成される。レイアウト
ドキュメントは、要素と同様候補の表示を含んでいる。ここで、要素は、対応す
る位置とともに、領域に存在している。

【００４２】図５は、図２のテキストドキュメントに対するレイアウト領域の一例を示して
いる。ここで候補は「May 5, 1960」であり、図５の波線は、候補を囲んでいる
レイアウト領域を定義している。この領域を分類している図２および図５のドキ
ュメントの全要素は、ぞれぞれレイアウトドキュメントを生成するために用いら
れる。図５に示された領域は、図４のうちの何れか１つのようなインタフェース
を用いているユーザ定義の結果得られるものである。あるいは、予め定義してお
くことも可能である。

【００４３】図５の例で示された候補「May 5, 1960」と、対応するレイアウトデータにつ
いて生成されたレイアウトデータの一例を図６に示す。レイアウトドキュメント
の第１行目は、要素「May 5, 1960」自身に対応している。これは、レイアウト
ドキュメントにおいて、文字列「DDMMYY」で表されている。というのも、本実施
形態における特別な実行に従うと、そのフォーマットは「date」に対応するから
である。しかしながら、フォーマット「date」の表示、すなわち「DDMMYY」のよ
うに認識可能なフォーマットが、レイアウトドキュメント中において、前記フォ
ーマットの対応する表示によって置き換えられることは、認識可能な要素である
レイアウトドキュメントを生成するような好ましいオプションの場合を除いては
不要である。文字列「DDMMYY」の右側の文字列は、電子ドキュメントにおける要
素の位置を示している。これについては、後で詳細に説明する。

【００４４】図６に示されたレイアウトドキュメントにおける第１行目は、すなわち、候補
要素である「May 5, 1960」に対応している。図２に示された電子ドキュメント
における候補の位置とそのサイズは、文字列「MXMYWLHM」によって表現される。
これについてもまた、後に説明する。

【００４５】文字列「MXMYWLHM」を通じて、レイアウト右ドキュメントに表示された電子ド
キュメントにおける候補要素の位置を更に説明するために、参照が図７に対して
なされている。図７は、いわゆる候補ボックスを示している。候補ボックスとは
、候補要素が並んでいる長方形のことを意味する。候補要素のサイズ（例えば、
フォント）に対応して、候補ボックスのサイズが変更される。そして、図７の右
手側に概要例示したようなボックスサイズに対するコー化処理を行うことによっ
て、レイアウトドキュメント内に表示することができる。符号化処理に基づき、
ボックスサイズが「WLHM」として符号化される。「WLHM」とは、図７に示してい
るように、「長い幅」（ＷＬ）と、「中位の高さ」（ＨＭ）とからなる候補ボッ
クスであることを意味している。この符号化シーケンスは、次に、図６のレイア
ウトドキュメントの第１行目に記載されている最後の４文字であるＷＬＨＭへと
移る。実際の値がどの符号化シーケンスによって符号化され表示されているか、
言い換えると、具体的にどの値が「小」として符号化され表示されており、どの
値が特別な処理に基づき当業者によって選択された「大」として符号化され表示
されているかは容易に理解される。

【００４６】したがって、図６に示すレイアウトドキュメントの第１行目を見て分かるよう
に、ドキュメント中における候補ボックスの位置（候補自身の位置を表している
）のみならず、候補ボックスのサイズ（候補のサイズを表している）もまた符号
化処理される。なお、符号化処理については、後に説明する。対応する符号化シ
ーケンスを行った候補ボックスのサイズの表示は、図７の右手側の底部に図式的
になされる。Ｘ方向に対して、小さな候補をもつ候補ボックスは「ＷＳ」（幅小
）と符号化される。一方、中位のサイズの候補ボックスは「ＷＭ」（幅中）、Ｘ
方向に長く延びた候補ボックスは「ＷＬ」（幅長）、Ｘ方向に更に長く延びた候
補ボックスは「ＷＸ」（幅極長）として符号化される。同様に、どの値が、どの
符号化処理に割り当てられるかは、当業者が選択する事柄である。

【００４７】幅の場合と同様に、候補者ボックスの高さについても、「HS」、「HN」、「HL
」、および「HX」のうちの何れかのシーケンスに符号化される。図５に示すよう
に、候補が「May 5,1960」である場合、候補ボックスは、「WLHM」として符号化
される。この「WLHM」は、Ｘ方向に対して長い幅、Ｙ方向に対して中位の高さで
あることを意味している。

【００４８】Ｘ方向およびＹ方向における候補の位置は、図７の左手側に図式的に説明した
ように符号化される。その目的のために、図２に示されるドキュメントの一定の
領域に、図７の左手側に示されるような一定のコード処理が割り当てられる。候
補ボックスが配置されている領域に基づいて、候補ボックスのＸ位置は、「ＬＬ
」、「ＭＸ」、「ＲＲ」のうちに何れかに、Ｙ位置は、「ＴＴ」、「ＭＹ」、「
ＢＢ」のうちの何れかにそれぞれ符号化される。

【００４９】図５のこのケースは、May 5, 1960の候補についてのものであり、Ｘ方向の位
置に関する候補ボックスは中間にある。このことは、ドキュメントの右手および
ドキュメントの左手よりさほど遠くなく、むしろ、Ｘ方向に関してドキュメント
の中央に存在することを意味している。この様なロケーションは、文字シーケン
ス（character sequence）“ＭＸ”によって符号化され、図７の左部分から見る
ことができる。候補ボックスのＹ方向の位置は、文字シーケンス“ＭＹ”によっ
て符号化される。なぜなら、候補ボックスは、Ｙ方向の位置に関して、相対的に
上記ドキュメントの中央にあるからである。レイアウトの第１行に示されるよう
に、符号化された位置“ＭＸＭＹ”から、ドキュメントを候補ボックスより引き
出すことができる。候補者の書式表現の表現を結合すれば、候補ボックスの位置
および候補ボックスのサイズは、結果図６の第１行に示された文字シーケンスに
なる。

【００５０】図７に示す候補ボックスに対する符号化は模範的なだけであり、他の符号、位
置と符号との他の割り当て、ドキュメントの対応する分野への他の分離も当然使
用することができるのは、理解されるべきである。候補ボックスのサイズや位置
の粒子化は、特別な実行例に依存する図７の場合よりも、さらに細かいものであ
ってもよいし、さらに粗いものであってもよい。このこのとは、技術を有する者
によれば、容易に理解されるであろう。

【００５１】同様に、ここで使用された符号化シーケンスは単に任意のものである。ここで
は、“ＬＬ”は単に“まさしく左へ”を意味し、“ＭＸ”は“むしろＸ方向の中
央へ”を意味し、“ＲＲ”は“（Ｘ方向の）ドキュメントのまさしく右側で”を
意味する。同様に、“ＴＴ”は“まさしく上部に”を意味し、“ＭＹ”は“むし
ろ中央に”を意味し、“ＢＢ”は“Ｙ方向に関してドキュメントのまさに下部に
”を意味する。しかしながら、他の符号化シーケンスは、技術を有する者によっ
て認識されうるものと同様に、利用することができる。また、ＤＤＭＭＹＹの代
わりに、認識された“ｄａｔｅ”の書式を表現するために、他の文字シーケンス
を使用することがでる。

【００５２】既述の候補ボックスの符号化を終えた後、他の要素、すなわち図５に関して説
明されたレイアウトドキュメントの領域にはめ込まれる他の要素もまた符号化さ
れ、レイアウトドキュメント内に組み込まれる。

【００５３】図６に示したレイアウトドキュメントは、ダッシュ線によって図５において示
された領域に基づいて生成されている。これまで既に説明したように、周囲の領
域は、より小さな領域に相違して設定することができる。周囲の領域は、ユーザ
の好みや、使用されるコンピュータによって処理され得る計算仕事量に依存して
おり、また当然により広く設定してもよい。したがって、ここで使用されている
レイアウトは、模範的な例に過ぎないと理解されるべきである。また、他の定義
も同様に使用することができる。当然ながら、より広く当該領域を使用すれば、
より多くの情報が、当該領域から生成されたレイアウトドキュメントの中に包含
される。したがって、増加された領域によって、レイアウトドキュメントのさら
なる評価を、より正確にすることが可能である。しかしながら、このことは、特
定の実行と特定の目的に依存する可能性があり、また、狭いレイアウト領域によ
って、同様に良い結果が得られる可能性もある。

【００５４】図６のレイアウトドキュメントの第２行は、レイアウト領域に入っており図５
に示されたファックス番号０７０２９８１２５の表現である。本実施形態の特
定の実施にしたがって、レイアウト領域に入っている二つの要素０７０２９およ
び８１２５は整数から成るから、これら二つの要素は、レイアウトドキュメント
において、整数表現に対して割り当てられた符号化シーケンス、すなわちＩＩＱ
Ｑによって表現されていることがわかる。

【００５５】図６に示すレイアウトドキュメントの第２行、第３行は、それぞれ領域符号０
７０２９とナンバー８１２５とを表している。そして、整数を表す符号化シーケ
ンスＩＩＱＱは、候補要素に関する図２のテキストドキュメントにおいて、当該
整数の相対的な位置を表す符号化シーケンスにそれぞれ従う。

【００５６】相対的な位置を符号化するために、あらゆる符号化スキームを使用することが
できる。ここで使用する特定の符号化は、図８において概略的に例示されている
。符号化を目的として、Ｘ方向またはＹ方向の相対的な位置に対応した距離の離
散的な範囲を、対応する符号化シーケンスに割り当てる。例えば、近くに対して
“ＮＲ”を、遠くに対して“ＦＦ”を、水平方向について等しい位置にあるもの
については“ＨＥＥ”を、垂直方向について等しい位置にあるものについては“
ＶＦＦ”を、等々といった具合に割り当てる。この特定の符号化スキームは、図
８に例示されている。しかし、このスキームが単なる例であり、非常に簡単に改
良できることは理解し得るであろう。例えば、符号化スキームが異なってもよく
、離散的範囲への分配が異なってよく、範囲の数が異なってもよい等々である。

【００５７】図６に関連する図８より、図６のレイアウトドキュメントの第２行目は、領域
符号０７０２９が、候補ボックスの左（ＬＮＲ）と上（ＡＮＲ）とに近いという
事実に基づいたものである。この領域符号０７０２９は、整数符号ＩＩＱＱに添
えられ図６の第２行目に示された、符号化シーケンスＬＮＲＡＮＲの位置に至っ
ている。

【００５８】ナンバー８１２５は、候補と横に等しく、候補のほぼ上であるから、これより
図６３行目のＩＩＱＱＨＥＥＡＮＲと結論される。

【００５９】レイアウト領域に入る残りの３つの要素“ｄａｔｅ”、“ｏｆ”、“ｂｉｒｔ
ｈ”は、図８に関連して簡単に理解されるであろう対応位置の符号化シーケンス
と共に、図６のレイアウトドキュメントの最後３行において表されている。全て
の要素は、候補と縦に等しく（ＶＥＥ）、候補から別々の水平方向距離にある。

【００６０】相対位置の符号化代わりに、レイアウト領域内の要素の絶対位置もまた、レイ
アウトドキュメントの生成に使用することができることは、容易に明らかであろ
う。

【００６１】さらに、レイアウトドキュメントを生成する場合、例えば要素が“ｄａｔｅ”
のフォーマットを有する場合の例のみならず、フォーマットが認識可能な他の同
じような要素は、対応する符号化シーケンスによってレイアウトドキュメント中
で符号化される。一方、ここでは、このようにレイアウトドキュメントの第１行
の日付、および第２行並びに第３行の整数に対して示したのみである。また、こ
の様な置き換えは、郵便番号（これは、データベース問い合わせから認識され得
る）といった様な他の認識可能な要素についても実行することができる。また、
郵便番号は、例えばＺＺＺ等といったある文字シーケンスによって表現すること
ができる。この様な認識は、フォーマット認識でも、データベース問い合わせ（
ここでは、例えば全ての郵便番号コードが格納されている）でも基礎とすること
ができる。

【００６２】上述したように、候補自身や、ドキュメント内の当該位置に関する情報、更に
は、ドキュメントの他の要素や、ドキュメント内のそれらの位置に関する情報を
含むレイアウトドキュメントが作られる。本実施例において、位置の情報は、あ
るコード構成（coding scheme）にしたがって位置を表す座標値を文字シーケン
スに置き換えることによって表され、そのコード構成は、符号化の目的に対して
電子ドキュメントが仕切られるロケーションまたは領域を定義するのに使用され
、かつ対応する文字コードが割り当てられている。また、同様に、前記電子ドキ
ュメントの要素の位置を符号化するのに番号コードを使用することができる。レ
イアウトドキュメントの世代に対して、要素の位置や書式を表すなどのようなコ
ード構成も使用することができる. また、レイアウトドキュメントは、ドキュメント中に線、またはグリッド（格
子）などのような、分析すべきドキュメントの非テキストの要素に関する追加情
報を含んでいても良い。この情報はドキュメントの幾何学的な分析で容易に得る
ことができ、そして、レイアウトドキュメントにおいて、ドキュメント内の線ま
たはグリッドを、対応するコーディングシーケンスを介して、好ましくは、それ
らの対応する位置や、もしかすると同様にそれらのスタイルや更なる情報によっ
て、符号化することができる。

【００６３】好ましくは、レイアウトドキュメントの世代に使用されるコード構成は、前述
したように、ロケーション対応位置コードの離散的な領域を割り当てたことに基
づく位置の符号化を含んでいる。さらに好ましくは、要素のフォーマットまたは
スタイル等の認識可能なスタイルまたはフォーマット情報が、当該符号化シーケ
ンスを介してレイアウトドキュメント中に同様に表される。しかしながら、レイ
アウトドキュメントを作るのにコード構成のそれらの要素のいくつかだけを使用
することが可能である。

【００６４】レイアウトドキュメント中の位置は、前述したようなｘ、ｙ座標値等の座標値
に基づく幾何学的な位置として表現しても良い。しかしながら、また、レイアウ
トドキュメント中の要素の位置情報が、この要素と候補との間に現れる要素の数
などの、要素と候補との間の相対的な位置を表すことも同様に可能である。その
結果、同様に、候補と他の要素との間に現れるワード数を介するそれらの間の距
離を介して、レイアウト領域内のそれらの間の相対位置を符号化することが可能
になる。処理されるべきテキストドキュメントが実際に、電子メールメッセージ
などのように大部分が自己のレイアウトを持たないようであれば、例えば、その
ようなコード構成は有用であろう。しかしながら、その代わりに、電子メールに
ついて、前述したような要素の相対的な位置に代わる更なる処理に対して、仮の
レイアウトを計算して、使用しても良い。

【００６５】より多くの情報が、候補とその周囲の要素に関するレイアウトドキュメント中
に存在すれば存在するほど、レイアウトドキュメントとその後の処理結果は、よ
り正確になる。しかしながら、レイアウトドキュメントが高度化されるほど、レ
イアウトドキュメントの作成や更なる処理を行うために決定を下すために、より
多くの処理パワーが必要であり、そのために、決定手順の所望の精度に依存して
、ユーザまたはプログラマが、レイアウトドキュメントを作るときに、利用すべ
き情報と同様に、レイアウトドキュメントを作るための領域を選んでも良い。

【００６６】以上のように、候補の入手と候補に対するレイアウトドキュメントの続く世代
を説明した。例えば、情報のある部分、すなわち出生日（date of birth）が図
２のドキュメントから抽出されることが現時点で望まれているならば、日付に対
する候補を得るためにドキュメントに対して候補検索が実行される。図２の場合
では、前述のような、正規の表現またはフォーマット検索が、検索基準にしたが
って、出生日、すなわち、May 5、1960およびMay 17、1979であるような２つの
候補を返すであろう。そこで、両方の候補に対して、前述したようなレイアウト
ドキュメントが作成され、このレイアウトドキュメントは分類装置に入力する。
分類装置は、しかしながら、出生日ではない日付から作成されたレイアウトドキ
ュメントとは逆の実際の出生日から作成されたレイアウトドキュメントを認識す
るように訓練されている。

【００６７】出生日から作成されたレイアウトドキュメントが、いかなる他の日付よりも出
生日からのレイアウトドキュメントであるとしてそれらを認識することが可能で
あるようなより一層のヒントを含んでいるので、そのような認識が可能になる。
例えば、しばしば「出生」という単語が出生日の近傍に現れる場合であり、この
言葉が含まれるレイアウトドキュメントを有することにより、このドキュメント
が出生日から作成されるレイアウトドキュメントであるという一層のヒントにな
る。同様に、出生日の近傍に現れる他の要素が、また、図６の例における用語「
場所（place）」または用語「の（of）」のようなヒントとして解釈しても良い
。しかしながら、例えば、いくつかの出生日がテーブルの1つの列に配置されて
いるのであれば、列のヘッダーは用語「出生」を含み、そして、前述したように
用語「出生」の位置を符号化することによって、この列内の日付が実際の出生日
であるヒントとして、これを分類装置で使用しても良い。一般に、そのような候
補の実際の情報の内容に対するヒントとして、レイアウトドキュメントが作成さ
れる候補の周囲の領域または近傍を分類装置によって使用することができる。そ
のような周辺領域または近傍によって与えられるヒントを考慮に入れることによ
って、任意の検索基準にしたがってドキュメントから抽出された1セットの候補
を、それらの候補がさらに探している情報を実際に含むかどうかについて、評価
することができる。

【００６８】もちろん、レイアウトドキュメントは、テキストドキュメントのすべての要素
について直接作成することができ、各要素は、ある所望のカテゴリに属すかどう
かについてそのように作成されたレイアウトドキュメントに基づいて評価するこ
とができる。しかしながら、最初に候補検索を使用することは、レイアウトドキ
ュメントをテキストドキュメントの各要素に対して作成する必要があるかもしれ
ないようなことを引き起こすコンピュータのコストを減少させる。

【００６９】以下に分類装置を使用する引抜き過程および訓練過程がより詳細に説明される
。

【００７０】レイアウトドキュメントが発生された後、それはあるドキュメントがあるカテ
ゴリまたは種類に属するか否かを決定できるニューロンネットワークまたは任意
の他のコンピュータ化されたシステムを訓練するために使用される。その目的の
ため、候補のレイアウトドキュメントは、レイアウトドキュメントが訂正候補に
対応するか否か、それは候補が要望される情報的内容を有するか否かを意味する
情報とともに、ニューロンネットワークまたは任意の他の決定装置（分類装置）
に入力される。

【００７１】かかるニューロンネットワークの訓練は図９に図式的に示される。

【００７２】電子ドキュメントは要素およびテキストドキュメントのおよびそれらの対応し
ている位置を得るために上述されたように分析される。好ましくは次に、テキス
トベースのドキュメントからワーキングドキュメントが作られる。次に所望のカ
テゴリと一致することができる候補の組をそれらから得るためフィルタにかける
ことが行われる。好ましくは、ユーザによる手動入力または自動的のいずれかに
基づいて、例えば得られた候補がある閾値を超えて訂正の可能性を有するか否か
をチェックすることにより、得られた組は訂正される。訓練フェーズにおける手
動訂正のため、候補はドキュメントのハイライトであることができ、ユーザはそ
れらが訂正されたものであるか否かをそれらの幾らかまたは全部について確認で
きる。訂正結果の前述の手動または自動選択は次に訂正結果の組および間違った
結果の組に導く。次に訂正結果の組の要素の各々のため、および間違った結果の
組の要素の各々のためにレイアウトドキュメントが生成される。その後間違った
結果の組のために生成されたレイアウトドキュメント、および訂正結果の組のた
めに生成されたレイアウトドキュメントはニューロンネットワークを訓練するた
めに使用される。候補が全てで認識されないなら、ユーザはまた彼自身候補を選
択し、それをハイライトし（例えば、マウスにより）、訓練入力としてそれを使
用してもよい。

【００７３】図９に示されたような訓練されたネットワークを使用している引抜き過程は図
１０に示される。候補の組は図９と同様に得られ、それらの各々についてレイア
ウトドキュメントが前に説明されたように生成される。レイアウトは、次に候補
が所望のカテゴリに属するか否かを決定する訓練されたニューロンネットワーク
のための入力として使用される。

【００７４】ネットワークの出力は、訂正して引抜かれた候補、または、例えば各候補の訂
正の可能性を重み付けしている重みに在る。引抜かれた候補はまた、データベー
ス、ＭＳ−エクセルファイル、ワードドキュメント、または他の電子的処理など
のために適した任意の他のドキュメントのような、他の電子的ドキュメントに直
接移入または移出されてもよい。

【００７５】候補の同一確認を含む引抜き過程およびレイアウトドキュメントの生成は上記
に詳細に説明されたように行われることができる。次に全ての見出された候補の
ために、対応している生成されたレイアウトドキュメントは分類または好ましく
はニューロンネットワークであるけれども必然的ではない決定装置に入力され、
それから各候補についてそれが訂正カテゴリに属するか否かの決定がなされる。

【００７６】それらが所望のカテゴリに属するか否かについて生成されたレイアウトドキュ
メントを分類する特に適した装置は、ヨーロッパ特許出願99108354-4に開示され
、その全ての内容が引用文献としてここに組み込まれる。ここに開示される装置
は、それらをベクトルとして表すことによりテキストドキュメントを分類するこ
とが可能であり、ベクトル成分の値はある語または熟語がドキュメント内で起る
頻度に対応する。ドキュメントを表すこのようなベクトルはｎ次元ベクトル空間
におよび、複数のドキュメントも共にあるベクトル空間に及ぶ。分類は、ベクト
ル空間を少なくとも２つのサブ空間に分離する超平面を分類することにより行わ
れ、それによりサブ空間があるのと同じ多くの種類への分類が行われることがで
きる。学習または訓練過程はベクトル空間を確立し、そして訓練ドキュメントの
組のための超平面を対応して分離することに在る。知られていないドキュメント
は次に、対応しているベクトルが１つまたは他のサブ空間に落ちるか否かを計算
することにより分類されることができる。以前に詳細に記述された方法で、それ
らの周りの領域について与えられたレイアウトドキュメントを通してテキストド
キュメントの要素を表すことが可能であるので、そしてレイアウトドキュメント
がそれ自身再びテキストドキュメントであるので、前述のヨーロッパ特許出願に
記述された分類装置は分類目的のために使用されることができる。特許出願に開
示された分類のための装置の好ましい実施はPerceptronのようなニューロンネッ
トワークに在る。決定装置がいかに実施されるかのようなさらなる詳細はこの出
願から取られることができ、それゆえここにさらに詳細に概説されない。

【００７７】しかしながら、それらがあるカテゴリに属するか否かに関してドキュメントを
評価(分類)可能な任意の他のニューロンネットワークまたは任意のコンピュータ
方法または装置が、レイアウトドキュメントを訓練し、候補（またはその対応す
るレイアウトドキュメント）が訂正して引抜かれたと見なされねばならないか否
かの決定を作るために使用されることができることが理解される。位置が記号シ
ーケンスにより表されるこれらのレイアウトドキュメントのみならず、また任意
の他のレイアウトドキュメント表現が本発明と関係して使用することができる。
位置が位置(座標)を表す絶対数により、または角度と距離（極座標）により符号
化されることが可能な非常によい例である。

【００７８】先に述べた詳細な記載は本発明について単に典型的な具体例を説明するもので
あり、他の具体例は明らかに熟練者の一般的な知識による理解の範囲内のもので
あることが、熟練者により理解されるであろう。さらに熟練者にとって、本発明
の方法がいずれかのコンピュータシステムにより、いずれかの汎用コンピュータ
により、または先に説明したような方法を実行するいずれか他の特定用途向けハ
ードウェアにより実施可能であることは容易に理解できる。このため、例えばこ
の装置は図１に示されているようなコンピュータシステムにおいて形成すること
が可能であるが、本発明による装置は本発明の方法を実行する何らかのコンピュ
ータシステムにより構成することができる。ここで述べたまたは添付の特許請求
の範囲における、一定の装置構成要素または装置部品に関しては、これらはプロ
グラムまたはコンピュータプログラムの一部を有し、それを具体化し、または実
行するコンピュータまたはコンピュータの一部により実施可能である。本発明が
コンピュータプログラムまたはコンピュータプログラム製品に関連することに関
し、コンピュータプログラムの命令を具体化することのできるメモリ、伝送ライ
ン、または同様のもののような、何らかのデータ保有部または何らかのコンピュ
ータ構成要素は、それらが本発明に従う方法についてコンピュータが実行するこ
とを可能にするコンピュータプログラムの命令を具体化することができる限り、
本発明を具体化し得ることが熟練者にとって明白であろう。熟練者はまた、先に
延べた原理にしたがって動作する多数のコンピュータプログラムを書くことがで
き、そのため、ここに記載するような本発明の方法にしたがって動作するいずれ
かのコンピュータプログラムは、本発明の範囲の下にあるものとして取扱われる
べきであることを認識するであろう。

【００７９】さらに、それが記録媒体、データキャリア、伝送ライン、ＲＯＭ、ＲＡＭのよ
うなメモリ、または同様のものに組込まれるかまたは具体化されるかどうかとは
別に、記載されるドキュメントのレイアウトの構造を表現するデータ構造もまた
本発明の具体的表現を形成することができる。

【００８０】さらに本発明はクライアント−サーバアーキテクチャに使用することができ
、このことは本発明を実施するコンピュータプログラムの一部がクライアントに
おいて実行されるサーバおよび他の部分において実行できることを意味する。

【００８１】先の記載または添付の特許請求の範囲において記述されている装置の構成要素
に関しては、それらはコンピュータプログラムまたは一定のプログラム命令を実
行するコンピュータによりそれぞれ実現可能であり、または、それらは、電子回
路、特別の用途のコンピュータ、または同様のもののような、かかる構成要素の
機能を形成するいずれかの特定用途向けのハードウェアにより実行可能である。

【００８２】本発明のさらなる変更および応用は熟練する読者にとって容易であり、この出
願は、本発明の範囲を限定するものであるようには理解されるべきでない、典型
的な具体例に基づいて説明されたものであることが理解されるであろう。

【００８３】特に、誕生日を抽出する例はまさに典型的な例であり、そして、熟練した読者
にとって容易に理解されるように、先に説明した方法はテキストドキュメントか
ら一定のカテゴリに属する何らかの情報要素を抽出するために使用可能であるこ
とが理解されるべきである。

【図面の簡単な説明】

【図１】図１は本発明の実施例をインプリメントするため用いられるコンピュータシス
テムを示している。

【図２】図２は要素を抽出するテキストドキュメントの一例を示している。

【図３】図３はテキストドキュメントから生成された作業ドキュメントの一例を示して
いる。

【図４】図４はレイアウト領域を定義するためのユーザインターフェイスの一例を示し
ている。

【図５】図５はレイアウト領域の一例を示している。

【図６】図６はレイアウトドキュメントの一例を示している。

【図７】図７は候補ボックス符号化のための符号化スキーマの一例を示している。

【図８】図８はレイアウトドキュメント要素位置符号化の一例を示している。

【図９】図９は分類装置における学習フェーズの一例を示している。

【図１０】図１０は分類装置における抽出フェーズの一例を示している。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考）Ｇ０６Ｎ 3/02 Ｇ０６Ｎ 3/02 (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ，ＴＲ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＢＺ，ＣＡ，ＣＨ，ＣＮ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＤＭ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＳ，ＵＺ，ＶＮ，ＹＵ，ＺＡ，ＺＷ (72)発明者ルーヤン、パルドイツ連邦共和国、26121 オルデンブルク、ブルーメンシュトラーセ９Ｆターム(参考） 5B009 NA14 SA14 VA02 VA09 5B075 ND03 NK02 QM05

Claims

【特許請求の範囲】

【請求項１】複数の要素からなる電子ドキュメントに基づいた分類装置に
よって使用される入力を発生するコンピュータ実現方法であって、前記ドキュメントにおいて前記要素に対応する一に関する情報と共に全奇異１
以上の前記要素を得るために前記電子ドキュメントを分析すること、前記分類装置の前記入力として使用される電子レイアウトドキュメントを生成
することから成り、前記電子レイアウトドキュメントは前記電子ドキュメントにおいて前記要素の絶対および／または相関位置を表す
情報と共に前記分析工程で得られる複数の前記要素の表現から成る、方法。
【請求項２】前記レイアウトドキュメントは、前記電子ドキュメントにおいてその絶対および／または相関位置を表す情報と
共に前記テキストドキュメントの前記複数の要素の第１要素の表現と、前記電子ドキュメントにおいてそれらの絶対および／または相関位置を表す情
報と共に前記テキストドキュメントの前記複数の要素の他の表現とから成り、前
記第１要素に隣接および／またはを囲繞する所定のユーザ定義領域内にある、請
求項１記載の方法。
【請求項３】あるカテゴリに入る情報内容に関する要素の候補を得るため
にある探索基準に合う要素を探索すること、１以上の前記候補要素に対するレイアウトドキュメントを生成することを更に
含む請求項１または２記載の方法。
【請求項４】前記候補探索工程は、あるフォーマット基準に合致する前記ドキュメントの要素を探索すること、あるストリング比較基準に合致する前記ドキュメントの語を探索すること、誤り耐性語探索を行うこと、取得候補に関して所定の相関位置を有する要素の探索を行うこと、データベースに格納された語と合致する要素を探索するデータベース探索を行
うことの１以上を更に含む請求項３の方法。
【請求項５】所定位置符号化方式に基づいた対応文字列によって前記レイ
アウトドキュメントの要素の位置を表すこと、所定フォーマット符号化方式に基づいた文字列を介して認識可能所定フォーマ
ットを持つ要素を表すこと、所定意味符号化方式に基づいた文字列を介して認識可能な意味を持つ要素を表
すことの１以上を更に含む、請求項１ないし４のいずれか１の方法。
【請求項６】前記認識フォーマットは、前記ドキュメントの垂直および／または水平ライン、浮動小数点番号、日、整数、郵便番号の１以上から成る、請求項５にしたがった方法。
【請求項７】前記レイアウトドキュメントの生成を考慮した領域はその寸
法がユーザによって予め定義できる、または設定できる１以上の幾何学領域から
成る、先行請求項のいずれか１にしたがった方法。
【請求項８】分類装置の入力として、前記分類装置を学習する、あるいは
前記分類装置を介して前記入力を評価するため前記電子レイアウトドキュメント
を使用することを更に含む、請求項１ないし７のいずれか１の方法。
【請求項９】ある所定のカテゴリに属する１以上の要素を電子ドキュメン
トから抽出する方法であって、１以上の所定探索基準に基づいて前記ドキュメントの候補要素を探索すること
、前記探索工程から得られる候補要素毎に先行請求項のいずれか１にしたがって
レイアウトドキュメントを生成すること、前記候補が前記レイアウトドキュメントの前記情報内容に基づいて前記カテゴ
リに属するか否かを判断することから成る方法。
【請求項１０】ドキュメントの要素があるカテゴリに属するか否かを認識
するため分類装置を学習するため該分類装置を学習する方法であって、１以上の所定の探索基準に基づいて前記ドキュメントの候補要素を探索するこ
と、前記探索工程から得られた候補要素毎に先行請求項のいずれか１にしたがって
レイアウトドキュメントを生成すること、前記分類装置を学習するため前記候補が前記あるカテゴリに属するか否かに関
する情報と共に前記レイアウトを前記分類装置に入力することから成る、方法。
【請求項１１】前記分類装置はニューロンネットワークである、請求項９
または１０の方法。
【請求項１２】複数の要素から成る電子ドキュメントに基づいて分類装置
によって使用される入力を生成する装置であって、前記ドキュメントにおいて前記要素の対応する位置と共に１以上の前記要素を
得るために前記電子ドキュメントを分析する分析器と、前記前記分類装置の前記入力として使用される電子レイアウトドキュメントを
生成する生成器とにより構成され、前記電子レイアウトドキュメントは前記電子ドキュメントにおいてその絶対および／または相関位置を表す情報と
共に前記分析工程で得られる複数の前記要素の表現を含む、装置。
【請求項１３】前記レイアウトドキュメントは、前記電子ドキュメントにおける前記テキストドキュメントの絶対および／また
は相対位置を表す情報と共に前記テキストドキュメントの複数の要素の第１要素
の表現と、前記電子ドキュメントにおけるそれらの絶対および／または相関位置を表す情
報と共に前記テキストドキュメントの複数要素の他の表現とから成り、前記他の
要素は前記第１要素に隣接および／またはを囲繞する所定またはユーザ定義の領
域内にある、請求項１２の装置。
【請求項１４】あるカテゴリに入る情報内容に関する要素の候補を得るた
めにある探索基準に合う要素を探索する探索器と、１以上の前記候補要素に対するレイアウトドキュメントを生成する前記生成器
とを更に含む請求項１２または１３記載の装置。
【請求項１５】候補を探索する前記探索器は、あるフォーマット基準に合致する前記ドキュメントの要素を探索する要素探索
器と、あるストリング比較基準に合致する前記ドキュメントの語を探索する語探索器
と、誤り耐性語探索を行う語探索器と、取得候補に関して所定の相関位置を有する要素の探索を行う要素探索器と、データベースに格納された語と合致する要素を探索するデータベース探索を行
うデータベース探索器との１以上を更に含む請求項１４の装置。
【請求項１６】前記レイアウト生成器は前記レイアウトドキュメントを生
成したとき、所定位置符号化方式に基づいた対応文字列によって前記レイアウトドキュメン
トの要素の位置を表すこと、所定フォーマット符号化方式に基づいた文字列を介して認識可能所定フォーマ
ットを持つ要素を表すこと、所定意味符号化方式に基づいた文字列を介して認識可能な意味を持つ要素を表
すことの１以上に更に適用される、請求項１２ないし１５のいずれか１の装置。
【請求項１７】前記認識フォーマットは、前記ドキュメントの垂直および／または水平ライン、浮動小数点番号、日、整数、郵便番号の１以上から成る、請求項１６にしたがった装置。
【請求項１８】前記レイアウトドキュメントの生成を考慮した領域はその
寸法がユーザによって予め定義できる、または設定できる１以上の幾何学領域か
ら成る、請求項１２ないし１７のいずれか１にしたがった装置。
【請求項１９】前記電子レイアウトドキュメントを入力として用いる分類
装置を更に含み、前記分類装置を学習する、あるいは前記分類装置を介して前記
入力を評価する、請求項１ないし７のいずれか１の装置。
【請求項２０】ある所定のカテゴリに属する１以上の要素を電子ドキュメ
ントから抽出する装置であって、１以上の所定探索基準に基づいて前記ドキュメントの候補要素を探索する探索
器と、前記探索工程から得られる候補要素毎に先行請求項のいずれか１にしたがって
レイアウトドキュメントを生成する生成器と、前記候補が前記レイアウトドキュメントの前記情報内容に基づいて前記カテゴ
リに属するか否かを判断する判断器とから成る装置。
【請求項２１】ドキュメントの要素があるカテゴリに属するか否かを認識
するため学習できる分類装置であって、１以上の所定の探索基準に基づいて前記ドキュメントの候補要素を探索する探
索器と、前記探索器から得られた候補要素毎に先行請求項のいずれか１にしたがってレ
イアウトドキュメントを生成する生成器と、前記分類装置を学習するため前記候補が前記あるカテゴリに属するか否かに関
する情報と共に前記レイアウトを前記分類装置に入力する手段とから成る、装置
。
【請求項２２】前記分類装置はニューロンネットワークである、請求項２
０または２１の方法。
【請求項２３】請求項１ないし１１の１つにしたがった方法のいずれか１
つをコンピュータに実行させるため適合されるコンピュータ実施可能プログラム
コードから成るコンピュータプログラム。
【請求項２４】請求項１ないし１１の１つにしたがった前記方法のいずれ
か１つを実行することによって引き出され、分類装置に入力として使用されるデ
ータ構造。