JP2006163525A - 文書処理装置、文書処理方法、及びコンピュータプログラム - Google Patents

Abstract

【課題】 複数の文書に対して全体要約文を作成する際に、当該複数の文書を１つの文書に結合してから作成すると、重要な文が適切に抽出されなかった。また、全体要約文を作成した後で、各文書の個別要約を見ようとすると、各文書ごとにもう一度要約処理を実行しなければならず、不便であった。
【解決手段】 複数の文書を要約対象として選択し、選択された複数の文書の各特徴量を抽出する。抽出された特徴量を用いて、選択された複数の文書に対する全体要約文と、選択された文書ごとの個別要約文とを作成する。
【選択図】 図３

Description

本発明は、複数の文書データについて、全体としての要約文データや個別の要約文データを作成する技術に関する。

近年のデジタル情報化社会においては、ネットワークを通じて電子化されたテキストが氾濫しており、その量は個人の情報処理能力をはるかに超えるものである。このため、文書管理の必要性とともに、文書の要約を作成し、それをユーザに提示することで、個人が読むテキストの量を緩和する文書要約機能が注目されている。

文書の要約を表示すれば、ユーザは文書を開かずに内容を把握できるので、必要なファイルかどうかも比較的容易に判断できる。これにより、必要のない文書を開いて読み、また閉じるといった無駄な作業を削減できる。

このような文書要約機能を実現するために、１つの文書内に含まれる各文に重要度のスコア付けを行い、指示された長さになるまでスコアの高いものから順に文を選んで結合して要約文を作成するという方法が広く行なわれている。スコア付けの方法としては、文の出現位置によりスコア付けを変化させる方法、キーワードの出現頻度により文のスコア付けを変化させる方法がある。前者の方法によれば、文書の先頭段落や最終段落には、大きなスコアが付けられる。一方、後者の方法によれば、出現頻度が高いキーワードを多く含む文に大きなスコアが付けられる。
特開２００３−００６２１４号公報。

従来の文書要約装置では、複数の文書に対して１つの要約文（全体要約文と称す。）を作成する際には、当該複数の文書を１つの文書に結合してから全体要約文を作成する必要があった。しかしながら、この結合によって、各文の出現位置が変更されてしまうため、重要な文が適切に抽出されなくなるという問題があった。

また、複数の文書に対する全体要約文を作成した後で、各文書の個別的な要約文（個別要約文と称す。）を見ようとすると、各文書ごとにもう一度要約処理を実行しなければならず、不便であった。

上記問題を解決するために、本発明によれば、複数の文書を要約対象として選択し、選択された複数の文書の各特徴量を抽出し、抽出された特徴量を用いて、選択された複数の文書に対する全体要約文と、選択された文書ごとの個別要約文とを作成する技術が提供される。

本発明によれば、選択された複数の文書の各特徴量を抽出することで、選択された複数の文書に対する全体要約文と、選択された文書ごとの個別要約文とのうち少なくとも一方が好適に提供される。とりわけ、複数の文書を結合させることなく全体要約文を作成できるので、重要な文書が抽出されない確率を低減できる。

また、全体要約文を作成するとともに、個別要約文も作成するので、両者を個別に作成する場合に比較し、効率よく要約文を入手できる。

以下に本発明の上位概念、中位概念および下位概念の理解に役立つ一実施形態を示す。なお、以下の実施形態に含まれる概念について、そのすべてが特許請求の範囲に記載されているとは限らない。ただし、これは特許発明の技術的範囲から意識的に除外したのではなく、特許発明と均等の関係にあるため特許請求の範囲には記載していない場合があることを理解していただきたい。

図１は、実施形態に係る文書処理装置の例示的なブロック図である。図１において、マイクロプロセッサ（ＣＰＵ）１０１は、文書要約処理にともなう演算、論理判断等を行なったり、アドレスバスＡＢ、コントロールバスＣＢ、データバスＤＢを介して、それらのバスに接続された各構成要素を制御したりする制御装置である。

アドレスバスＡＢを介して、ＣＰＵ１０１は、制御の対象となる構成要素を指定するためのアドレス信号を送出する。コントロールバスＣＢを介して、ＣＰＵ１０１は、制御の対象となる各構成要素に対してコントロール信号を送出する。データバスＤＢは、各構成要素相互間のデータ転送経路として機能する。

ＲＯＭ１０２は、本実施形態に係る文書要約処理プログラム（文書要約アプリケーション）等の制御プログラムコードを記憶する読み出し専用の記憶装置である。ＲＡＭ１０３は、各構成要素から送られた各種データを一時的に記憶する書き込み可能な記憶装置である。外部メモリ（ＤＩＳＫ）１０４は、文書要約機能を実現するプログラムコードを格納する記憶装置である。外部メモリ（ＤＩＳＫ）１０４は、ハードディスクドライブなどであり、複数の文書をデータとして格納するデータベースの機能を果たす。表示用ビデオメモリ（ＶＲＡＭ）１０６は、表示すべきデータの表示パターンを蓄積する記憶装置である。

キーボード（ＫＢ）１０５は、アルファベットキー、ひらがなキー、カタカナキー、句読点等の文字記号入力キー、カーソル移動を指示するカーソル移動キー等の各種の機能キーを備える入力装置である。なお、入力装置として、さらに、不図示のポインティングデバイスを備えていてもよい。

ＣＲＴコントローラ（ＣＲＴＣ）１０７は、ＶＲＡＭ１０６に蓄えられた内容を後述のＣＲＴ１０８に表示する機能を備える制御回路である。ＣＲＴ１０８は、陰極線管、液晶パネル等の表示装置であり、ＣＲＴＣ１０７による制御に応じて、ドット構成の表示パターンやカーソルなどを表示する。ネットワークコントローラ（ＮＩＣ）１０９は、情報処理装置をＥｔｈｅｒｎｅｔ（登録商標）などのネットワークに接続する通信回路である。

かかる各構成要素からなる情報処理装置は、キーボード（ＫＢ）１０５からの各種の入力及びネットワークコントローラ（ＮＩＣ）１０９から供給されるネットワーク経由の各種の入力に応じて作動する。すなわち、キーボード（ＫＢ）１０５からの入力またはネットワークコントローラ（ＮＩＣ）１０９から入力が供給されると、まず、インタラプト信号がマイクロプロセッサ（ＣＰＵ）１０１に送られる。次に、マイクロプロセッサ（ＣＰＵ）１０１は、外部メモリ（ＤＩＳＫ）１０４内に記憶してある各種の制御信号を読み出し、それらの制御信号に従って各種の制御を実行する。

図２は、実施形態に係る装置の例示的な機能ブロック図である。なお、以下で説明する各モジュールはソフトウエアモジュールとして説明するが、一部または全部が同様の機能を有するハードウエアモジュールに置き換えられてもよい。

要約対象文書選択部２０１は、キーボード１０５やポインティングデバイスから入力された選択指示に応じて、要約対象となる複数の文書を選択するモジュールである。文書分割処理部２０２は、文書を章、節または段落など所定単位に分割して、サブ文書を生成するモジュールである。文書特徴量抽出部２０３は、選択部２０１によって選択された要約対象文書と、分割処理部２０２によって分割されて生成されたサブ文書とからそれぞれ特徴量を抽出するモジュールである。要約対象文書保持部２０４は、選択部２０１により選択された文書を記憶装置に記憶して保持するモジュールである。本実施形態では、保持部２０４は、ｎ番目の文書を次のようなデータｄｎとして保持する。ｎは、１ないしＭ（Ｍは総文書数）の整数をとる。なお、本実施の形態における「文書」は「文書ファイル」に格納されたテキストデータ，文書画像データを指すものとするが、マウス等で範囲指定することで選択されたデータであってもよい。

ｄ_ｎ＝（ｔ（ｎ）、ｖ（ｄ_ｎ））
ここで、ｔ（ｎ）は、要約対象文書のテキストデータである。ｖ（ｄ_ｎ）は、抽出部２０３によって抽出された特徴ベクトルである。すなわち、これは、ベクトル空間モデルに基づいてテキストｔ（ｎ）の特徴を表現したベクトルである。

また、テキストデータｔ（ｎ）に含まれるｉ番目のサブ文書をｔ_ｉ（ｎ）とすると、各サブ文書の特徴量は、次のように表現できる。

ｄ_ｎ,ｉ＝（ｔ_ｉ（ｎ）、ｖ（ｄ_ｎ,ｉ））
ここで、ｉは、１〜ｍ（ｍはサブ文書の数）の整数である。

文書要約部２０５は、文書、あるいはサブ文書から抽出された特徴量に基づいて、各文にスコア付けを行い、要約文を作成するモジュールである。要約結果保持部２０６は、文書要約部２０５で作成された要約文を保持するモジュールである。要約結果表示部２０７は、要約結果をユーザに提示するモジュールである。

図３は、実施形態に係る文書要約処理の例示的なフローチャートである。本フローチャートは、図１に示されるＣＰＵ１０１や他の構成要素によって実行されるものとして説明する。

ステップＳ３０１において、ＣＰＵ１０１は、キーボード１０５やポインティングデバイスによって、新規に要約対象となる文書（またはそのテキストデータ）が選択されたか否かを判定する。テキストデータを含む文書ファイルについては、予め外部メモリ１０４に記憶されているものとする。文書が選択されたならば、ステップＳ３０２に移る。選択されていない場合は、ステップＳ３０１を繰り返し、新たな文書またはそのテキストデータｔ（ｎ）が選択されるのをＣＰＵ１０１は待つ（ｎは文書の番号である。）。本ステップは、上述の要約対象文書選択部２０１の機能に相当する。

ステップＳ３０２において、ＣＰＵ１０１は、ｎ番目の文書のテキストデータｔ（ｎ）を外部メモリ１０４から読み出し、サブ文書ｔ_ｉ（ｎ） （ｉ＝１，…，Ｎ）に分割し、それぞれＲＡＭ１０３に記憶する。すなわち、サブ文書ｔ_ｉ（ｎ）は、ｎ番目の文書におけるｉ番目のサブ文書を意味する。サブ文書ｔ_ｉ（ｎ）は、章、節、あるいは文など所定単位からなる。どの単位で分割するかについては、予め文書要約プログラム内においてプログラム化されていてもよいし、外部メモリ１０４に記憶されていてもよいし、キーボード１０５などの入力装置から指示されてもよい。なお、これらの処理は、文書分割処理部２０２の機能に相当する。

ステップＳ３０３において、ＣＰＵ１０１は、テキストデータｔ（ｎ）についての特徴ベクトルＶ（ｄ_ｎ）、およびサブ文書ｔ_ｉ（ｎ）に対する特徴ベクトルＶ（ｄ_ｎ,ｉ）を求め、これらの特徴量に関する情報をＲＡＭ１０３に記憶する。これらの処理は、文書特徴量抽出部２０３の機能と、要約対象文書保持部２０４の機能とに相当する。そしてステップＳ３０４へ移る。なお、特徴ベクトルの算出方法について後述する。

ステップＳ３０４において、ＣＰＵ１０１は、外部メモリ１０４に記憶されている要約対象の文書について、キーボード１０５などの入力装置から要約処理の実行が指示されたか否かを判定する。要約処理の実行が指示されたならば、ステップＳ３０５へ移る。実行が指示されていない場合は、ステップＳ３０１に戻り、新規の要約対象文書が選択されるのを待つ。これらの処理は、要約処理部２０５の機能に相当する。

ステップＳ３０５において、ＣＰＵ１０１は、ＲＡＭ１０３から、特徴ベクトルを読み出して、要約処理サブルーチンを実行し、作成された要約文のデータをＲＡＭ１０３または外部メモリ１０４に記憶し、ステップＳ３０６へ移る。要約処理サブルーチンについては図５を用いて後述する。なお、本処理は、要約処理部２０５の機能と、要約結果保持部２０６の機能とに相当する。

ステップＳ３０６において、ＣＰＵ１０１は、作成された要約文のデータをＲＡＭ１０３等から読み出し、表示装置１０８に要約文を表示する。本処理は、要約結果表示部２０７の機能に相当する。

図４は、実施形態に係るユーザインタフェースの一例を示す図である。ウインドウ４０１は、文書要約アプリケーションを実行したときに表示されるメインウインドウである。メニュー４０２は、文書要約アプリケーションのプルダウンメニューの１つである。例えば、当該メニュー４０２内の［要約］アイテム４０３を選択することによって、ステップＳ３０４がＹｅｓとなり、選択された複数の文書についての文書要約処理が実行される。

アイコン４０４は、要約対象として選択された文書ファイルを示している。これらの文書ファイルは、たとえば、一般的なファイルビューアなどから選択されて、文書要約アプリケーションへとドラッグアンドドロップされることで、文書要約アプリケーションにインポートされる。４０５は、要約対象文書を表示するビューアである。ビューア４０５へと文書ファイルがインポートされるたびに、ステップＳ３０２、ステップＳ３０３が順次実行され文書の特徴ベクトルが生成される。

図５は、実施形態に係る要約サブルーチンの例示的なフローチャートである。当該サブルーチンは、ステップＳ３０５に相当する。

ステップＳ５０１において、ＣＰＵ１０１は、ｎ番目の文書におけるｉ番目のサブ文書の特徴ベクトルＶ（ｄ_ｎ,ｉ）と、他の文書ｔ（ｍ）の特徴ベクトルＶ（ｄ_ｍ）とをＲＡＭ１０３から読み出し、類似度Ｓ（ｄ_ｎ,ｉ， ｄ_ｍ）を算出し、ＲＡＭ１０３に記憶する。類似度Ｓ（ｄ_ｎ,ｉ， ｄ_ｍ）は、例えば、次のような式から算出できる。なお、上述したようにｉは１〜Ｎであり、ｎおよびｍは１〜Ｍである。

ステップＳ５０２において、ＣＰＵ１０１は、ｎ番目の文書に含まれるｉ番目のサブ文書について、ｍ番目の文書に対して算出した類似度をＲＡＭ１０３から読み出すとともに、これまでに算出した和も読み出し、両者を加算し、加算して得られた和の値をＲＡＭ１０３に記憶し、ステップＳ５０３に移る。各サブ文書の類似度の総和は、次式で表現できる。

ステップＳ５０３において、ＣＰＵ１０１は、全ての文書に対する類似度の総和を完了したか否かを判定する。たとえば、ｍ＜Ｍであれば、まだ、総和が完了していないことになり、ｍ＝Ｍであれば、総和が完了したことになる。総和が完了していれば、ステップＳ５０４へ移る。その際には、変数ｉを１つインクリメントする。また、変数ｍを１に初期化する。一方、総和が完了していなければ、ｍを１つインクリメントして、ステップＳ５０１に戻り、新たな次の文書ベクトルとの類似度を算出する。

ステップＳ５０４において、ＣＰＵ１０１は、全てのサブ文書についての類似度の算出が完了したか否かを判定する。たとえば、ｉ＜Ｎであれば、まだ全てのサブ文書について類似度の算出が完了されていないことになり、ｉ＝Ｎであれば、完了したことになる。完了していれば、ｉを１に初期化するとともに、ｎを１つインクリメントして、ステップＳ５０５へ移る。完了していなければ、ｉを１つインクリメントして、ステップＳ５０１に戻り、次のサブ文書についての類似度を計算する。

ステップＳ５０５において、ＣＰＵ１０１は、ｎ番目の文書に含まれる各サブ文書の類似度をＲＡＭ１０３から読み出し、読み出された類似度に基づいてｎ番目の文書に含まれるサブ文書を昇順（１，２，３…）にソートし、ステップＳ５０６へ移る。

ステップＳ５０６において、ＣＰＵ１０１は、ソートされたサブ文書について、類似度が最も小さいサブ文書から順にそのテキストデータを外部メモリ１０４から読み出して文字数をカウントし、カウントにより得られた文字数を総和してゆく。もし、文字数の総和が、本実施の形態の処理プログラムによって予め定められた個別要約文の文字数を超えた場合に、超える直前のサブ文書までを個別要約文の構成要素として選択する。

たとえば、Ｎ個のサブ文書のうち、類似度の低いサブ文書から順にｋ番目のサブ文書までの文字数を総和したときにはじめて所定の文字数を超えた場合には、１番目からｋ−１番目までのサブ文書のテキストデータを個別要約文の構成要素として選択する。ＣＰＵ１０１は、読み出された各サブ文書について、当該サブ文書を含んでいた元の文書における当該文書の出現位置を取得する。

たとえば、ステップＳ３０２でサブ文書を作成したときに、文書の最初から最後にかけて順番に１ないしＮの番号を付し、各サブ文書と当該順番とをＲＡＭ１０３に記憶しておいた場合には、ＣＰＵ１０１は、ＲＡＭ１０３から当該順番を読み出すことで、各サブ文書の出現位置を取得できる。続いて、ＣＰＵ１０１は、取得した出現位置のデータに応じて、サブ文書の順番を並び替える。

たとえば、類似度のソートにより得られた複数のサブ文書について、元の文書で最初に出現したサブ文書を先頭とする。ＣＰＵ１０１は、並び替えられた複数のサブ文書を結合して個別要約文を作成し、ＲＡＭ１０３に記憶する。このように、他の文書とは関連性が低いが、その文書に特有の話題（サブ文書）をその文書の個別要約文として抽出できる。

ステップＳ５０７において、ＣＰＵ１０１は、全ての要約対象文書について個別要約文が完成したか否かを判定する。たとえば、要約対象文書の数をカウントする変数ｎが、ｎ＜Ｍであれば、まだ完成していないと判定し、一方、ｎ＝Ｍであれば、全て完成したと判定できる。全ての文書について個別要約文が完成したならばステップＳ５０８へ移る。要約されていない文書がまだ存在したならば、変数ｎを１つインクリメントするとともに、変数ｉと変数ｍとをそれぞれ１に初期化してステップＳ５０１に戻り、個別要約文の作成を継続する。

ステップＳ５０８において、ＣＰＵ１０１は、すべての要約対象文書の各サブ文書についてそれぞれ算出した類似度をＲＡＭ１０３から読み出し、類似度の高い順に（降順に）各サブ文書をソートする。

ステップＳ５０９において、ソートされたサブ文書について、類似度が最も高いサブ文書から順番にいくつかのサブ文書を外部メモリ１０４から読み出し、全体要約文を作成する。たとえば、個別要約文の作成手法と同様の手法を採用してもよい。たとえば、ＣＰＵ１０１は、ソートされたサブ文書について、類似度が最も高いサブ文書から順にそのテキストデータを外部メモリ１０４から読み出して文字数をカウントし、カウントにより得られた文字数を総和してゆく。もし、文字数の総和が、予め定められた全体要約文の文字数を超えた場合に、超える直前のサブ文書までを全体要約文の構成要素として選択する。たとえば、Ｎ個のサブ文書のうち、類似度の高いサブ文書から順にｋ番目のサブ文書までの文字数を総和（このときの文字数の総和は個別要約文より長いものとする）したときにはじめて所定の文字数を超えた場合には、１番目からｋ−１番目までのサブ文書のテキストデータを選択する。ＣＰＵ１０１は、選択された複数のサブ文書を結合して全体要約文を作成し、ＲＡＭ１０３に記憶する。

なお、全体要約文の作成において選択された複数のサブ文書の並びは、類似度の高い順番であってもよいし、上述したように、もとの文書における出現位置を考慮してもよい。出現位置を考慮する場合は、各要約対象文書の長さがそれぞれ異なる可能性があるため、出現位置を段落、節、文で定義することはできない。そこで、絶対的な出現位置をその文書の長さでわって、相対的な出現位置を算出し、算出された相対的な出現位置に応じて、サブ文書を並び替えてもよい。たとえば、もとの文書が１００段落からなり、処理対象のサブ文書がその中で１０段落目に出現する場合は、相対的な出現位置のデータは、１０／１００＝０．１となる。また、他の文書が３００段落からなり、他の処理対象のサブ文書がその中で１５０段落目に出現する場合は、出現位置のデータは、１５０／３００＝０．５となる。よって、全体要約文の中では、前者のサブ文書が後者のサブ文書よりも前に配置されることになろう。

図６は、実施形態に係る要約アプリケーションのユーザインタフェースの一例を示す図である。ウインドウ６０１は、本実施形態に係る文書要約アプリケーションのメインウインドウを示している。ファイルビューア部６０２は、全ての要約対象文書を表示する表示部である。ユーザは、ファイルビューア部６０２に表示されている任意のファイルを選択することにより、そのファイルの要約文を表示させることができる。なお、ファイルビューア部６０２において、各文書ファイルは、アイコン６０３として表示される。この例では、「ｆｉｌｅ１．ｔｘｔ」が、マウスなどのポインティングデバイスによるクリック操作によって選択された状態となっている。第１の要約文表示ビューア６０４は、上述の全体要約文を表示するための表示部である。すなわち、すべての要約対象文書について共通の部分を反映した要約文が表示される。第２の要約文表示ビューア６０５は、個別要約文を表示するための表示部である。すなわち、ファイルビューア部６０２内で選択されている文書の個別要約文が表示される。個別要約文は、他の文書とは関連性が低い、その文書に特有な情報を抽出して作成されているため、選択した文書の特徴を素早く把握することができる。

以上説明したように、本実施形態に係る発明によれば、複数の文書について関連性の高い部分を全体要約文として提示するとともに、各文書ごとに特有な部分を個別要約文として提示するようにしたので、ユーザは、両方要約文を比較して、各文書における他の文書との違いを見つけやすくなる。すなわち、各文書の内容を把握するスピードや把握内容の正確さを向上させることに、本発明は貢献できよう。

以下では、ステップＳ３０３において使用可能な特徴ベクトルの算出方法の一例を紹介する。この例では、対象文書から文書ベクトルを算出する際には、文書内に出現する単語と、外部メモリ（ＤＩＳＫ）１０４に格納される辞書ＤＩＣとが用いられる。

図７は、実施形態に係る辞書ＤＩＣの内部構成を示す図である。同図に示すように、辞書ＤＩＣは、単語ごとに、ベクトル表現時のそれぞれの次元（Ｄｉｍ．）に対応する特徴量が格納されている。次元は、その単語本来の意味によって分類された基準や、その単語の使用分野に応じて分類された基準等が採用される。単語１に関するＤｉｍ．０１の特徴量は０であり、Ｄｉｍ．０２の特徴量は２３であることが図から分かる。

このように辞書ＤＩＣから、１つの単語についての各次元（Ｄｉｍ．）の特徴量を得ることが可能となる。特徴量は、その単語が使用されることにより、その文書がその分類基準（＝次元）をどれくらい特徴付ける可能性があるかを示す値と解釈することが可能である。文書を構成する全ての単語から得られた分類基準別（次元別）の特徴量から、文書全体の特徴量を分類基準（＝次元）とするベクトルで表現する。得られたベクトルをノルム＝１で正規化した値を文書ベクトルとして格納する。

図８は、実施形態に係る格納された文書ベクトルの状態の一例を示す図である。同図に示すように、例えば、文書ＩＤ＝６９４７の文書ベクトルのＤｉｍ．０１の特徴量は、０．１８３であり、Ｄｉｍ．０２の特徴量は、０．２１４であることが図から分かる。

なお、本発明で採用可能な特徴ベクトルの算出方法は、上記の例に限定されることはなく、種々の算出方法を採用できることは言うまでもない。なぜなら、本発明は、特徴ベクトルの算出方法に依存する技術ではないからである。

［他の実施形態］
上述の説明では、要約対象の文書を外部メモリ（ＤＩＳＫ）１０４に配置するものとして説明したが、これらを複数の外部記憶装置に分散配置してもよい。また、ネットワークコントローラ１０９を介して当該文書を受信して要約処理してもよい。

また、上述の実施形態では、要約文を抽出する際にベクトル空間モデルによる類似度計算手法を用いたが、他の手法を用いてもよい。たとえば、ｉｄｆ（ｉｎｖｅｒｓｅ ｄｏｃｕｍｅｎｔ ｆｒｅｑｕｅｎｃｙ：文書数をＭとし、ある単語を含む文書数をＤＦとしたときの、ｌｏｇ（Ｎ／ＤＦ）＋１の値）などを用いて、その文書に特有な情報を抽出し、個別要約文を作成する。また、ｔｆ（ｔｅｒｍ ｆｒｅｑｕｅｎｃｙ：ある単語の全文書中の頻度）またはｄｆ（ｄｏｃｕｍｅｎｔ ｆｒｅｑｕｅｎｃｙ：文書頻度）などを用いて、すべての文書に対して関連性の高い部分を抽出し、全体要約文を作成してもよい。

また、上述の実施形態では、全ての要約対象文書に対して自動的に全体要約文と個別要約文とを作成したが、個別要約文については、図６の要約アプリケーション上で選択された文書についてだけ作成してもよい。この場合、ステップＳ５０５と、ステップＳ５０６については、選択された文書についてだけＣＰＵ１０１が実行する。また、ステップＳ５０６において、全ての文書についてサブ文書の類似度算出が完了したかどうかをＣＰＵ１０１が判定することになる。これにより、計算量が削減される。あるいは、図５において、ステップＳ５０５とＳ５０６を省略し、別途、任意の文書が選択されたことをＣＰＵ１０１が検出したときに、個別要約文書を作成してもよい。この場合、ステップＳ５０９において、全体要約文を作成した後も、各サブ文書について算出した類似度をＲＡＭ１０３または外部メモリ１０４に引き続き記憶しておけば、再度の類似度の計算は不要となる。

以上、様々な実施形態を詳述したが、本発明は、複数の機器から構成されるシステムに適用してもよいし、また、一つの機器からなる装置に適用してもよい。例えば、スタンドアローンのＰＣで実現してもよいし、クライアントコンピュータとサーバコンピュータとによって実現してもよい。後者の場合は、クライアントコンピュータにおいて、要約対象となる文書を選択して要約リクエストをサーバコンピュータに送信する。サーバコンピュータは、当該リクエストを受信すると、要約対象となる文書データを読み出し、ステップＳ３０２ないしステップＳ３０５を実行し、作成された全体要約文と個別要約文とをクライアントコンピュータに送信する。クライアントコンピュータは、全体要約文と個別要約文とを受信して、表示装置に表示することになる。

なお、本発明は、前述した実施形態の各機能を実現するソフトウェアプログラム（本実施形態では図３、または図５に示すフローチャートに対応したプログラム）を、システム若しくは装置に対して直接または遠隔から供給し、そのシステム若しくは装置に含まれるコンピュータが該供給されたプログラムコードを読み出して実行することによっても達成される。

従って、本発明の機能・処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明を実現するものである。つまり、上記機能・処理を実現するためのコンピュータプログラム自体も本発明の一つである。

その場合、プログラムの機能を有していれば、オブジェクトコード、インタプリタにより実行されるプログラム、ＯＳに供給するスクリプトデータ等、プログラムの形態を問わない。

プログラムを供給するための記録媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＭＯ、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、磁気テープ、不揮発性のメモリカード、ＲＯＭ、ＤＶＤ（ＲＯＭ，−Ｒ、−ＲＷ、＋Ｒ、＋ＲＷ、ＲＡＭおよびその他）などがある。

その他、プログラムの供給方法としては、クライアントコンピュータのブラウザを用いてインターネットのホームページに接続し、該ホームページから本発明のコンピュータプログラムそのもの、もしくは圧縮され自動インストール機能を含むファイルをハードディスク等の記録媒体にダウンロードすることによっても供給できる。また、本発明のプログラムを構成するプログラムコードを複数のファイルに分割し、それぞれのファイルを異なるホームページからダウンロードすることによっても実現可能である。つまり、本発明の機能処理をコンピュータで実現するためのプログラムファイルを複数のユーザに対してダウンロードさせるＷＷＷサーバも、本発明の構成要件となる場合がある。

また、本発明のプログラムを暗号化してＣＤ−ＲＯＭ等の記憶媒体に格納してユーザに配布し、所定の条件をクリアしたユーザに対し、インターネットを介してホームページから暗号化を解く鍵情報をダウンロードさせ、その鍵情報を使用することにより暗号化されたプログラムを実行してコンピュータにインストールさせて実現することも可能である。

また、コンピュータが、読み出したプログラムを実行することによって、前述した実施形態の機能が実現される他、そのプログラムの指示に基づき、コンピュータ上で稼動しているＯＳなどが、実際の処理の一部または全部を行い、その処理によっても前述した実施形態の機能が実現され得る。

さらに、記録媒体から読み出されたプログラムが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれた後、そのプログラムの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行い、その処理によっても前述した実施形態の機能が実現される。

図１は、実施形態に係る文書処理装置の例示的なブロック図である。 図２は、実施形態に係る装置の例示的な機能ブロック図である。 図３は、実施形態に係る文書要約処理の例示的なフローチャートである。 図４は、実施形態に係るユーザインタフェースの一例を示す図である。 図５は、実施形態に係る要約サブルーチンの例示的なフローチャートである。 図６は、実施形態に係る要約アプリケーションのユーザインタフェースの一例を示す図である。 図７は、実施形態に係る辞書ＤＩＣの内部構成を示す図である。 図８は、実施形態に係る格納された文書ベクトルの状態の一例を示す図である。

符号の説明

１０１ … マイクロプロセッサ（ＣＰＵ）
１０２ … ＲＯＭ
１０３ … ＲＡＭ
１０４ … 外部メモリ（ＤＩＳＫ）
１０５ … キーボード（ＫＢ）
１０６ … 表示用ビデオメモリ（ＶＲＡＭ）
１０７ … ＣＲＴコントローラ（ＣＲＴＣ）
１０８ … 表示装置（ＣＲＴ）
１０９ … ネットワークコントローラ（ＮＩＣ）

Claims (9)

1. 複数の文書を要約対象として選択する選択部と、
   選択された複数の前記文書の各特徴量を抽出する特徴量抽出部と、
   抽出された前記特徴量を用いて、選択された前記複数の文書に対する全体要約文と、選択された前記文書ごとの個別要約文とを作成する文書要約部と
   を含むことを特徴とする文書処理装置。
2. 前記特徴量抽出部は、
   選択された前記各文書を、章、節または段落などの所定単位に分割してサブ文書を生成する文書分割処理部と、
   生成された前記サブ文書ごとの特徴量を算出する特徴量算出部と
   を含む請求項１に記載の文書処理装置。
3. 前記文書要約部は、
   前記各文書の特徴量と前記各サブ文書の特徴量とを比較することで、選択された前記複数の文書に対して相対的に関連性が高い一以上のサブ文書を抽出する共通文抽出部と、
   抽出された一以上の前記サブ文書を結合して、選択された前記複数の文書に対する前記全体要約文を作成する作成部と
   を含む請求項２に記載の文書処理装置。
4. 前記共通文抽出部は、
   前記各文書の特徴量と前記各サブ文書の特徴量とから、該サブ文書ごとの類似度を算出する類似度算出部と、
   算出された類似度が最も高いサブ文書から、それぞれ結合した際に所定の文字数となるまでのサブ文書までを、順次読み出す読み出し部と
   を含む請求項３に記載の文書処理装置。
5. 前記文書要約部は、
   前記各文書の特徴量と前記各サブ文書の特徴量とを比較することで、該文書ごとに、他の文書に対して相対的に関連性の低いサブ文書を抽出する非共通文抽出部と、
   抽出された一以上の前記サブ文書を結合して、選択された前記文書ごとの前記個別要約文を作成する作成部と
   を含む請求項２に記載の文書処理装置。
6. 前記非共通文抽出部は、
   前記各文書の特徴量と前記各サブ文書の特徴量とから、該サブ文書ごとの類似度を算出する類似度算出部と、
   算出された類似度が最も低いサブ文書から、それぞれ結合した際に所定の文字数となるまでのサブ文書までを、順次読み出す読み出し部と
   を含む請求項５に記載の文書処理装置。
7. 前記文書要約部は、
   前記個別要約文の作成対象となる文書を指定する指定手段と、
   指定された前記文書についてだけ、前記個別要約文を作成する個別要約文作成部と
   を含む請求項１に記載の文書処理装置。
8. 複数の文書を要約対象として選択する選択ステップと、
   選択された複数の前記文書の各特徴量を抽出する特徴量抽出ステップと、
   抽出された前記特徴量を用いて、選択された前記複数の文書に対する全体要約文と、選択された前記文書ごとの個別要約文とを作成する文書要約ステップと
   を含むことを特徴とする文書処理方法。
9. 記憶装置と制御装置とを含むコンピュータに対し、
   前記記憶装置に記憶されている複数の文書データを、前記制御装置により、要約対象として選択する選択ステップと、
   選択された複数の前記文書データを前記記憶装置から順次読み出し、読み出された該文書データごとの特徴量を、前記制御装置により、抽出する特徴量抽出ステップと、
   抽出された前記特徴量を用いて、選択された前記複数の文書データに対する全体要約文データと、選択された前記文書ごとの個別要約文データとを、前記制御装置により、作成する文書要約ステップと
   を実行させるコンピュータプログラム。

Images