JP2004303160A - 情報抽出装置 - Google Patents

Abstract

【課題】ハイパーテキスト形式の文書であっても情報抽出を的確に行うことのできる情報抽出装置を得る。
【解決手段】情報を抽出する場合、起点アドレス指定部１０２で起点となる文書のアドレスを指定する。また、最大リンク深度指定部１０４で最大リンク深度を指定する。抽出部１０６は、起点として指定された対象文書から情報を抽出すると共に、対象文書から情報を抽出できなかった場合は、文書のアドレスに基づいて対象文書のリンク先文書から最大リンク深度の範囲内で情報を抽出する。
【選択図】 図１

Description

【０００１】
【発明の属する技術分野】
本発明は、自然言語処理システムに関し、特に、特定の情報を抽出する情報抽出装置に関する。
【０００２】
【従来の技術】
従来、特定の情報を抽出する情報抽出を用いた質問応答システムがあった（例えば、特許文献１参照）。このような質問応答システムとは、文書集合と質問文が与えられると、その質問文に対する回答を出力するシステムである。このシステムでは、入力された質問文から検索語集合と質問種別を判定し、その検索語集合および質問種別に従って、与えられた文書集合から関連文書集合を検索し、その関連文書集合の各文書から回答を抽出して出力する。この検索した文書集合から回答を抽出する部分に情報抽出が用いられている。
【０００３】
【特許文献１】
特開２００２−１３２８１１号公報
【０００４】
【発明が解決しようとする課題】
上記従来の質問応答システムにおける情報抽出では、システムに与える文書集合がハイパーテキスト形式で記述された文書である場合については特に示されていない。しかしながら、ハイパーテキスト形式で記述された文書は、本来一つの文書にする筈のものを、読み易さを向上させるために複数に分割し、それらを互いにリンクさせている場合がある。このような場合、検索した文書からのみ情報を抽出するだけでは不十分であり、検索した文書のリンク先の文書からも抽出する必要があった。
【０００５】
特に、近年はインターネットの発達もあって、ハイパーテキスト形式で記述された文書が非常に増えてきている。このため、これらの文書を的確に処理できないことは質問応答システムだけでなく、情報抽出を用いる種々のシステムにとっても大きな問題となっていた。
【０００６】
【課題を解決するための手段】
本発明は、前述の課題を解決するため次の構成を採用する。
〈構成１〉
リンク情報で相互に関連付けられたハイパーテキスト構造を持つ文書群から指定した情報を抽出する情報抽出装置であって、情報を抽出する起点となる文書のアドレスを指定する起点アドレス指定部と、起点アドレス指定部で指定された対象文書から情報を抽出すると共に、対象文書から情報を抽出できなかった場合は、文書のアドレスに基づいて対象文書の関連文書から情報を抽出する抽出部とを備えたことを特徴とする情報抽出装置。
【０００７】
〈構成２〉
構成１に記載の情報抽出装置において、抽出する情報のカテゴリを指定するカテゴリ指定部と、起点アドレス指定部で指定された対象文書からカテゴリに該当する情報を抽出すると共に、対象文書からカテゴリに該当する情報を抽出できなかった場合は、文書のアドレスに基づいて対象文書の関連文書から情報を抽出する抽出部とを備えたことを特徴とする情報抽出装置。
【０００８】
〈構成３〉
構成２に記載の情報抽出装置において、抽出する情報のカテゴリを階層構造で表現したカテゴリ階層規定部と、起点アドレス指定部で指定された対象文書からカテゴリに該当する情報を抽出した結果、階層構造のうち下位階層の抽出結果のみで上位階層の抽出結果が欠落している場合は、対象文書の関連文書から下位階層の抽出結果よりも上位階層の文字列を抽出する抽出部と、下位階層の抽出結果と上位階層の抽出結果を合成した文字列を抽出結果として出力する処理部とを備えたことを特徴とする情報抽出装置。
【０００９】
〈構成４〉
構成３に記載の情報抽出装置において、起点アドレス指定部で指定された対象文書からカテゴリに該当する情報を抽出した結果、階層構造のうち下位階層の抽出結果と上位階層の抽出結果の複数の文字列に分かれた場合は、これら複数の文字列を、下位階層の抽出結果と上位階層の抽出結果として出力する抽出部を備えたことを特徴とする情報抽出装置。
【００１０】
〈構成５〉
リンク情報で相互に関連付けられたハイパーテキスト構造を持つ文書群から指定した情報を抽出する情報抽出装置であって、文書群から対象となる情報を抽出すると共に、文書群に対して文書の追加または更新が発生した場合は、その都度これを反映させた抽出処理を行い、対象となる情報とその文書アドレスとを含む抽出結果を出力する抽出部と、抽出部からの抽出結果を抽出結果情報として記憶する抽出結果記憶部と、指定した情報を抽出する起点となる文書のアドレスを指定する起点アドレス指定部と、抽出結果記憶部の抽出結果情報を参照して、起点アドレス指定部で指定された文書アドレスの文書および関連文書から情報抽出を行う探索部とを備えたことを特徴とする情報抽出装置。
【００１１】
〈構成６〉
構成５に記載の情報抽出装置において、抽出を行う情報のカテゴリを指定するカテゴリ指定部と、カテゴリ指定部で指定されたカテゴリに属する情報抽出を行う探索部とを備えたことを特徴とする情報抽出装置。
【００１２】
〈構成７〉
構成６に記載の情報抽出装置において、抽出する情報のカテゴリを階層構造で表現したカテゴリ階層規定部と、起点アドレス指定部で指定された対象文書からカテゴリに該当する情報を抽出した結果、階層構造のうち下位階層の抽出結果のみで上位階層の抽出結果が欠落している場合は、対象文書の関連文書から下位階層の抽出結果よりも上位階層の文字列を抽出し、下位階層の抽出結果と上位階層の抽出結果を合成した文字列を抽出結果として出力する探索部とを備えたことを特徴とする情報抽出装置。
【００１３】
〈構成８〉
構成１〜７のいずれかに記載の情報抽出装置において、関連文書は、対象文書のリンク先文書、リンク元文書、上位文書のうち、少なくともいずれか一つを含むことを特徴とする情報抽出装置。
【００１４】
〈構成９〉
構成８に記載の情報抽出装置において、上位文書は、対象文書の一つ上のディレクトリに存在する特定の名称の文書、または、一つ上のディレクトリに存在するリンク元文書のうち、少なくともいずれかの文書であることを特徴とする情報抽出装置。
【００１５】
〈構成１０〉
構成１〜４のいずれかに記載の情報抽出装置において、最大リンク深度を指定する最大リンク深度指定部と、対象文書から情報抽出できなかった場合は、その文書の関連文書から情報抽出を行う処理を、指定された最大リンク深度の範囲内で再帰的に行う抽出部とを備えたことを特徴とする情報抽出装置。
【００１６】
〈構成１１〉
構成５〜７のいずれかに記載の情報抽出装置において、最大リンク深度を指定する最大リンク深度指定部と、対象文書から情報抽出できなかった場合は、その文書の関連文書から情報抽出を行う処理を、指定された最大リンク深度の範囲内で再帰的に行う探索部とを備えたことを特徴とする情報抽出装置。
【００１７】
〈構成１２〉
構成１０に記載の情報抽出装置において、リンク深度の値が小さい文書から順に情報抽出処理を行う抽出部を備えたことを特徴とする情報抽出装置。
【００１８】
〈構成１３〉
構成１１に記載の情報抽出装置において、リンク深度の値が小さい文書から順に情報抽出処理を行う探索部を備えたことを特徴とする情報抽出装置。
【００１９】
〈構成１４〉
構成１〜４、１０、１２のいずれかに記載の情報抽出装置において、関連文書の文書アドレスに基づいて内部リンクと外部リンクとを判別し、外部リンクの文書は情報抽出の対象から除外する抽出部を備えたことを特徴とする情報抽出装置。
【００２０】
〈構成１５〉
構成５〜７、１１、１３のいずれかに記載の情報抽出装置において、関連文書の文書アドレスに基づいて内部リンクと外部リンクとを判別し、外部リンクの文書は情報抽出の対象から除外する探索部を備えたことを特徴とする情報抽出装置。
【００２１】
〈構成１６〉
構成３または４に記載の情報抽出装置において、階層構造に基づいて、上位階層の抽出結果から下位階層の抽出結果の順番に複数の文字列を結合することにより処理結果の文字列を作成する処理部を備えたことを特徴とする情報抽出装置。
【００２２】
〈構成１７〉
構成７に記載の情報抽出装置において、階層構造に基づいて、上位階層の抽出結果から下位階層の抽出結果の順番に複数の文字列を結合することにより処理結果の文字列を作成する探索部を備えたことを特徴とする情報抽出装置。
【００２３】
〈構成１８〉
構成３、４、１６に記載の情報抽出装置において、階層構造で表現された複数の文字列を合成する場合の所定の合成ルールを有し、合成ルールに従って処理結果の文字列を作成する処理部を備えたことを特徴とする情報抽出装置。
【００２４】
〈構成１９〉
構成７または１７に記載の情報抽出装置において、階層構造で表現された複数の文字列を合成する場合の所定の合成ルールを有し、合成ルールに従って処理結果の文字列を作成する探索部を備えたことを特徴とする情報抽出装置。
【００２５】
【発明の実施の形態】
以下、本発明の実施の形態を具体例を用いて詳細に説明する。
《具体例１》
〈構成〉
図１は、本発明の情報抽出装置の具体例１を示す構成図である。
図示の装置は、コンピュータで構成され、記憶部１０１、起点アドレス指定部１０２、カテゴリ指定部１０３、最大リンク深度指定部１０４、バッファ部１０５、抽出部１０６、処理部１０７、リンク情報管理部１０８、表示部１０９を備えている。
【００２６】
記憶部１０１は、例えばハードディスク装置等の記憶装置からなり、処理対象の文書を記憶する機能部である。
【００２７】
図２は、記憶部１０１に記憶される文書の一例である。
図示例では、文書１１１〜１２０までの２０の文書を示しているが、実際にはその他の文書がもっと多く存在していても構わない。図中の矢印はリンクを表しており、矢印の元の文書が矢印の先の文書へのリンクを持っていることを示している。また、文書１１１〜文書１１７は「ｘｙｚ．ｊｐ」という同一サイト内部の文書である。尚、図中で、これらの文書のアドレスはサイト名を省略して記述している。例えば、文書１１１の文書アドレスは、一般的には「ｘｙｚ．ｊｐ／Ａ１．ｈｔｍｌ」であるが、サイト名を省略して「Ａ１．ｈｔｍｌ」とだけ記述してある。文書１１８〜文書１２０は「ｘｙｚ．ｊｐ」というサイト以外の文書である。
【００２８】
図１に戻り、起点アドレス指定部１０２は、情報抽出を実施する対象文書のアドレスを利用者が指定する機能部である。カテゴリ指定部１０３は、利用者が抽出したい情報の種類（カテゴリ）を指定する機能部である。最大リンク深度指定部１０４は、利用者が情報抽出を実施する範囲を指定する機能部である。この範囲としては、例えば、リンク深度が２の場合は、起点文書のアドレスからリンクを２回参照してたどり着くことができる文書までが情報抽出を実施する範囲となる。尚、以上の起点アドレス指定部１０２〜最大リンク深度指定部１０４は、例えば、キーボードやポインティングデバイス等の入力装置で構成されている。
【００２９】
バッファ部１０５は、抽出部１０６が抽出する場合や処理部１０７が処理を行うために、記憶部１０１から対象の１文書を取得し一時的に記憶する機能部であり、例えば主メモリ上の一領域で実現されている。
【００３０】
抽出部１０６は、バッファ部１０５に記憶された文書からカテゴリ指定部１０３で指定された情報を抽出する機能部である。処理部１０７は、抽出部１０６に抽出の開始を指示し、抽出部１０６の抽出結果の有無に基づいて処理の流れを制御し、バッファ部１０５からリンク情報を取得してそれが内部サイトへのリンクであった場合はリンク情報管理部１０８に記録し、リンク情報管理部１０８のリンク情報に基づいて、次に処理すべき文書を記憶部１０１から取り出してバッファ部１０５にロードする機能部である。
【００３１】
リンク情報管理部１０８は、リンク元文書のアドレスとリンク先文書のアドレスの関係を起点アドレスから始まるツリー構造で管理する機能部である。表示部１０９は、ディスプレイ等の表示装置とその制御部からなり、抽出部１０６が抽出した結果を表示するための機能部である。
【００３２】
尚、上記の抽出部１０６〜リンク情報管理部１０８は、それぞれの構成に対応したソフトウェアと、これらのソフトウェアを実行するためのＣＰＵやメモリ等のハードウェアから実現されているものである。
【００３３】
〈動作〉
図３は、具体例１の動作を示すフローチャートである。
以下、図のフローチャートに沿って動作を説明する。
先ず、現在のリンク深度を表す変数であるリンク深度Ｄに０を代入する（ステップＳ１０１）。次に、起点アドレス指定部１０２で指定されたアドレスをリンク情報管理部１０８の先頭に設定する（ステップＳ１０２）。例えば、起点アドレス指定部１０２で「ｘｙｚ．ｊｐ／Ａ１．ｈｔｍｌ」が起点アドレスに指定された場合、リンク情報管理部１０８のデータは次の通りである。
【００３４】
図４は、リンク情報管理部１０８のデータの説明図（その１）である。
リンク情報管理部１０８は、サイト内部のリンクしか扱わないので、サイト名部分は省略して表示している。次に、リンク情報管理部１０８のデータを参照しながら、リンク深度Ｄの全てのアドレスに対してステップＳ１０４からステップＳ１０８までの処理を繰り返す（ステップＳ１０３）。繰り返す内容は次の通りである。
【００３５】
先ず、処理部１０７は、バッファ部１０５にロードされた文書にリンクがあるかを調べて、文書中の全てのリンク先アドレスを取得し（ステップＳ１０５）、内部サイトへのリンクだけをリンク情報管理部１０８内の現在処理しているアドレスの下位アドレスとして設定する（ステップＳ１０６）。例えば、文書のリンク関係が図２の場合は、初めてステップＳ１０６を終了した時点で、リンク情報管理部１０８のデータは次のようになる。
【００３６】
図５は、リンク情報管理部１０８のデータの説明図（その２）である。
ここで、文書１１８は外部サイトへのリンクであるためリンク情報管理部１０８には設定されない。次に、抽出部１０６は、バッファ部１０５の文書からカテゴリ指定部１０３で指定されたカテゴリの情報を取得し、情報抽出を行う（ステップＳ１０７）。このステップＳ１０７において、抽出結果が得られた場合（ステップＳ１０８）は、これを表示部１０９で表示し（ステップＳ１１４）、処理を終了する。
【００３７】
一方、ステップＳ１０８において、抽出結果が得られなかった場合はステップＳ１０３に戻って、上述した処理を繰り返す（ステップＳ１０９）。ステップＳ１０３〜ステップＳ１０９までの繰り返しが終了すると、処理部１０７は、リンク深度Ｄの値に１を加算し（ステップＳ１１０）、その結果が最大リンク深度指定部１０４で指定した値を超えていた場合（ステップＳ１１１）、または、ステップＳ１１１において指定した値を超えてはいないが、リンク情報管理部１０８内に次に処理すべきアドレスがない場合（ステップＳ１１２）は、抽出ができなかった旨の表示を行い（ステップＳ１１３）、処理を終了する。一方、ステップＳ１１２において、次に処理すべきアドレスがあった場合はステップＳ１０３に戻って処理を繰り返す。
【００３８】
例えば、文書のリンク関係が図２に示す場合で、最大リンク深度指定部１０４で指定するリンク深度Ｄが２で最後までカテゴリ指定部１０３で指定したカテゴリの情報が抽出できなかった場合、最終的にリンク情報管理部１０８のデータは次のようになる。
【００３９】
図６は、リンク情報管理部１０８のデータの説明図（その３）である。
文書１１８〜文書１２０は、それぞれ外部のサイトの文書アドレスなので、リンク情報管理部１０８には設定されない。尚、リンクの参照関係がループしているために、リンク情報管理部１０８のデータとして、文書１１８〜文書１１３のアドレスが２回現れるが、処理上特に問題はない。
【００４０】
〈効果〉
以上のように、具体例１によれば、次のような効果がある。
●リンク先からも情報抽出を行うので、本来一つの文書にするはずのものを、読みやすさを向上させるために複数に分割し、それらを互いにリンクさせている場合であっても情報抽出を的確に実施することができる。
●リンク先が外部サイトの場合は情報抽出をしないように構成したので、参考のために指し示しているだけのリンクなどの場合はリンク先から情報を提出することがなく、本来一つの文書にする筈のものだけから的確に情報抽出を行うことができる。
●最大リンク深度の指定により終了条件を設定するようにしたので、リンクの参照関係がループを構成している場合であっても問題なく動作する。
●リンク深度の値が小さい文書から順に情報抽出を行うようにしたので、より関連性の高い文書から処理することができ、抽出精度および処理速度を向上させることができる。これは、一般に、リンク深度の値が大きいほど対象文書と関連文書との関連性が下がっていく傾向があるためである。
●事前の処理が必要ないため、処理結果を保存しておく記憶容量を必要としない。また、要求のあった時点で処理を行うため、文書の最新の内容に対応することができる。
【００４１】
《具体例２》
具体例２は、対象文書がディレクトリ構造で管理されている場合に、対象文書の一つ上のディレクトリにある特定の名前の文書を上位文書として、この上位文書も情報抽出の対象文書とするようにしたものである。
【００４２】
〈構成〉
図７は、具体例２の構成図である。
図示の装置は、記憶部１０１、起点アドレス指定部１０２、カテゴリ指定部１０３、バッファ部１０５、抽出部１０６、表示部１０９、処理部２０１、カテゴリ階層規定部２０２からなる。ここで、処理部２０１およびカテゴリ階層規定部２０２以外の構成は具体例１と同様であるため、対応する部分に同一符号を付してその説明を省略する。
【００４３】
処理部２０１は、抽出部１０６に抽出の開始を指示し、抽出部１０６の抽出結果がカテゴリ階層の一部分のみの場合は、対象文書のアドレスから上位文書のアドレスを生成し、この上位文書から上位階層の情報を抽出することを繰り返し、最後に、これらの抽出結果をカテゴリ階層規定部２０２の階層構造の情報に基づいて合成して表示部１０９に出力する機能部である。また、カテゴリ階層規定部２０２は、抽出部１０６が参照するデータであり、抽出結果カテゴリの上下関係を階層構造で規定する機能部である。
【００４４】
尚、上記の処理部２０１は、それぞれの構成に対応したソフトウェアと、これらのソフトウェアを実行するためのＣＰＵやメモリ等のハードウェアから実現されているものである。
【００４５】
〈動作〉
図１２は、具体例２の動作を示すフローチャートである。
以下、図のフローチャートに沿って動作を説明する。
先ず、処理部２０１により、起点アドレス指定部１０２が示す文書の内容をバッファ部１０５にロードする（ステップＳ２０１）。次に、抽出部１０６は、バッファ部１０５の文書からカテゴリ指定部１０３で指定されたカテゴリの情報を抽出する（ステップＳ２０２）。この抽出処理で抽出できなかった場合（ステップＳ２０３）は、その旨を表示して（ステップＳ２０４）、処理を終了する。また、抽出結果が完全な場合（一部分のみではない場合）は、抽出結果を表示して処理を終了する（ステップＳ２０５、ステップＳ２０６）。一方、ステップＳ２０５において、抽出結果が一部分のみであった場合、処理部２０１は、処理した文書のアドレスから上位の文書アドレスを生成し（ステップＳ２０７）、その文書が存在するかどうかを調べる（ステップＳ２０８）。
【００４６】
ステップＳ２０８において、文書が存在しない場合は、一部分のみの抽出結果を表示して（ステップＳ２０９）、処理を終了する。文書が存在する場合は、そのアドレスが示す文書の内容をバッファ部１０５にロードし（ステップＳ２１０）、バッファ部１０５の文書からカテゴリ指定部１０３で指定されたカテゴリで、かつ、ステップＳ２０２で抽出されたものよりも上位階層の情報を抽出する（ステップＳ２１１）。処理部２０１は、ステップＳ２１１の抽出処理において抽出できなかった場合（ステップＳ２１２）は、ステップＳ２０７に戻り、更にその文書の上位文書のアドレスを生成する。このように、ステップＳ２１２で情報が抽出できなかった場合はステップＳ２０７〜ステップＳ２１２の処理を再帰的に繰り返す。また、ステップＳ２１２において、情報を抽出できた場合は以前の抽出結果と合成し（ステップＳ２１３）、その結果を表示して（ステップＳ２１４）、処理を終了する。
【００４７】
以下、一例を用いて更に詳細に動作を説明する。
図１０は、ディレクトリ構造の説明図である。
図示のように、文書２１１〜文書２１６を含む多くの文書が管理されているとする。また、図１０中の点線内部にある文書の参照関係は次のようになっている。
【００４８】
図８は、文書２１１〜文書２１６の参照関係の説明図である。
図９は、文書２１１〜文書２１６の内容を示す説明図である。
尚、図８では煩雑さを避けるため省略して記載しているが、実際にはディレクトリの名前なども文書アドレスに含まれる。例えば、文書２１１のアドレスを省略せずに示すと、「ｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｉｎｄｅｘ．ｈｔｍｌ」となる。
【００４９】
このような文書に対して、処理部２０１は、先ず、起点アドレス指定部１０２が示す文書の内容をバッファ部１０５にロードする（ステップＳ２０１）。今、起点アドレス指定部１０２がｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｌａｂ／０２．ｈｔｍｌを示しているとすると、抽出部１０６は、図９（ｃ）に示すような内容をバッファ部１０５にロードする。
【００５０】
次に、抽出部１０６は、バッファ部１０５の文書からカテゴリ指定部１０３で指定されたカテゴリの情報を抽出する（ステップＳ２０２）。今、カテゴリとして「組織名」を指定しているとすると、抽出部１０６は図９（ｃ）の内容から組織名として「井上研究室」という単語を「研究室名」として抽出する。尚、この処理は、「…研究室」といった“研究室”を接尾語として含む文字列を抽出するといったことにより行うものである。次に、処理部２０１は、この結果をカテゴリ階層規定部２０２の組織名カテゴリの階層と比較する（ステップＳ２０３、Ｓ２０５）。
【００５１】
図１１は、カテゴリ階層規定部２０２のデータの一例を示す説明図である。
図１１を参照すると、「組織名」が完全であるためには、「大学名」「学部名」「研究室名」の四つの情報、または、「会社名」「部名」「課名」「係名」の四つの情報が揃っている必要があることが分かる。従って、この場合は「研究室名」しか抽出できなかったので、抽出結果は一部分のみであることになる。そこで、処理部２０１は、元の文書アドレスから上位文書のアドレスを生成する（ステップＳ２０６）。ここでは、上位文書は、一つ上のディレクトリのｉｎｄｅｘ．ｈｔｍｌという名前の文書であるとする。従って、元の文書アドレスは、ｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｌａｂ／０２．ｈｔｍｌだったので、その上位文書のアドレスは、ｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｉｎｄｅｘ．ｈｔｍｌとなる。従って、このアドレスが存在しているかを判定すると、この文書は文書２１１として存在しているため、上位文書として抽出する。
【００５２】
従って、処理部２０１は、図９（ａ）に示すような内容をバッファ部１０５にロードし（ステップＳ２１０）、この文書から「研究室名」よりも上位階層の「組織名」を抽出する（ステップＳ２１１）。結果として「情報工学科」を「学科名」として抽出できたとすると、ステップＳ２０２での抽出結果である「井上研究室」（研究室名）と、今抽出した「情報工学科」（学科名）をカテゴリ階層規定部２０２で示される順序で結合し、「情報工学科井上研究室」という単語を合成し（ステップＳ２１３）、それを表示して（ステップＳ２１４）、処理を終了する。
【００５３】
〈効果〉
以上のように、具体例２によれば次のような効果が得られる。
●上位文書からも情報抽出を行うので、本来一つの文書にする筈のものを、読みやすさを向上させるために複数に分割し、それらを互いにリンクさせている場合であっても情報抽出を的確に実施することができる。
●リンクの情報は使わずに、ディレクトリ構造の情報だけを使うので、単純な処理で実現することができる。ディレクトリはツリー構造であり、リンクのようにループが構成されたりしないので、それらを解消するための処理を必要としない。
●二つの文書から抽出した単語を合成するので、文書中には存在しない単語を結果として出力することができる。更に、カテゴリ階層に基づいて合成するので、単語の合成を的確に実施することができる。
●事前の処理が必要ないので、処理結果を保存しておく記憶容量を必要としない。また、文書の最新の内容に対応することができる。
【００５４】
《具体例３》
具体例３は、具体例１と同等の結果を得るのに、文書収集時に情報抽出とリンク情報の取得を実施するように構成したものである。
【００５５】
〈構成〉
図１３は、具体例３の構成図である。
図の装置は、記憶部１０１、起点アドレス指定部１０２、カテゴリ指定部１０３、最大リンク深度指定部１０４、バッファ部１０５、抽出部１０６、表示部１０９、収集部３０１、登録部３０２、抽出結果記憶部３０３、探索部３０４を備えている。ここで、記憶部１０１〜表示部１０９は、具体例１、２と同様の構成であるため、その説明は省略する。
【００５６】
収集部３０１は、記憶部１０１に新しく文書が登録された場合や、文書が変更された場合にこれを察知し、登録部３０２に登録させる機能部である。記憶部１０１がワールドワイドウェブ（ＷＷＷ：インターネットを介して参照できる様々な文書）の場合は、一般にウェブロボットと呼ばれる文書収集装置と同等のものであってもよい。
【００５７】
登録部３０２は、収集部３０１が新しく収集した文書から抽出部１０６が情報抽出した結果とリンク先またはリンク元の情報を抽出結果記憶部３０３に登録する機能部である。例えば、図２のようなリンクで関連付けられた文書を登録した場合、抽出結果記憶部３０３内部のデータは次のようになる。
図１４は、抽出結果記憶部３０３の内部データの説明図である。
但し、図１４において、各文書の内容は例示していないので、抽出結果は仮に示したものである。
【００５８】
探索部３０４は、起点アドレス指定部１０２、カテゴリ指定部１０３、最大リンク深度指定部１０４に設定された条件に基づいて抽出結果記憶部３０３から必要な情報を探索し、その結果を表示部１０９に出力する機能部である。
【００５９】
尚、上記の収集部３０１、登録部３０２および探索部３０４は、それぞれの構成に対応したソフトウェアと、これらのソフトウェアを実行するためのＣＰＵやメモリ等のハードウェアから実現されているものである。
【００６０】
〈動作〉
具体例３の動作として、登録時の動作と探索時の動作それぞれについて順に説明する。
図１６は、具体例３における登録時の動作を示すフローチャートである。
収集部３０１が処理対象の文書を発見すると、先ず、対象文書をバッファ部１０５にロードする（ステップＳ３０１）。次に、抽出部１０６が情報抽出を実施する（ステップＳ３０２）。このとき、カテゴリ指定部１０３の内容にかかわらず、全てのカテゴリに対して抽出を行う。更に、登録部３０２はリンク先およびリンク元の情報を取得し（ステップＳ３０３）、ステップＳ３０２で得た情報抽出の結果と共に抽出結果記憶部３０３に記憶させて（ステップＳ３０４）、処理を終了する。その処理結果が図１４に示す状態である。以上の動作を収集部３０１が処理対象の文書を発見する度に実施する。
【００６１】
図１７は、具体例３の探索時の動作を示すフローチャートである。
先ず、探索部３０４において、現在のリンク深度を表す変数であるリンク深度Ｄに０を代入する（ステップＳ３１１）。次に、リンク深度Ｄの値に基づいて対象文書リストを作成する（ステップＳ３１２）。対象文書リストとは、起点アドレス指定部１０２からリンク深度Ｄの回数だけリンク先またはリンク元をたどっていける文書のリストのことである。例えば、文書のリンク関係が図２のようになっているときに、起点アドレス指定部１０２により、起点アドレスにｘｙｚ．ｊｐ／Ａ３．ｈｔｍｌが指定された場合、各リンク深度Ｄの対象文書リストは次のようになる。
【００６２】
図１５は、対象文書リストの説明図である。
尚、具体例３でも具体例１と同様に外部サイトへのリンクは対象としないようにする。
【００６３】
次に、対象文書に、探索部３０４は、カテゴリ指定部１０３で指定されたカテゴリの抽出結果が存在するかどうか抽出結果記憶部３０３を参照して調べ（ステップＳ３１３）、あった場合はその結果を表示して（ステップＳ３１８）、処理を終了する。なかった場合は、リンク深度Ｄの値に１を加算し（ステップＳ３１５）、その結果が最大リンク深度指定部１０４の示す値を超えていた場合は、抽出できなかった旨を表示し（ステップＳ３１７）、処理を終了する。そうでない場合は、ステップＳ３１３へ戻って処理を繰り返す。
【００６４】
〈効果〉
以上のように、具体例３によれば、次のような効果が得られる。
●リンク先からも情報抽出を行うので、本来一つの文書にする筈のものを読みやすさを向上させるために複数に分割し、それらを互いにリンクさせている場合であっても、情報抽出を的確に実施することができる。
●リンク先が外部サイトの場合は、情報抽出をしないように構成してあるので、参考のために指し示しているだけのリンクなどの場合は、リンク先から情報を抽出することがなく、本来一つの文書にする筈のものだけから的確に情報抽出することができる。
●最大リンク深度の指定により終了条件が設定されるので、リンクの参照関係がループを構成している場合であっても問題なく動作する。
●リンク深度の値が小さい文書から順に情報抽出を行うようにしたので、より関連性の高い文書から処理することができ、抽出精度および処理速度を向上させることができる。
●事前にリンク先の文書アドレスを収集しているので、全ての文書の事前処理が終了すれば、リンク元の文書アドレスの情報も完全に収集することができる。このため、参照元の文書からの情報抽出結果も利用することができる。
●事前の情報抽出の処理を完了しているので、応答が速い。
【００６５】
《具体例４》
具体例４は、具体例２と同等の結果を得るのに、文書収集時に情報抽出とリンク情報および上位文書アドレスの取得を実施するようにしたものである。更に、上位文書には具体例２で説明した一つ上のディレクトリに存在する特定の名前の文書以外に、リンク元の文書が一つ上のディレクトリにある場合にはその文書を上位文書とするよう構成した。
【００６６】
〈構成〉
図１８は、具体例４の構成図である。
図の装置は、記憶部１０１、起点アドレス指定部１０２、カテゴリ指定部１０３、バッファ部１０５、抽出部１０６、表示部１０９、カテゴリ階層規定部２０２、収集部３０１、登録部４０１、抽出結果記憶部４０２、探索部４０３を備えている。ここで、記憶部１０１〜表示部１０９は、具体例１の構成と同様であり、また、カテゴリ階層規定部２０２は具体例２、収集部３０１は具体例３の構成と同様であるため、ここでの説明は省略する。
【００６７】
登録部４０１は、収集部３０１が新しく収集した文書から抽出部１０６が情報抽出した結果と、文書の内容から取得したリンク先またはリンク元の情報と、生成した上位文書の文書アドレスを抽出結果記憶部４０２に記憶する機能部である。抽出結果記憶部４０２は、各文書の抽出結果とリンク先またはリンク元の文書アドレスの情報と上位文書の文書アドレスを管理する機能部である。例えば、図８のようにリンクで関連付けられた文書を登録した場合、抽出結果記憶部４０２内部のデータは次のようになる。
【００６８】
図１９は、抽出結果記憶部４０２内部のデータの説明図である。
但し、具体例４においても、図８と同様に文書アドレスの上位のディレクトリ名などは省略して示している。
【００６９】
探索部４０３は、起点アドレス指定部１０２、カテゴリ指定部１０３に設定された条件に基づいて抽出結果記憶部４０２から必要な情報を探索すると共に、必要があれば探索の結果得られた抽出結果の単語をカテゴリ階層規定部２０２の階層に基づいて合成し、その結果を表示部１０９に出力する機能部である。
【００７０】
尚、上記の登録部４０１および探索部４０３は、それぞれの構成に対応したソフトウェアと、これらのソフトウェアを実行するためのＣＰＵやメモリ等のハードウェアから実現されているものである。
【００７１】
〈動作〉
具体例４の動作として、登録時の動作と探索時の動作それぞれについて順に説明する。
図２０は、具体例４における登録時の動作を示すフローチャートである。
収集部３０１が処理対象の文書を発見すると、先ず、対象文書をバッファ部１０５にロードする（ステップＳ４０１）。次に、抽出部１０６が情報抽出を実施する（ステップＳ４０２）。このとき、カテゴリ指定部１０３の内容にかかわらず、全てのカテゴリに対して抽出を行う。次に、登録部４０１は、リンク先およびリンク元の情報を取得し（ステップＳ４０３）、更に、上位文書アドレスを生成する（ステップＳ４０４）。尚、上位文書には、具体例２で説明した一つ上のディレクトリに存在する特定の名前の文書以外に、リンク元の文書が一つ上のディレクトリにある場合にはその文書も上位文書とする。つまり、具体例２では上位文書の個数は最大でも一つであったが、具体例４では複数になる場合がある。
【００７２】
最後に、ステップＳ４０２で得た情報抽出の結果と、ステップＳ４０３で得たリンク先およびリンク元の情報と、ステップＳ４０４で得た上位文書アドレスを抽出結果記憶部４０２に記憶させて（ステップＳ４０５）、処理を終了する。図１９が、処理終了後の抽出結果記憶部４０２の内部データを示している。以上の動作を収集部３０１が処理対象の文書を発見する度に実施する。
【００７３】
図２１は、具体例４の探索時の動作を示すフローチャートである。
先ず、探索部４０３は、起点アドレス指定部１０２が示す文書からカテゴリ指定部１０３で指定されたカテゴリ情報の抽出結果が抽出結果記憶部４０２に存在するかどうかを探索する（ステップＳ４１１）。存在しなかった場合は、抽出できなかった旨を表示部１０９によって表示し（ステップＳ４１３）、処理を終了する。また、存在した抽出結果が完全な場合（一部分のみではない場合）は、抽出結果を表示して処理を終了する（ステップＳ４１５）。
【００７４】
一方、抽出結果が一部分のみの場合は、抽出結果記憶部４０２の該当部分に登録された全ての上位文書アドレスに対して（ステップＳ４１６）、カテゴリ指定部１０３で指定されたカテゴリで、かつ、ステップＳ４１１で取得したものよりも上位階層の抽出結果が抽出結果記憶部４０２に存在するかどうかを探索する（ステップＳ４１７）。この探索で、存在した場合（ステップＳ４１８）は、以前に取得した抽出結果と合成し（ステップＳ４１９）、その結果を表示して（ステップＳ４２０）、処理を終了する。ステップＳ４１８において、存在しない場合はステップＳ４１７、Ｓ４１８を繰り返し（ステップＳ４２１）、繰り返しが終了した場合は、一部分のみの抽出結果を表示して（ステップＳ４２２）、処理を終了する。
【００７５】
以下、一例を用いて探索時の動作を更に詳細に説明する。
この例では、記憶部１０１内部において、図１０のようなディレクトリ構造で文書２１１〜文書２１６を含む多くの文書が管理されているとする。また、図１０の点線内部にある文書の参照関係は図８に示す通りであるとする。尚、図８では煩雑さを避けるため省略して記載しているが、実際にはディレクトリの名前なども文書アドレスに含まれる。例えば、文書２１１のアドレスを省略せずに示すと、「ｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｉｎｄｅｘ．ｈｔｍｌ」となる。登録時の動作を実行すると抽出結果記憶部４０２の内容は図１９のようになっている。
【００７６】
起点アドレス指定部１０２が、ｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｌａｂ／０２．ｈｔｍｌを指定し、また、カテゴリ指定部１０３がカテゴリとして「組織名」を指定していると、探索部４０３は、抽出結果記憶部４０２における５行目の抽出結果の列を参照し、組織名として「井上研究室」という単語を「研究室名」として抽出した結果を取得する（ステップＳ４１１）。これをカテゴリ階層規定部２０２の「組織名」カテゴリの階層と比較する（ステップＳ４１４）。カテゴリ階層規定部２０２のデータは図１１に示す通りである。
【００７７】
この図１１を参照すると、「組織名」が完全であるためには、「大学名」「学部名」「学科名」「研究室名」の四つの情報、または、「会社名」「部名」「課名」「係名」の四つの情報が揃っている必要があることが分かる。従って「研究室名」しか抽出できなかったので、抽出結果は一部分のみであることになり、ステップＳ４１６に進む。次に、探索部４０３は、抽出結果記憶部４０２における５行目の上位文書の列を参照することにより、上位文書は、ｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｓｈｏｋａｉ．ｈｔｍｌおよびｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｉｎｄｅｘ．ｈｔｍｌであることを知る。これらに対して探索部４０３は探索処理を実施する（ステップＳ４１６）。
【００７８】
先ず、ｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｓｈｏｋａｉ．ｈｔｍｌを対象とすると、抽出結果記憶部４０２の２行目を参照することにより、組織名として「秋山研究室」「井上研究室」「遠藤研究室」という三つの単語を「研究室名」として抽出した結果を得ることができるが、これらはいずれもステップＳ４１１で得た「研究室名」よりも上位階層ではないので、必要な単語を取得できなかったとしてステップＳ４２１へ進み、次のｓｈｏｕｓｅｉ．ａｃ．ｊｐ／ｋｇｂ／ｊｈｋ／ｉｎｄｅｘ．ｈｔｍｌを対象とする。同様に、抽出結果記憶部４０２の１行目も参照することにより、組織名として「情報工学科」という単語を「学科名」として抽出した結果を得ることができる。これは、カテゴリ階層規定部２０２を参照することにより、ステップＳ４１１で得た「研究室名」の上位階層にあたることが分かるので、対象とする単語が存在したとしてステップＳ４１９へ進む。
【００７９】
ステップＳ４１１で得た「井上研究室」（研究室名）と、ステップＳ４１７で得た「情報工学科」（学科名）をカテゴリ階層規定部２０２で示される順序で結合し、「情報工学科井上研究室」という単語を合成し（ステップＳ４１９）、それを表示して（ステップＳ４２０）、処理を終了する。
【００８０】
〈効果〉
以上のように、具体例４によれば、次のような効果がある。
●上位文書からも情報抽出を行うので、本来一つの文書にする筈のものを、読みやすさを向上させるために複数に分割し、それらを互いにリンクさせている場合であっても情報抽出を的確に行うことができる。
●ディレクトリ構造の情報とリンクの参照元の情報とを組み合わせて使うので、リンク情報だけのときのようにループが構成されたりしないので、それらを解消するための処理を必要としない。
●二つの文書から抽出した単語を合成するので、文書中に存在しない単語を結果として出力することができる。更にカテゴリ階層に基づいて合成するので、単語の合成を的確に実施することができる。
●事前にリンク先の文書アドレスを収集しているので、全ての文書の事前処理が終了すれば、リンク元の文書アドレスの情報も完全に収集することができる。このため、参照元の文書からの情報抽出結果も利用することができる。
●事前の情報抽出の処理を完了しているので、応答が速い。
【００８１】
《利用形態》
◆具体例３および具体例４では理解を助けるために、抽出結果記憶部３０３、４０２のデータとして、リンク元文書の文書アドレスを記憶する項目を設けて説明したが、この項目は必須ではない。抽出結果記憶部３０３（４０２）に、リンク先文書のアドレスを記憶する項目さえあれば、これから逆にリンク元文書のアドレスを探すことは容易に可能である。
【００８２】
◆具体例４では、理解を助けるため、抽出結果記憶部４０２のデータ構造として上位文書を記憶する項目を設けて説明したが、この項目は必ずしも必要な訳ではない。具体例２のように、必要になった時点で生成するようにしてもよい。
【００８３】
◆具体例２において、説明を分かり易くするため、上位文書から上位階層の情報を抽出できれば抽出処理を終了するよう説明した。つまり、単語を合成する数は最大でも二つという説明であったが、上位階層の情報を抽出できた後も、更に上位の階層の情報を対象文書の上位文書から抽出することを続けて、抽出できた全ての単語を合成するようにしてもよい。つまり、三つ以上の単語を合成する場合があってもよい。
【００８４】
◆具体例４において、説明を簡略化するため、上位文書を対象文書とすることを再帰的に繰り返すことは説明しなかったが、具体例２のステップＳ２０７〜ステップＳ２１２の処理と同様に再帰的に繰り返すようにしてもよい。また、上述したように上位階層の情報を取得できた後も繰り返して取得して、三つ以上の単語を合成するするようにしてもよい。
【００８５】
◆具体例４において、上位文書は対象文書の一つ上のディレクトリに存在する特定の名前の文書と、対象文書のリンク元の文書で、かつ、対象文書の一つ上のディレクトリに存在する文書の両方であると説明したが、これらのうちの片方だけを上位文書としてもよい。
【００８６】
◆具体例１〜４において、記憶部１０１は、ＷＷＷ（ワールドワイドウェブ）といったネットワーク上の文書であってもよいし、ハードディスク装置等の記憶装置内に格納された文書等、文書が存在する場所であれば、どのような形態であってもよい。
【００８７】
◆具体例１では、リンク先の文書から情報を抽出すると説明したが、これに限定されるものではない。これ以外にも具体例２や具体例４で説明した上位文書を対象にしてもよいし、リンク先の文書と上位文書の両方を対象としてもよい。
【００８８】
◆具体例３では、リンク先の文書とリンク元の文書の両方から情報抽出結果を取得すると説明したが、具体例２や具体例４で説明した上位文書を対象に加えてもよい。更に、リンク先の文書、リンク元の文書、上位文書の３種類の文書から選んだ一つの文書または二つ以上の文書の組み合わせを対象としてもよい。
【００８９】
◆具体例２や具体例４において、起点文書から抽出した単語と上位文書から抽出した単語を合成するように説明したが、これに限定されるものではない。同一文書から抽出された単語を合成してもよいし、具体例１や具体例３で説明したような、リンク先の文書やリンク元の文書から抽出した単語を合成してもよい。
【００９０】
◆具体例２や具体例４において、抽出結果を合成する場合にカテゴリ階層規定部２０２の記載順序に従って単語を連結するよう説明したが、抽出した単語を連結する順序を別途合成ルールとして定義するよう構成してもよい。この合成ルールとは、連結順序を特定するものであればどのようなものであってもよいが、例えば次のような合成ルールである。
【００９１】
例えば、情報としての地名が以下のように抽出できたとする。
＜都道府県名＞＝大阪府
＜市名＞＝大阪市
＜区名＞＝浪速区
＜町名＞＝日本橋
【００９２】
ルールＡ
＜都道府県名＞＋＜市名＞＋＜区名＞＋＜町名＞
ルールＢ
＜町名＞＋“（“＋＜都道府県名＞＋”）”
という二つのルールがあった場合、
【００９３】
ルールＡの処理結果：大阪府大阪市浪速区日本橋
ルールＢの処理結果：日本橋（大阪府）
といった結果となる。
【００９４】
ここでは、正確な住所を表記したい場合はルールＡが、簡単に町名を特定して表記したい場合はルールＢが有効である。
【００９５】
◆具体例２や具体例４において、上位文書として、一般的に上位文書であるとして用いられているｉｎｄｅｘ．ｈｔｍｌとしたが、これに限定されるものではなく、予め、特定の名前の文書を決定するものであれば、どのような文書としてもよい。
【００９６】
◆具体例１〜４において、表示部１０９は、ディスプレイ等の表示装置で表示を行う機能部であるとしたが、例えば印刷装置で印刷出力を行う機能部であってもよい。
◆具体例１〜具体例４をそれぞれ二つ乃至四つを任意に組み合わせてもよい。
【００９７】
【発明の効果】
以上のように、本発明によれば、ハイパーテキスト構造を持つ文書群から指定情報を抽出する場合、ある起点アドレスの文書から情報が抽出できなかった場合は、その文書の関連文書から情報抽出を行うようにしたので、例えば、本来一つの文書にする筈のものを複数に分割し、それらを互いにリンクさせているような場合であっても情報抽出を的確に実施することができる。
【図面の簡単な説明】
【図１】本発明の情報抽出装置の具体例１を示す構成図である。
【図２】記憶部に記憶される文書の一例を示す説明図である。
【図３】具体例１の動作を示すフローチャートである。
【図４】リンク情報管理部のデータの説明図（その１）である。
【図５】リンク情報管理部のデータの説明図（その２）である。
【図６】リンク情報管理部のデータの説明図（その３）である。
【図７】具体例２の構成図である。
【図８】文書２１１〜文書２１６の参照関係の説明図である。
【図９】文書２１１〜文書２１６の内容を示す説明図である。
【図１０】ディレクトリ構造の説明図である。
【図１１】カテゴリ階層規定部のデータの一例を示す説明図である。
【図１２】具体例２の動作を示すフローチャートである。
【図１３】具体例３の構成図である。
【図１４】具体例３の抽出結果記憶部の内部データの説明図である。
【図１５】対象文書リストの説明図である。
【図１６】具体例３における登録時の動作を示すフローチャートである。
【図１７】具体例３の探索時の動作を示すフローチャートである。
【図１８】具体例４の構成図である。
【図１９】具体例４の抽出結果記憶部の内部データの説明図である。
【図２０】具体例４における登録時の動作を示すフローチャートである。
【図２１】具体例４の探索時の動作を示すフローチャートである。
【符号の説明】
１０２ 起点アドレス指定部
１０３ カテゴリ指定部
１０４ 最大リンク深度指定部
１０６ 抽出部
１０７、２０１ 処理部
２０２ カテゴリ階層規定部
３０３、４０２ 抽出結果記憶部
３０４ 探索部

Claims (19)

1. リンク情報で相互に関連付けられたハイパーテキスト構造を持つ文書群から指定した情報を抽出する情報抽出装置であって、
   前記情報を抽出する起点となる文書のアドレスを指定する起点アドレス指定部と、
   前記起点アドレス指定部で指定された対象文書から前記情報を抽出すると共に、前記対象文書から当該情報を抽出できなかった場合は、前記文書のアドレスに基づいて前記対象文書の関連文書から当該情報を抽出する抽出部とを備えたことを特徴とする情報抽出装置。
2. 請求項１に記載の情報抽出装置において、
   抽出する情報のカテゴリを指定するカテゴリ指定部と、
   起点アドレス指定部で指定された対象文書から前記カテゴリに該当する情報を抽出すると共に、前記対象文書から当該カテゴリに該当する情報を抽出できなかった場合は、前記文書のアドレスに基づいて前記対象文書の関連文書から当該情報を抽出する抽出部とを備えたことを特徴とする情報抽出装置。
3. 請求項２に記載の情報抽出装置において、
   抽出する情報のカテゴリを階層構造で表現したカテゴリ階層規定部と、
   起点アドレス指定部で指定された対象文書からカテゴリに該当する情報を抽出した結果、前記階層構造のうち下位階層の抽出結果のみで上位階層の抽出結果が欠落している場合は、対象文書の関連文書から前記下位階層の抽出結果よりも上位階層の文字列を抽出する抽出部と、
   前記下位階層の抽出結果と前記上位階層の抽出結果を合成した文字列を抽出結果として出力する処理部とを備えたことを特徴とする情報抽出装置。
4. 請求項３に記載の情報抽出装置において、
   起点アドレス指定部で指定された対象文書からカテゴリに該当する情報を抽出した結果、前記階層構造のうち下位階層の抽出結果と上位階層の抽出結果の複数の文字列に分かれた場合は、これら複数の文字列を、下位階層の抽出結果と上位階層の抽出結果として出力する抽出部を備えたことを特徴とする情報抽出装置。
5. リンク情報で相互に関連付けられたハイパーテキスト構造を持つ文書群から指定した情報を抽出する情報抽出装置であって、
   前記文書群から対象となる情報を抽出すると共に、前記文書群に対して文書の追加または更新が発生した場合は、その都度これを反映させた抽出処理を行い、前記対象となる情報とその文書アドレスとを含む抽出結果を出力する抽出部と、
   前記抽出部からの抽出結果を抽出結果情報として記憶する抽出結果記憶部と、
   前記指定した情報を抽出する起点となる文書のアドレスを指定する起点アドレス指定部と、
   前記抽出結果記憶部の抽出結果情報を参照して、前記起点アドレス指定部で指定された文書アドレスの文書および関連文書から情報抽出を行う探索部とを備えたことを特徴とする情報抽出装置。
6. 請求項５に記載の情報抽出装置において、
   抽出を行う情報のカテゴリを指定するカテゴリ指定部と、
   前記カテゴリ指定部で指定されたカテゴリに属する情報抽出を行う探索部とを備えたことを特徴とする情報抽出装置。
7. 請求項６に記載の情報抽出装置において、
   抽出する情報のカテゴリを階層構造で表現したカテゴリ階層規定部と、
   起点アドレス指定部で指定された対象文書からカテゴリに該当する情報を抽出した結果、前記階層構造のうち下位階層の抽出結果のみで上位階層の抽出結果が欠落している場合は、対象文書の関連文書から前記下位階層の抽出結果よりも上位階層の文字列を抽出し、前記下位階層の抽出結果と前記上位階層の抽出結果を合成した文字列を抽出結果として出力する探索部とを備えたことを特徴とする情報抽出装置。
8. 請求項１〜７のいずれかに記載の情報抽出装置において、
   関連文書は、対象文書のリンク先文書、リンク元文書、上位文書のうち、少なくともいずれか一つを含むことを特徴とする情報抽出装置。
9. 請求項８に記載の情報抽出装置において、
   上位文書は、対象文書の一つ上のディレクトリに存在する特定の名称の文書、または、一つ上のディレクトリに存在するリンク元文書のうち、少なくともいずれかの文書であることを特徴とする情報抽出装置。
10. 請求項１〜４のいずれかに記載の情報抽出装置において、
    最大リンク深度を指定する最大リンク深度指定部と、
    対象文書から情報抽出できなかった場合は、その文書の関連文書から情報抽出を行う処理を、前記指定された最大リンク深度の範囲内で再帰的に行う抽出部とを備えたことを特徴とする情報抽出装置。
11. 請求項５〜７のいずれかに記載の情報抽出装置において、
    最大リンク深度を指定する最大リンク深度指定部と、
    対象文書から情報抽出できなかった場合は、その文書の関連文書から情報抽出を行う処理を、前記指定された最大リンク深度の範囲内で再帰的に行う探索部とを備えたことを特徴とする情報抽出装置。
12. 請求項１０に記載の情報抽出装置において、
    リンク深度の値が小さい文書から順に情報抽出処理を行う抽出部を備えたことを特徴とする情報抽出装置。
13. 請求項１１に記載の情報抽出装置において、
    リンク深度の値が小さい文書から順に情報抽出処理を行う探索部を備えたことを特徴とする情報抽出装置。
14. 請求項１〜４、１０、１２のいずれかに記載の情報抽出装置において、
    関連文書の文書アドレスに基づいて内部リンクと外部リンクとを判別し、外部リンクの文書は情報抽出の対象から除外する抽出部を備えたことを特徴とする情報抽出装置。
15. 請求項５〜７、１１、１３のいずれかに記載の情報抽出装置において、
    関連文書の文書アドレスに基づいて内部リンクと外部リンクとを判別し、外部リンクの文書は情報抽出の対象から除外する探索部を備えたことを特徴とする情報抽出装置。
16. 請求項３または４に記載の情報抽出装置において、
    階層構造に基づいて、上位階層の抽出結果から下位階層の抽出結果の順番に複数の文字列を結合することにより処理結果の文字列を作成する処理部を備えたことを特徴とする情報抽出装置。
17. 請求項７に記載の情報抽出装置において、
    階層構造に基づいて、上位階層の抽出結果から下位階層の抽出結果の順番に複数の文字列を結合することにより処理結果の文字列を作成する探索部を備えたことを特徴とする情報抽出装置。
18. 請求項３、４、１６に記載の情報抽出装置において、
    階層構造で表現された複数の文字列を合成する場合の所定の合成ルールを有し、当該合成ルールに従って処理結果の文字列を作成する処理部を備えたことを特徴とする情報抽出装置。
19. 請求項７または１７に記載の情報抽出装置において、
    階層構造で表現された複数の文字列を合成する場合の所定の合成ルールを有し、当該合成ルールに従って処理結果の文字列を作成する探索部を備えたことを特徴とする情報抽出装置。

Images