JP2004318506A - 文書情報検索装置及び文書検索方法並びにそのプログラム - Google Patents
文書情報検索装置及び文書検索方法並びにそのプログラム Download PDFInfo
- Publication number
- JP2004318506A JP2004318506A JP2003111729A JP2003111729A JP2004318506A JP 2004318506 A JP2004318506 A JP 2004318506A JP 2003111729 A JP2003111729 A JP 2003111729A JP 2003111729 A JP2003111729 A JP 2003111729A JP 2004318506 A JP2004318506 A JP 2004318506A
- Authority
- JP
- Japan
- Prior art keywords
- information
- time
- block information
- update date
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
【課題】キーワードに基づいたウェブページの検索の精度が高い文書情報検索装置を提供することを目的とする。
【解決手段】収集したウェブページの中から、検索者の指定したキーワードを含むウェブページを検索するシステムにおいて、キーワードを含むウェブページのブロック部分（ブロック情報）の更新日時に基づいてウェブページのＵＲＬを検索する。
【選択図】 図１
【解決手段】収集したウェブページの中から、検索者の指定したキーワードを含むウェブページを検索するシステムにおいて、キーワードを含むウェブページのブロック部分（ブロック情報）の更新日時に基づいてウェブページのＵＲＬを検索する。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
この発明は、コンピュータシステムに係り、特に、文書情報検索装置及び文書検索方法並びにそのプログラムに関するものである。
【０００２】
【従来の技術】
ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）上で提供されるウェブページを検索するシステムには、人手により、収集されたウェブページのデータが入力されるディレクトリ型検索システムや、ウェブページのデータの収集をプログラムが行うロボット型の検索システムなどがある。ここで、大量のウェブページが存在する現状では人手でウェブページのデータの入力を行うのは非常に労力がかかるため、ウェブページを検索するシステムとしてロボット型検索システムを採用することが主流となっている。
ロボット型検索システムでは、検索したキーワードが含まれるウェブページの出力結果が多いときには数千から数十万のウェブページを出力することとなってしまうので、検索者はその出力結果の中から必要としている情報を探し出すのは非常に困難になる。そのために様々な手法を用いて出力する検索ウェブページの順位付けを行い、利用者の情報検索の労力を削減する処理をウェブページの検索システムに組み込んでいる。その出力の順位付けの手法としてウェブページのリンク情報を元にウェブページの重要度を算出したり、更新された日時を推定したりして、重要度や日時の順で検索されたウェブページを出力する手法が考えられている。そして従来は、上述の検索システムのように、ウェブページの重要度や更新された日時に基づいて検索結果の順位付けを行い、ウェブページのＵＲＬの情報などを出力している。なお、ウェブページの更新された日時を推定し、その日時に基づいて検索結果の順位付けを行なう技術が公開されている（例えば、特許文献１参照。）。
【０００３】
【特許文献１】
特開２００２−３３４０９０号公報
【０００４】
【発明が解決しようとする課題】
しかしながら、上述の検索方法により出力されたウェブページは、検索者が入力したキーワードを含む部分が時間の経過している古い情報の部分であっても、ウェブページ自体の更新日時が最新を示してれば最新の情報だと判断されてしまう。このようなことは特に電子掲示板や、個人の日記サイトのようにひとつのウェブページ上に、どんどん新しい情報を追加していき、古い情報と新しい情報が混在しているようなウェブページに多く見られる。
このように、従来の方法ではキーワードに基づくウェブページの検索を行なう際に、特にウェブページの日付順の検索を行った場合には、キーワードを含む文書の更新日時とは関係のない日時で日付順の検索を行ってしまい、利用者が必要としているキーワードを含む部分の日付順の検索の精度が低下するという問題点がある。
そこでこの発明は、キーワードに基づいたウェブページの検索の精度が高い文書情報検索装置及び文書検索方法並びにそのプログラムを提供することを目的としている。
【０００５】
【課題を解決するための手段】
本発明は、上述の課題を解決すべくなされたもので、文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースと、収集した文書情報を複数のブロック情報に分割する文書情報分割手段と、前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定手段と、前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録手段とを備えることを特徴とする文書情報検索装置である。
【０００６】
上述の構成によれば本発明は、文書情報を分割したブロック情報の更新日時を推定してデータベースに記録するので、ブロック情報毎の更新された日時を把握することができる。
【０００７】
また本発明は、上述の文書情報検索装置において、キーワードを受付けるキーワード受付け手段と、前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索手段とを備えることを特徴とする。これにより、ブロック情報の更新日時に基づいてキーワードが含まれるブロック情報を読み取ることができる。
【０００８】
また本発明は、上述の文書情報検索装置において、前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力手段を備えることを特徴とする。これにより、文書情報または文書情報の関連情報を、ブロック情報の更新日時の順番で出力することができる。
【０００９】
また本発明は、上述の文書情報検索装置において、期間を受付ける期間受付け手段を備え、前記検索手段は、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取ることを特徴とする。これにより、受付けた期間内に含まれる更新日時のブロック情報を読み取ることができる。
【００１０】
また本発明は、上述の文書情報検索装置において、前記更新日時推定手段は、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録することを特徴とする。これにより、ブロック情報に対応する文書情報またはブロック情報に対応する文書情報の収集日時の何れかに基づくブロック情報の更新日時、または、データベースに記録されているブロック情報の更新日時のどちらかの日時をデータベースに記録する更新日時として推定することができる。
【００１１】
また本発明は、上述の文書情報検索装置において、前記文書情報分割手段は、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割することを特徴とする。これにより、文書情報の変更される部分ごとにブロック情報を作成することができる。
【００１２】
また本発明は、文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースを備えた文書情報検索装置における文書情報検索方法であって、収集した文書情報を複数のブロック情報に分割する文書情報分割過程と、前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定過程と、前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録過程とを含むことを特徴とする文書情報検索方法である。
【００１３】
また本発明は、上述の文書情報検索方法において、キーワードを受付けるキーワード受付け過程と、前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索過程とを含むことを特徴とする。
【００１４】
また本発明は、上述の文書情報検索方法において、前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力過程とを含むことを特徴とする。
【００１５】
また本発明は、上述の文書情報検索方法において、期間を受付ける期間受付け過程を含み、前記検索過程において、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取ることを特徴とする。
【００１６】
また本発明は、前記文書情報分割過程において、前記更新日時推定過程において、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録することを特徴とする。
【００１７】
また本発明は、前記文書情報分割過程において、前記文書情報分割過程において、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割することを特徴とする。
【００１８】
また本発明は、文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースを備えた文書情報検索装置のコンピュータに実行させるプログラムであって、収集した文書情報を複数のブロック情報に分割する文書情報分割過程と、前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定過程と、前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録過程との処理を実行するプログラムである。
【００１９】
また本発明は、上述のプログラムがキーワードを受付けるキーワード受付け過程と、前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索過程との処理を実行することを特徴とする。
【００２０】
また本発明は、上述のプログラムが前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力過程の処理を実行することを特徴とする。
【００２１】
また本発明は、上述のプログラムが期間を受付ける期間受付け過程の処理を実行し、前記検索過程において、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取る処理を行なうことを特徴とする。
【００２２】
また本発明は、上述のプログラムが前記更新日時推定過程において、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録する処理を行なうことを特徴とする。
【００２３】
また本発明は、上述のプログラムが前記文書情報分割過程において、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割する処理を行なうことを特徴とする。
【００２４】
【発明の実施の形態】
以下、本発明の一実施形態による文書情報検索装置を図面を参照して説明する。
図１は、この発明の一実施形態による文書情報検索システムの構成を示す概略ブロック図である。
この図において符号１は文書情報検索装置である。また２はインターネット上に接続したウェブサーバから、当該ウェブサーバの提供するウェブページを収集する収集ロボットである。また３は収集ロボット２の収集したウェブページのデータ（ＨＴＭＬ文書（文書情報））とそのウェブページのＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ（文書情報の関連情報））と収集日時とを対応付けて記録する収集データベースである。また４はウェブページをインターネット上に提供するウェブサーバ、５はインターネットに接続した無数のウェブサーバ４により提供されているウェブページを検索する検索者の端末である。
【００２５】
また、文書情報検索装置１において、符号１１はウェブページのＨＴＭＬ文書を分割したブロック情報とそのブロック情報の更新日時を対応付けたブロック情報・更新日時対応テーブルと、ウェブページのＵＲＬとそのＵＲＬのウェブページを構成するブロック情報のブロックＩＤを対応付けたＵＲＬ・ブロックＩＤ対応テーブルとを記憶するブロック情報データベースである。また１２は検索者から受付けたキーワードを分解した品詞とその品詞を含むウェブページのＵＲＬと当該ＵＲＬの更新日時とを対応付けて記憶する検索インデックスデータベースである。
【００２６】
また１３は収集データベース３に記録されているウェブページのＨＴＭＬ文書や、当該ウェブページのＨＴＭＬ文書を収集した収集日時や、ウェブページを分割したブロック情報や、ブロック情報データベース１１に記録されているブロック情報に基いて、ブロック情報の更新日時を推定する更新日時推定部（文書情報分割手段、更新日時推定手段、ブロック情報記録手段）である。また１４はブロック情報データベース１１で記憶するブロック情報・更新日時対応テーブルやＵＲＬ・ブロックＩＤ対応テーブルに基いて、品詞とＵＲＬと更新日時とが対応する検索インデックスを作成し、検索インデックスデータベース１２に記録する検索インデックス作成部である。また１５は検索者の端末５から受信したキーワードに基づいて検索インデックスデータベース１２を検索する情報検索部（キーワード受付け手段、検索手段）である。また１６は情報検索部１６の出力した検索結果に基づいてウェブページのＵＲＬと更新日時の対応表を端末５に送信する検索結果出力部（検索結果出力手段、検索結果出力手段）である。
【００２７】
そして、文書情報検索装置１は、予め収集ロボット２がウェブサーバ４から収集して収集データベース３に記録したウェブページのデータをブロック情報に分割しブロック情報データベース１１に記録する。その際に、文書情報検索装置１は後述する処理に基づいて各ブロック情報の更新日時を推定し、ブロック情報に対応付けて記録しておく。また文書情報検索装置１は、単語ごとに、その単語を含むウェブページのＵＲＬと更新日時を対応付けて検索インデックスデータベース１２に記憶しておく。なお検索インデックスデータベース１２に記録される更新日時は、その更新日時に対応する単語を含むブロック情報の更新日時である。そして検索結果出力部１６は検索インデックスデータベース１２に記録されている更新日時の順番で、単語に対応するＵＲＬを出力する。これにより、出力結果は、ユーザが検索指示したキーワードから得られる単語を含むブロック情報の更新日時基づいて、そのブロック情報により構成されるウェブページのＵＲＬが表示されることとなる。なお、ブロック情報データベース１１に記録されるデータの例を図２に示す。この図が示すようにブロック情報データベース１１はブロック情報・更新日時対応テーブルとＵＲＬ・ブロックＩＤ対応テーブルを保持している。また検索インデックスデータベース１２に記録されるデータ例を図３に示す。この図が示すように検索インデックスデータベース１２は品詞とその品詞を含むウェブページのＵＲＬと更新日時とを対応付けたテーブル記憶している。
【００２８】
次に、図４を参照してブロック情報データベースを作成する処理について説明する。図４はブロック情報データベースを作成する処理フローを示す図である。
まず、更新日時推定部１３は収集ロボット２がウェブサーバ４から収集して収集データベース３に記録したウェブページのＨＴＭＬ文書とそのＵＲＬとウェブページのＨＴＭＬ文書を収集した収集日時とを取得する（ステップＳ１０１）。
【００２９】
次に、更新日時推定部１３は取得したウェブページのＨＴＭＬ文書の構文解析を行なう。ここで、ＨＴＭＬ文書の文法は「＜ＨＴＭＬ＞＜ＨＥＡＤ＞＜ＴＩＴＬＥ＞ｔｉｔｌｅ＜／ＴＩＴＬＥ＞＜／ＨＥＡＤ＞＜ＢＯＤＹ＞本文＜／ＢＯＤＹ＞＜／ＨＴＭＬ＞」のように＜＞で囲まれるタグの部分と、それ以外の部分に分かれる。なおタグとはＨＴＭＬのプログラム言語で記述された文書をウェブブラウザに読み込ませた時にウェブブラウザ上でのＨＴＭＬ文書の表示方法の命令を表すコマンドである。そして、ＨＴＭＬ文書はタグに基づいて「ＨＴＭＬ→ＨＥＡＤ→ＴＩＴＬＥ、ＨＴＭＬ→ＢＯＤＹ」などのような＜ＨＴＭＬ＞を根とする木構造として表すことができる。これにより更新日時推定部１３はＨＴＭＬ文書の構文解析して、ＨＴＭＬ文書の木構造のデータを作成する。
【００３０】
次に、更新日時推定部１３は作成した木構造に基づいてウェブページのデータを分割したブロック情報を作成する（ステップＳ１０２）。例えば更新日時推定部１３は、ウェブページのＨＴＭＬ文書のうちタグに基づいて分割された「＜ＴＩＴＬＥ＞ｔｉｔｉｅ＜／ＴＩＴＬＥ＞」の部分をひとつのブロックとして考え、「＜ＴＩＴＬＥ＞ｔｉｔｉｅ＜／ＴＩＴＬＥ＞」に基づいて「ｔｉｔｌｅ」のようなテキストのデータと「＜ＴＩＴＬＥ＞」のようなタグの属性とを用いて、「ＴＩＴＬＥ＞ｔｉｔｌｅ」のような文字列のデータを作成する。この「ＴＩＴＬＥ＞ｔｉｔｌｅ」のような文字列がブロック情報である。
【００３１】
次に、更新日時推定部１３は作成したブロック情報の更新日時を推定する。この更新日時の推定は、まず、更新日時推定部１３はブロック情報データベース１１を検索して、作成したブロック情報と同一の文字列を示すブロック情報が記録されているか否かを判定する。
そして、作成したブロック情報と同一の文字列を示すブロック情報がない場合には、ブロック情報を作成した元のウェブページのＨＴＭＬ文書と対応付けられて収集データベース３に記録されている収集日時をブロック情報の更新日時として推定する。また更新日時推定部１３は、作成したブロック情報と同一の文字列を示すブロック情報が、ブロック情報データベース１１に記録されているブロック情報の中に存在する場合には、作成したブロック情報の元となるウェブページのＨＴＭＬ文書に対応づけられて収集データベース３に記録されている収集日時か、またはブロック情報データベース１１に記録されているブロック情報に対応付けられている更新日時のいずれか古い日時を、ブロック情報データベース１１に新しく記録する更新日時として推定する。
【００３２】
そして更新日時推定部１３は、推定した更新日時とブロック情報と該ブロック情報を識別する為のブロックＩＤとを対応付けてブロック情報データベース１１のブロック情報・更新日時対応テーブルに記録する（ステップＳ１０３）。なお、更新日時推定部１３は、収集データベース３に記録されている収集日時以外に、ウェブページのＨＴＭＬ文書に記録されたＨＴＭＬ文書の作成日時を更新日時として推定するようにしても良い。また、更新日時推定部１３はＨＴＭＬ文書の内容から更新日時を推定するようにしてもよい。つまり、更新日時推定部１３はＨＴＭ文書またはＨＴＭＬ文書の収集日時の何れかに基づいて更新日時を推定する。
【００３３】
次に、更新日時推定部１３はウェブページのＵＲＬと、そのＵＲＬのウェブページのＨＴＭＬ文書を分割して作成したブロック情報のブロックＩＤとを対応付けてブロック情報データベース１１のＵＲＬ・ブロックＩＤ対応テーブルに記録する（ステップＳ１０４）。そして、更新日時推定部１３は収集データベース３に記録されている全てのウェブページのＵＲＬについて上述のステップＳ１０１〜ステップＳ１０４までの処理が終了したか否かを判定し（ステップＳ１０５）、終了していない場合にはステップＳ１０１〜ステップＳ１０４の処理を繰り返す。
【００３４】
次に図５を参照して検索インデックスデータベースを作成する際の処理について説明する。図５は検索インデックスデータベースを作成する処理フローを示す図である。
まず、検索インデックス作成部１４はブロック情報データベース１１のＵＲＬ・ブロックＩＤ対応テーブルにおいて、ウェブページのＵＲＬに対応して記録されているブロックＩＤを読み取る（ステップＳ２０１）。そして、検索インデックス作成部１４は、読み取ったブロックＩＤに対応付けられているブロック情報を順次ブロック情報データベース１１のブロック情報・更新日時対応テーブルから読み取る。次に、検索インデックス作成部１４は読み取ったブロック情報からタグの属性を除いたテキストデータのみを取得する（ステップＳ２０２）。そして、検索インデックス作成部１４は取得したテキストデータに対して形態素解析を行い品詞に分解する（ステップＳ２０３）。なお、形態素解析とは「本日は晴天。」などという日本語の文に対して、単語の品詞の推定を行って、文を品詞に分解する処理のことである。この処理を行うことで「本日」「は」「晴天」のように分解する。このような形態素解析を行い、テキストデータを品詞に分解する。
【００３５】
次に、検索インデックス作成部１４は、品詞へ分解する前のテキストデータを含むブロック情報に基づいて、更新日時とＵＲＬとをブロック情報データベース１１から読み取る。そして分解した品詞毎に、読み取った更新日時とＵＲＬとを対応付けた検索インデックスのデータを作成し、その検索インデックスのデータを検索インデックスデータベース１２へ記録する（ステップＳ２０４）。そして、検索インデックス作成部１４は上述のステップＳ２０１〜ステップＳ２０４までの処理が、ブロック情報データベース１１が記憶する全てのＵＲＬのウェブページのデータについて行なわれたか否かをチェックし（ステップＳ２０５）、終わっていない場合にはステップＳ２０１〜ステップＳ２０４の処理を繰り返す。
【００３６】
次に図６を用いて検索者から受付けたキーワードに基づいてウェブページを検索する際の処理について説明する。図６はウェブページを検索する際の処理フローを示す図である。
まず検索者は端末５に備えられたウェブブラウザの機能や、ウェブページ検索専用の機能を用いて端末５にキーワードを入力し、検索指示を行なう。すると端末５は文書情報検索装置１にキーワードを送信する。次に、情報検索部１５が端末５からキーワードを受信する（ステップＳ３０１）。すると情報検索部１５は、受信したキーワードを品詞に分解して検索インデックスデータベース１２を検索し、品詞に対応して記録されているＵＲＬとブロック情報の更新日時を取得する（ステップＳ３０２）。
【００３７】
そして、情報検索部１５はキーワードが複数の品詞で構成されている場合には、全ての品詞について、ＵＲＬと更新日時の取得を終了したか否かを判断する（ステップＳ３０３）。ここで終了していればステップＳ３０４に進み、終了していなければステップＳ３０２に戻る。
次に、情報検索部１５は取得したＵＲＬと更新日時を、キーワードを構成する品詞毎に比較する。そして情報検索部１５は、キーワードを構成する全ての品詞に共通して取得したＵＲＬと、そのＵＲＬと共に取得した更新日時のうち最も最近の日時を示す更新日時を検索結果とし、検索結果出力部１６に転送する（ステップＳ３０４）。これにより全ての品詞が含まれるＵＲＬが検索結果として検索結果出力部１６に転送される。
【００３８】
次に、図７を用いて検索結果の出力の処理について説明する。図７は検索結果の出力の処理フローを示す図である。
まず、検索結果出力部１６は情報検索部１５から検索結果を取得する（ステップＳ４０１）。次に、検索結果出力部１６は検索者の端末５に出力手法を問い合わせ、端末５から出力手法情報を取得する（ステップＳ４０２）。なお出力手法情報とは検索結果をどの様に出力するかを表す情報である。次に、検索結果出力部１６は検索に用いられたキーワードと検索結果の適合度を算出する（ステップＳ４０３）。この適合度は例えばキーワードが、検索結果のＵＲＬのウェブページにどの程度数含まれているかを表す数値に予め設定された係数を掛け合わせて算出した値である。また適合度は、例えば検索結果のＵＲＬが他のＵＲＬからリンクされている数を表す数値に予め設定された係数を掛け合わせて算出した値であっても良い。
【００３９】
次に、検索結果出力部１６は端末５から受信した出力手法情報が「最近の更新日時の順」と「適合度の高い順」のどちらの出力手法を示すかを判定する（ステップＳ４０４）。そして出力手法情報が「最近の更新日時の順」という出力手法を示す場合には、検索結果のＵＲＬと更新日時の対応表を更新日時の順番で端末５に出力する（ステップＳ４０５）。また、検索結果出力部１６は端末５から受信した出力手法情報が「適合度の高い順」という出力手法を示す場合には、出力手法情報に「期間指定」を示す情報が含まれるか否かを判定する（ステップＳ４０６）。そして、期間指定を示す情報が含まれている場合には、検索結果から期間外の更新日時に対応する検索結果のＵＲＬを検索結果から削除する（ステップＳ４０７）。そして、検索結果出力部１６は検索結果のＵＲＬを適合度順に並び替えて、ＵＲＬと更新日時の対応表を端末５に出力する（ステップＳ４０８）。
【００４０】
なお、上述の文書情報検索装置は内部に、コンピュータシステムを有している。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしても良い。
【００４１】
【発明の効果】
以上説明したように、本発明によれば、収集したウェブページの中から、検索者の指定したキーワードを含むウェブページを検索するシステムにおいて、キーワードを含むウェブページのブロック部分（ブロック情報）の更新日時に基づいてウェブページのＵＲＬを検索する。従って、キーワードを含む部分が新しい情報であるウェブページを検索することができる。ここで、ひとつのウェブページの中に随時情報が追加されるようなフォーマットを用いるようなウェブページ（例：日記サイトや掲示板サイト）や、ニュースサイトのトップページなどのように同一のページ内にさまざまな情報を複合して表示するようなウェブページでは、それぞれのブロックにより情報が発信された日時が異なるが、このようなウェブページでは、ウェブページ自体は新しくても、検索した部分は古い情報だったということが考えられる。しかし、本発明によれば、キーワードを含まない部分が最近更新されたウェブページは古い情報であるとして検索することが可能で、キーワードを含む部分が新しい情報であるウェブページを検索するような場合の検索精度の向上が図れる。
【図面の簡単な説明】
【図１】本発明の一実施形態による文書情報検索システムの構成を示す概略ブロック図である。
【図２】本実施形態によるブロック情報データベース１１に記録されるデータの例を示す図である。
【図３】本実施形態による検索インデックスデータベース１２に記録されるデータ例を示す図である。
【図４】ブ本実施形態によるロック情報データベースを作成する処理フローを示す図である。
【図５】本実施形態による検索インデックスデータベースを作成する処理フローを示す図である。
【図６】本実施形態によるウェブページを検索する際の処理フローを示す図である。
【図７】本実施形態による検索結果の出力の処理フローを示す図である。
【符号の説明】
１ 文書情報検索装置
１１ ブロック情報データベース
１２ 検索インデックスデータベース
１３ 更新日時推定部
１４ 検索インデックス作成部
１５ 情報検索部
１６ 検索結果出力部
２ 収集ロボット
３ 収集データベース
４ ウェブサーバ
５ 端末
【発明の属する技術分野】
この発明は、コンピュータシステムに係り、特に、文書情報検索装置及び文書検索方法並びにそのプログラムに関するものである。
【０００２】
【従来の技術】
ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）上で提供されるウェブページを検索するシステムには、人手により、収集されたウェブページのデータが入力されるディレクトリ型検索システムや、ウェブページのデータの収集をプログラムが行うロボット型の検索システムなどがある。ここで、大量のウェブページが存在する現状では人手でウェブページのデータの入力を行うのは非常に労力がかかるため、ウェブページを検索するシステムとしてロボット型検索システムを採用することが主流となっている。
ロボット型検索システムでは、検索したキーワードが含まれるウェブページの出力結果が多いときには数千から数十万のウェブページを出力することとなってしまうので、検索者はその出力結果の中から必要としている情報を探し出すのは非常に困難になる。そのために様々な手法を用いて出力する検索ウェブページの順位付けを行い、利用者の情報検索の労力を削減する処理をウェブページの検索システムに組み込んでいる。その出力の順位付けの手法としてウェブページのリンク情報を元にウェブページの重要度を算出したり、更新された日時を推定したりして、重要度や日時の順で検索されたウェブページを出力する手法が考えられている。そして従来は、上述の検索システムのように、ウェブページの重要度や更新された日時に基づいて検索結果の順位付けを行い、ウェブページのＵＲＬの情報などを出力している。なお、ウェブページの更新された日時を推定し、その日時に基づいて検索結果の順位付けを行なう技術が公開されている（例えば、特許文献１参照。）。
【０００３】
【特許文献１】
特開２００２−３３４０９０号公報
【０００４】
【発明が解決しようとする課題】
しかしながら、上述の検索方法により出力されたウェブページは、検索者が入力したキーワードを含む部分が時間の経過している古い情報の部分であっても、ウェブページ自体の更新日時が最新を示してれば最新の情報だと判断されてしまう。このようなことは特に電子掲示板や、個人の日記サイトのようにひとつのウェブページ上に、どんどん新しい情報を追加していき、古い情報と新しい情報が混在しているようなウェブページに多く見られる。
このように、従来の方法ではキーワードに基づくウェブページの検索を行なう際に、特にウェブページの日付順の検索を行った場合には、キーワードを含む文書の更新日時とは関係のない日時で日付順の検索を行ってしまい、利用者が必要としているキーワードを含む部分の日付順の検索の精度が低下するという問題点がある。
そこでこの発明は、キーワードに基づいたウェブページの検索の精度が高い文書情報検索装置及び文書検索方法並びにそのプログラムを提供することを目的としている。
【０００５】
【課題を解決するための手段】
本発明は、上述の課題を解決すべくなされたもので、文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースと、収集した文書情報を複数のブロック情報に分割する文書情報分割手段と、前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定手段と、前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録手段とを備えることを特徴とする文書情報検索装置である。
【０００６】
上述の構成によれば本発明は、文書情報を分割したブロック情報の更新日時を推定してデータベースに記録するので、ブロック情報毎の更新された日時を把握することができる。
【０００７】
また本発明は、上述の文書情報検索装置において、キーワードを受付けるキーワード受付け手段と、前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索手段とを備えることを特徴とする。これにより、ブロック情報の更新日時に基づいてキーワードが含まれるブロック情報を読み取ることができる。
【０００８】
また本発明は、上述の文書情報検索装置において、前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力手段を備えることを特徴とする。これにより、文書情報または文書情報の関連情報を、ブロック情報の更新日時の順番で出力することができる。
【０００９】
また本発明は、上述の文書情報検索装置において、期間を受付ける期間受付け手段を備え、前記検索手段は、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取ることを特徴とする。これにより、受付けた期間内に含まれる更新日時のブロック情報を読み取ることができる。
【００１０】
また本発明は、上述の文書情報検索装置において、前記更新日時推定手段は、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録することを特徴とする。これにより、ブロック情報に対応する文書情報またはブロック情報に対応する文書情報の収集日時の何れかに基づくブロック情報の更新日時、または、データベースに記録されているブロック情報の更新日時のどちらかの日時をデータベースに記録する更新日時として推定することができる。
【００１１】
また本発明は、上述の文書情報検索装置において、前記文書情報分割手段は、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割することを特徴とする。これにより、文書情報の変更される部分ごとにブロック情報を作成することができる。
【００１２】
また本発明は、文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースを備えた文書情報検索装置における文書情報検索方法であって、収集した文書情報を複数のブロック情報に分割する文書情報分割過程と、前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定過程と、前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録過程とを含むことを特徴とする文書情報検索方法である。
【００１３】
また本発明は、上述の文書情報検索方法において、キーワードを受付けるキーワード受付け過程と、前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索過程とを含むことを特徴とする。
【００１４】
また本発明は、上述の文書情報検索方法において、前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力過程とを含むことを特徴とする。
【００１５】
また本発明は、上述の文書情報検索方法において、期間を受付ける期間受付け過程を含み、前記検索過程において、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取ることを特徴とする。
【００１６】
また本発明は、前記文書情報分割過程において、前記更新日時推定過程において、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録することを特徴とする。
【００１７】
また本発明は、前記文書情報分割過程において、前記文書情報分割過程において、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割することを特徴とする。
【００１８】
また本発明は、文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースを備えた文書情報検索装置のコンピュータに実行させるプログラムであって、収集した文書情報を複数のブロック情報に分割する文書情報分割過程と、前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定過程と、前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録過程との処理を実行するプログラムである。
【００１９】
また本発明は、上述のプログラムがキーワードを受付けるキーワード受付け過程と、前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索過程との処理を実行することを特徴とする。
【００２０】
また本発明は、上述のプログラムが前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力過程の処理を実行することを特徴とする。
【００２１】
また本発明は、上述のプログラムが期間を受付ける期間受付け過程の処理を実行し、前記検索過程において、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取る処理を行なうことを特徴とする。
【００２２】
また本発明は、上述のプログラムが前記更新日時推定過程において、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録する処理を行なうことを特徴とする。
【００２３】
また本発明は、上述のプログラムが前記文書情報分割過程において、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割する処理を行なうことを特徴とする。
【００２４】
【発明の実施の形態】
以下、本発明の一実施形態による文書情報検索装置を図面を参照して説明する。
図１は、この発明の一実施形態による文書情報検索システムの構成を示す概略ブロック図である。
この図において符号１は文書情報検索装置である。また２はインターネット上に接続したウェブサーバから、当該ウェブサーバの提供するウェブページを収集する収集ロボットである。また３は収集ロボット２の収集したウェブページのデータ（ＨＴＭＬ文書（文書情報））とそのウェブページのＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ（文書情報の関連情報））と収集日時とを対応付けて記録する収集データベースである。また４はウェブページをインターネット上に提供するウェブサーバ、５はインターネットに接続した無数のウェブサーバ４により提供されているウェブページを検索する検索者の端末である。
【００２５】
また、文書情報検索装置１において、符号１１はウェブページのＨＴＭＬ文書を分割したブロック情報とそのブロック情報の更新日時を対応付けたブロック情報・更新日時対応テーブルと、ウェブページのＵＲＬとそのＵＲＬのウェブページを構成するブロック情報のブロックＩＤを対応付けたＵＲＬ・ブロックＩＤ対応テーブルとを記憶するブロック情報データベースである。また１２は検索者から受付けたキーワードを分解した品詞とその品詞を含むウェブページのＵＲＬと当該ＵＲＬの更新日時とを対応付けて記憶する検索インデックスデータベースである。
【００２６】
また１３は収集データベース３に記録されているウェブページのＨＴＭＬ文書や、当該ウェブページのＨＴＭＬ文書を収集した収集日時や、ウェブページを分割したブロック情報や、ブロック情報データベース１１に記録されているブロック情報に基いて、ブロック情報の更新日時を推定する更新日時推定部（文書情報分割手段、更新日時推定手段、ブロック情報記録手段）である。また１４はブロック情報データベース１１で記憶するブロック情報・更新日時対応テーブルやＵＲＬ・ブロックＩＤ対応テーブルに基いて、品詞とＵＲＬと更新日時とが対応する検索インデックスを作成し、検索インデックスデータベース１２に記録する検索インデックス作成部である。また１５は検索者の端末５から受信したキーワードに基づいて検索インデックスデータベース１２を検索する情報検索部（キーワード受付け手段、検索手段）である。また１６は情報検索部１６の出力した検索結果に基づいてウェブページのＵＲＬと更新日時の対応表を端末５に送信する検索結果出力部（検索結果出力手段、検索結果出力手段）である。
【００２７】
そして、文書情報検索装置１は、予め収集ロボット２がウェブサーバ４から収集して収集データベース３に記録したウェブページのデータをブロック情報に分割しブロック情報データベース１１に記録する。その際に、文書情報検索装置１は後述する処理に基づいて各ブロック情報の更新日時を推定し、ブロック情報に対応付けて記録しておく。また文書情報検索装置１は、単語ごとに、その単語を含むウェブページのＵＲＬと更新日時を対応付けて検索インデックスデータベース１２に記憶しておく。なお検索インデックスデータベース１２に記録される更新日時は、その更新日時に対応する単語を含むブロック情報の更新日時である。そして検索結果出力部１６は検索インデックスデータベース１２に記録されている更新日時の順番で、単語に対応するＵＲＬを出力する。これにより、出力結果は、ユーザが検索指示したキーワードから得られる単語を含むブロック情報の更新日時基づいて、そのブロック情報により構成されるウェブページのＵＲＬが表示されることとなる。なお、ブロック情報データベース１１に記録されるデータの例を図２に示す。この図が示すようにブロック情報データベース１１はブロック情報・更新日時対応テーブルとＵＲＬ・ブロックＩＤ対応テーブルを保持している。また検索インデックスデータベース１２に記録されるデータ例を図３に示す。この図が示すように検索インデックスデータベース１２は品詞とその品詞を含むウェブページのＵＲＬと更新日時とを対応付けたテーブル記憶している。
【００２８】
次に、図４を参照してブロック情報データベースを作成する処理について説明する。図４はブロック情報データベースを作成する処理フローを示す図である。
まず、更新日時推定部１３は収集ロボット２がウェブサーバ４から収集して収集データベース３に記録したウェブページのＨＴＭＬ文書とそのＵＲＬとウェブページのＨＴＭＬ文書を収集した収集日時とを取得する（ステップＳ１０１）。
【００２９】
次に、更新日時推定部１３は取得したウェブページのＨＴＭＬ文書の構文解析を行なう。ここで、ＨＴＭＬ文書の文法は「＜ＨＴＭＬ＞＜ＨＥＡＤ＞＜ＴＩＴＬＥ＞ｔｉｔｌｅ＜／ＴＩＴＬＥ＞＜／ＨＥＡＤ＞＜ＢＯＤＹ＞本文＜／ＢＯＤＹ＞＜／ＨＴＭＬ＞」のように＜＞で囲まれるタグの部分と、それ以外の部分に分かれる。なおタグとはＨＴＭＬのプログラム言語で記述された文書をウェブブラウザに読み込ませた時にウェブブラウザ上でのＨＴＭＬ文書の表示方法の命令を表すコマンドである。そして、ＨＴＭＬ文書はタグに基づいて「ＨＴＭＬ→ＨＥＡＤ→ＴＩＴＬＥ、ＨＴＭＬ→ＢＯＤＹ」などのような＜ＨＴＭＬ＞を根とする木構造として表すことができる。これにより更新日時推定部１３はＨＴＭＬ文書の構文解析して、ＨＴＭＬ文書の木構造のデータを作成する。
【００３０】
次に、更新日時推定部１３は作成した木構造に基づいてウェブページのデータを分割したブロック情報を作成する（ステップＳ１０２）。例えば更新日時推定部１３は、ウェブページのＨＴＭＬ文書のうちタグに基づいて分割された「＜ＴＩＴＬＥ＞ｔｉｔｉｅ＜／ＴＩＴＬＥ＞」の部分をひとつのブロックとして考え、「＜ＴＩＴＬＥ＞ｔｉｔｉｅ＜／ＴＩＴＬＥ＞」に基づいて「ｔｉｔｌｅ」のようなテキストのデータと「＜ＴＩＴＬＥ＞」のようなタグの属性とを用いて、「ＴＩＴＬＥ＞ｔｉｔｌｅ」のような文字列のデータを作成する。この「ＴＩＴＬＥ＞ｔｉｔｌｅ」のような文字列がブロック情報である。
【００３１】
次に、更新日時推定部１３は作成したブロック情報の更新日時を推定する。この更新日時の推定は、まず、更新日時推定部１３はブロック情報データベース１１を検索して、作成したブロック情報と同一の文字列を示すブロック情報が記録されているか否かを判定する。
そして、作成したブロック情報と同一の文字列を示すブロック情報がない場合には、ブロック情報を作成した元のウェブページのＨＴＭＬ文書と対応付けられて収集データベース３に記録されている収集日時をブロック情報の更新日時として推定する。また更新日時推定部１３は、作成したブロック情報と同一の文字列を示すブロック情報が、ブロック情報データベース１１に記録されているブロック情報の中に存在する場合には、作成したブロック情報の元となるウェブページのＨＴＭＬ文書に対応づけられて収集データベース３に記録されている収集日時か、またはブロック情報データベース１１に記録されているブロック情報に対応付けられている更新日時のいずれか古い日時を、ブロック情報データベース１１に新しく記録する更新日時として推定する。
【００３２】
そして更新日時推定部１３は、推定した更新日時とブロック情報と該ブロック情報を識別する為のブロックＩＤとを対応付けてブロック情報データベース１１のブロック情報・更新日時対応テーブルに記録する（ステップＳ１０３）。なお、更新日時推定部１３は、収集データベース３に記録されている収集日時以外に、ウェブページのＨＴＭＬ文書に記録されたＨＴＭＬ文書の作成日時を更新日時として推定するようにしても良い。また、更新日時推定部１３はＨＴＭＬ文書の内容から更新日時を推定するようにしてもよい。つまり、更新日時推定部１３はＨＴＭ文書またはＨＴＭＬ文書の収集日時の何れかに基づいて更新日時を推定する。
【００３３】
次に、更新日時推定部１３はウェブページのＵＲＬと、そのＵＲＬのウェブページのＨＴＭＬ文書を分割して作成したブロック情報のブロックＩＤとを対応付けてブロック情報データベース１１のＵＲＬ・ブロックＩＤ対応テーブルに記録する（ステップＳ１０４）。そして、更新日時推定部１３は収集データベース３に記録されている全てのウェブページのＵＲＬについて上述のステップＳ１０１〜ステップＳ１０４までの処理が終了したか否かを判定し（ステップＳ１０５）、終了していない場合にはステップＳ１０１〜ステップＳ１０４の処理を繰り返す。
【００３４】
次に図５を参照して検索インデックスデータベースを作成する際の処理について説明する。図５は検索インデックスデータベースを作成する処理フローを示す図である。
まず、検索インデックス作成部１４はブロック情報データベース１１のＵＲＬ・ブロックＩＤ対応テーブルにおいて、ウェブページのＵＲＬに対応して記録されているブロックＩＤを読み取る（ステップＳ２０１）。そして、検索インデックス作成部１４は、読み取ったブロックＩＤに対応付けられているブロック情報を順次ブロック情報データベース１１のブロック情報・更新日時対応テーブルから読み取る。次に、検索インデックス作成部１４は読み取ったブロック情報からタグの属性を除いたテキストデータのみを取得する（ステップＳ２０２）。そして、検索インデックス作成部１４は取得したテキストデータに対して形態素解析を行い品詞に分解する（ステップＳ２０３）。なお、形態素解析とは「本日は晴天。」などという日本語の文に対して、単語の品詞の推定を行って、文を品詞に分解する処理のことである。この処理を行うことで「本日」「は」「晴天」のように分解する。このような形態素解析を行い、テキストデータを品詞に分解する。
【００３５】
次に、検索インデックス作成部１４は、品詞へ分解する前のテキストデータを含むブロック情報に基づいて、更新日時とＵＲＬとをブロック情報データベース１１から読み取る。そして分解した品詞毎に、読み取った更新日時とＵＲＬとを対応付けた検索インデックスのデータを作成し、その検索インデックスのデータを検索インデックスデータベース１２へ記録する（ステップＳ２０４）。そして、検索インデックス作成部１４は上述のステップＳ２０１〜ステップＳ２０４までの処理が、ブロック情報データベース１１が記憶する全てのＵＲＬのウェブページのデータについて行なわれたか否かをチェックし（ステップＳ２０５）、終わっていない場合にはステップＳ２０１〜ステップＳ２０４の処理を繰り返す。
【００３６】
次に図６を用いて検索者から受付けたキーワードに基づいてウェブページを検索する際の処理について説明する。図６はウェブページを検索する際の処理フローを示す図である。
まず検索者は端末５に備えられたウェブブラウザの機能や、ウェブページ検索専用の機能を用いて端末５にキーワードを入力し、検索指示を行なう。すると端末５は文書情報検索装置１にキーワードを送信する。次に、情報検索部１５が端末５からキーワードを受信する（ステップＳ３０１）。すると情報検索部１５は、受信したキーワードを品詞に分解して検索インデックスデータベース１２を検索し、品詞に対応して記録されているＵＲＬとブロック情報の更新日時を取得する（ステップＳ３０２）。
【００３７】
そして、情報検索部１５はキーワードが複数の品詞で構成されている場合には、全ての品詞について、ＵＲＬと更新日時の取得を終了したか否かを判断する（ステップＳ３０３）。ここで終了していればステップＳ３０４に進み、終了していなければステップＳ３０２に戻る。
次に、情報検索部１５は取得したＵＲＬと更新日時を、キーワードを構成する品詞毎に比較する。そして情報検索部１５は、キーワードを構成する全ての品詞に共通して取得したＵＲＬと、そのＵＲＬと共に取得した更新日時のうち最も最近の日時を示す更新日時を検索結果とし、検索結果出力部１６に転送する（ステップＳ３０４）。これにより全ての品詞が含まれるＵＲＬが検索結果として検索結果出力部１６に転送される。
【００３８】
次に、図７を用いて検索結果の出力の処理について説明する。図７は検索結果の出力の処理フローを示す図である。
まず、検索結果出力部１６は情報検索部１５から検索結果を取得する（ステップＳ４０１）。次に、検索結果出力部１６は検索者の端末５に出力手法を問い合わせ、端末５から出力手法情報を取得する（ステップＳ４０２）。なお出力手法情報とは検索結果をどの様に出力するかを表す情報である。次に、検索結果出力部１６は検索に用いられたキーワードと検索結果の適合度を算出する（ステップＳ４０３）。この適合度は例えばキーワードが、検索結果のＵＲＬのウェブページにどの程度数含まれているかを表す数値に予め設定された係数を掛け合わせて算出した値である。また適合度は、例えば検索結果のＵＲＬが他のＵＲＬからリンクされている数を表す数値に予め設定された係数を掛け合わせて算出した値であっても良い。
【００３９】
次に、検索結果出力部１６は端末５から受信した出力手法情報が「最近の更新日時の順」と「適合度の高い順」のどちらの出力手法を示すかを判定する（ステップＳ４０４）。そして出力手法情報が「最近の更新日時の順」という出力手法を示す場合には、検索結果のＵＲＬと更新日時の対応表を更新日時の順番で端末５に出力する（ステップＳ４０５）。また、検索結果出力部１６は端末５から受信した出力手法情報が「適合度の高い順」という出力手法を示す場合には、出力手法情報に「期間指定」を示す情報が含まれるか否かを判定する（ステップＳ４０６）。そして、期間指定を示す情報が含まれている場合には、検索結果から期間外の更新日時に対応する検索結果のＵＲＬを検索結果から削除する（ステップＳ４０７）。そして、検索結果出力部１６は検索結果のＵＲＬを適合度順に並び替えて、ＵＲＬと更新日時の対応表を端末５に出力する（ステップＳ４０８）。
【００４０】
なお、上述の文書情報検索装置は内部に、コンピュータシステムを有している。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしても良い。
【００４１】
【発明の効果】
以上説明したように、本発明によれば、収集したウェブページの中から、検索者の指定したキーワードを含むウェブページを検索するシステムにおいて、キーワードを含むウェブページのブロック部分（ブロック情報）の更新日時に基づいてウェブページのＵＲＬを検索する。従って、キーワードを含む部分が新しい情報であるウェブページを検索することができる。ここで、ひとつのウェブページの中に随時情報が追加されるようなフォーマットを用いるようなウェブページ（例：日記サイトや掲示板サイト）や、ニュースサイトのトップページなどのように同一のページ内にさまざまな情報を複合して表示するようなウェブページでは、それぞれのブロックにより情報が発信された日時が異なるが、このようなウェブページでは、ウェブページ自体は新しくても、検索した部分は古い情報だったということが考えられる。しかし、本発明によれば、キーワードを含まない部分が最近更新されたウェブページは古い情報であるとして検索することが可能で、キーワードを含む部分が新しい情報であるウェブページを検索するような場合の検索精度の向上が図れる。
【図面の簡単な説明】
【図１】本発明の一実施形態による文書情報検索システムの構成を示す概略ブロック図である。
【図２】本実施形態によるブロック情報データベース１１に記録されるデータの例を示す図である。
【図３】本実施形態による検索インデックスデータベース１２に記録されるデータ例を示す図である。
【図４】ブ本実施形態によるロック情報データベースを作成する処理フローを示す図である。
【図５】本実施形態による検索インデックスデータベースを作成する処理フローを示す図である。
【図６】本実施形態によるウェブページを検索する際の処理フローを示す図である。
【図７】本実施形態による検索結果の出力の処理フローを示す図である。
【符号の説明】
１ 文書情報検索装置
１１ ブロック情報データベース
１２ 検索インデックスデータベース
１３ 更新日時推定部
１４ 検索インデックス作成部
１５ 情報検索部
１６ 検索結果出力部
２ 収集ロボット
３ 収集データベース
４ ウェブサーバ
５ 端末
Claims (18)
- 文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースと、
収集した文書情報を複数のブロック情報に分割する文書情報分割手段と、
前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定手段と、
前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録手段と、
を備えることを特徴とする文書情報検索装置。 - キーワードを受付けるキーワード受付け手段と、
前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索手段と、
を備えることを特徴とする請求項１に記載の文書情報検索装置。 - 前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力手段と、
を備えることを特徴とする請求項２に記載の文書情報検索装置。 - 期間を受付ける期間受付け手段を備え、
前記検索手段は、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取ることを特徴とする請求項２または請求項３の何れかに記載の文書情報検索装置。 - 前記更新日時推定手段は、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録する
ことを特徴とする請求項１から請求項４の何れかに記載の文書情報検索装置。 - 前記文書情報分割手段は、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割することを特徴とする請求項１から請求項５までの何れかに記載の文書情報検索装置。
- 文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースを備えた文書情報検索装置における文書情報検索方法であって、
収集した文書情報を複数のブロック情報に分割する文書情報分割過程と、
前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定過程と、
前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録過程と、
を含むことを特徴とする文書情報検索方法。 - キーワードを受付けるキーワード受付け過程と、
前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索過程と、
を含むことを特徴とする請求項７に記載の文書情報検索方法。 - 前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力過程と、
を含むことを特徴とする請求項８に記載の文書情報検索方法。 - 期間を受付ける期間受付け過程を含み、
前記検索過程において、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取ることを特徴とする請求項８または請求項９の何れかに記載の文書情報検索方法。 - 前記更新日時推定過程において、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録する
ことを特徴とする請求項７から請求項１０の何れかに記載の文書情報検索方法。 - 前記文書情報分割過程において、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割することを特徴とする請求項７から請求項１１までの何れかに記載の文書情報検索方法。
- 文書情報を分割したブロック情報と該ブロック情報の更新日時を対応付けて記憶するデータベースを備えた文書情報検索装置のコンピュータに実行させるプログラムであって、
収集した文書情報を複数のブロック情報に分割する文書情報分割過程と、
前記収集した文書情報または前記文書情報の収集日時の何れかに基づいて、前記ブロック情報の更新日時を推定する更新日時推定過程と、
前記推定した更新日時を、前記ブロック情報に対応付けて前記データベースに記録するブロック情報記録過程と、
の処理を実行するプログラム。 - キーワードを受付けるキーワード受付け過程と、
前記データベースを検索して前記キーワードを含むブロック情報とそのブロック情報の前記更新日時とを読み取る検索過程と、
の処理を実行することを特徴とする請求項１３に記載のプログラム。 - 前記読み取ったブロック情報に対応する文書情報または該文書情報に関連する関連情報を、前記読み取った更新日時に基づいて日時の順に出力する検索結果出力過程と、
の処理を実行することを特徴とする請求項１４に記載のプログラム。 - 期間を受付ける期間受付け過程の処理を実行し、
前記検索過程において、前記期間内に含まれる更新日時に対応するブロック情報を前記データベースから読み取る処理を行なうことを特徴とする請求項１４または請求項１５の何れかに記載のプログラム。 - 前記更新日時推定過程において、前記分割後のブロック情報と前記データベースに記録されているブロック情報とを比較して、前記分割後のブロック情報と同一の情報が前記データベースに記録されていない場合には前記分割後のブロック情報の更新日時を当該ブロック情報と対応付けて前記データベースに記録し、前記分割後のブロック情報と同一の情報が前記データベースに記録されている場合には前記データベースに記録されているブロック情報の更新日時または前記分割後のブロック情報の更新日時の何れか古い日時を示す更新日時を当該ブロック情報と対応付けて前記データベースに記録する処理を行なうことを特徴とする請求項１３から請求項１６の何れかに記載のプログラム。
- 前記文書情報分割過程において、前記文書情報の文書構造を表すタグ情報に基づいて、前記文書情報をブロック情報に分割する処理を行なうことを特徴とする請求項１３から請求項１７までの何れかに記載のプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003111729A JP2004318506A (ja) | 2003-04-16 | 2003-04-16 | 文書情報検索装置及び文書検索方法並びにそのプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003111729A JP2004318506A (ja) | 2003-04-16 | 2003-04-16 | 文書情報検索装置及び文書検索方法並びにそのプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004318506A true JP2004318506A (ja) | 2004-11-11 |
Family
ID=33472195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003111729A Pending JP2004318506A (ja) | 2003-04-16 | 2003-04-16 | 文書情報検索装置及び文書検索方法並びにそのプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2004318506A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008530635A (ja) * | 2004-12-30 | 2008-08-07 | グーグル・インコーポレーテッド | 広告に関するターゲティング情報の提案、及び／または提供 |
| WO2010073592A1 (ja) * | 2008-12-26 | 2010-07-01 | 日本電気株式会社 | 情報推定装置、情報推定方法、及びコンピュータ読み取り可能な記録媒体 |
| JP2011198113A (ja) * | 2010-03-19 | 2011-10-06 | Nippon Telegr & Teleph Corp <Ntt> | 文書検索装置及び方法及びプログラム |
-
2003
- 2003-04-16 JP JP2003111729A patent/JP2004318506A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008530635A (ja) * | 2004-12-30 | 2008-08-07 | グーグル・インコーポレーテッド | 広告に関するターゲティング情報の提案、及び／または提供 |
| WO2010073592A1 (ja) * | 2008-12-26 | 2010-07-01 | 日本電気株式会社 | 情報推定装置、情報推定方法、及びコンピュータ読み取り可能な記録媒体 |
| JPWO2010073592A1 (ja) * | 2008-12-26 | 2012-06-07 | 日本電気株式会社 | 情報推定装置、情報推定方法、及びプログラム |
| JP5494978B2 (ja) * | 2008-12-26 | 2014-05-21 | 日本電気株式会社 | 情報推定装置、情報推定方法、及びプログラム |
| JP2011198113A (ja) * | 2010-03-19 | 2011-10-06 | Nippon Telegr & Teleph Corp <Ntt> | 文書検索装置及び方法及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2007122513A (ja) | コンテンツ検索方法、及び、コンテンツ検索サーバ | |
| JP2002073677A (ja) | 閲覧者の個人嗜好情報収集装置およびこれを利用した情報閲覧支援装置 | |
| CN103514289A (zh) | 一种兴趣本体库构建方法及装置 | |
| JPH11224256A (ja) | 情報検索方法および情報検索プログラムを記録した記録媒体 | |
| JP2007256992A (ja) | コンテンツ特定方法及び装置 | |
| JP2004062600A (ja) | 構造型文書の変換方法、復元方法、変換及び復元方法及びプログラム | |
| JP3178421B2 (ja) | テキスト検索装置及びテキスト検索プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| JP2004220251A (ja) | 情報抽出規則作成システム、情報抽出規則作成方法及び情報抽出規則作成プログラム | |
| JP2006302024A (ja) | 関連文書表示方法及びプログラム | |
| JP4850882B2 (ja) | Ｗｅｂページにリンクを挿入する方法 | |
| JP2004086845A (ja) | 電子文書情報拡充装置、方法及びプログラム、並びに、電子文書情報拡充プログラムを記録した記録媒体 | |
| JP2004318506A (ja) | 文書情報検索装置及び文書検索方法並びにそのプログラム | |
| JP2005173999A (ja) | 電子ファイル検索装置、電子ファイル検索システム、電子ファイル検索方法、プログラムおよび記録媒体 | |
| JP4439497B2 (ja) | 検索処理装置及びプログラム | |
| JP2007140639A (ja) | データ表示装置、データ表示方法およびデータ表示プログラム | |
| JP2008102773A (ja) | データを共通のフォーマットに変換する方法 | |
| CN114117242A (zh) | 数据查询方法和装置、计算机设备、存储介质 | |
| JP2006529044A (ja) | 定義付けシステムおよび方法 | |
| JP2003337825A (ja) | オンラインデータベースによる情報供給方法 | |
| KR100496384B1 (ko) | 검색엔진과, 검색시스템, 검색시스템에서의 데이터베이스 작성방법 및, 기억매체 | |
| JPH10162011A (ja) | 情報検索方法、情報検索システム、情報検索端末装置および情報検索装置 | |
| JP2000322167A (ja) | データ管理システムおよびデータ属性表示方法 | |
| JP2011186692A (ja) | 情報検索システムおよび情報検索方法 | |
| JP2000148778A (ja) | 情報検索支援方法及び情報検索支援プログラムを記録した記録媒体 | |
| JP4152669B2 (ja) | 文書検索装置、文書検索方法、記録媒体及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050804 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20081106 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20081118 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090317 |