JP2007122291A - 情報抽出方法 - Google Patents

Abstract

【課題】インターネットユーザーが、目的の情報を含むＷｅｂドキュメントの中から、視覚に関わる構造を頼りに情報を効率よく抽出する方法を提供する。
【解決手段】サーバ制御部１１０は、サーバ記憶部１５０から読み出したＷｅｂドキュメントデータから、当該Ｗｅｂドキュメントのレイアウト等の見た目に関与するタグを抽出して、当該Ｗｅｂドキュメントデータの表現木構造を表す表現木構造データを生成する。さらに、サーバ制御部１１０は、生成した前記表現木構造データの各ノードに含まれる内容データを、当該内容を表すパターン文字列データに変換して、パターン文字列付き表現木構造データとして、前記Ｗｅｂドキュメントデータと関連付けてサーバ記憶部１５０に記憶する。
【選択図】図４

Description

本発明は、情報抽出方法に関するものであり、特に、視覚に係わる構造を頼りに情報を抽出する方法に関するものである。

従来、インターネットユーザーが、多くのサイトから特定のトピックについての特定のページを見つけたり、あるいは情報を見つけたりする方法として、ドキュメント間の相互関係を考慮に入れ、リンク全域で探すことによって、抽出する方法が知られている。

通常、このような情報抽出方法において使用される検索エンジンは、照会項目に直接的あるいは間接的に合致するドキュメントを返送するために階層を検索する。このような検索エンジンは、照会項目に基づいて個々の下位項目を編成し、ドキュメントに向けて下位項目を合致させ、全部の検索照会項目に間接的に合致し、かつ、少なくともひとつの照会する下位項目に直接的に合致するこれらのドキュメントのみを返送する方法で、抽出する。

一般に、このような情報抽出方法は、ドキュメントが階層に組織されているドキュメント保管庫にあるドキュメントに対して適用されている（特許文献１）。この方法によれば、検索は、階層でのデータ要素間の相互関係を考慮して遂行され得る。このような検索方法を前提として、階層的なデータの、効率のよい格納庫を提供する例も出てきている。

一方、ユーザ要求の中で指定された状況や嗜好と、利用履歴データベースに含まれるサービス利用の際の状況や嗜好とを適合させることで、状況や嗜好に応じた評価スコアを計算する情報抽出方法も提案されている（特許文献２）。この方法によれば、アクセス数やユーザ数によって単純にランキングを計算するのではなく、どんな状況（位置や時間、活動状況）や嗜好のユーザがそのサービスを利用したかの情報を用いて、サービスを推薦することができる。
特表２００１−５２２０９７号公報 特開２００５−１７４０９４号公報

しかしながら、ポータルサイトなどにおいて、広告欄、ニュース記事欄等、特定の情報を所定の位置にレイアウトしたＷｅｂドキュメントの様に、情報の配置が同一であって情報のみが異なる多くのＷｅｂドキュメントが存在する場合に、例えば、変化のある情報を検索するためには、上述のような検索方法よりも、さらに効率よく検索する方法が考えられる。

そこで、本発明の目的は、インターネットユーザーが、目的の情報を含むＷｅｂドキュメントの中から、視覚に関わる構造を頼りに情報を効率よく抽出する方法を提供することにある。

具体的には、以下のようなものを提供する。

（１） サーバが、Ｗｅｂドキュメントを表すＷｅｂドキュメントデータから、当該Ｗｅｂドキュメントの見た目に関与するタグデータを抽出して、表現木構造データを生成する表現木構造データ生成ステップと、
生成した前記表現木構造データの各ノードに含まれる内容データを、当該内容を表すパターン文字列データに変換し、パターン文字列付き表現木構造データとして、前記Ｗｅｂドキュメントデータと関連付けて記憶部に記憶するパターン文字列付き表現木構造データ記憶ステップと、
前記記憶部に記憶された複数のＷｅｂドキュメントデータの中から目的の情報を検索する際に、前記パターン文字列付き表現木構造データが表す表現木構造において、対応するノードのパターン文字列が同一か否かを判断して出力する判断ステップと、を含む情報抽出方法。

（１）の発明によれば、パターン文字列付き表現木構造データが表す表現木構造において、対応するノードに含まれる内容を表すパターン文字列が同一か否かを判断することによって、効率的に記憶部に記憶された情報を検索することができる。例えば、表現木構造が同じ複数のＷｅｂドキュメントデータの中から、基準となるＷｅｂドキュメントデータから変化のあるものを検索する場合、Ｗｅｂドキュメントデータそのものを比較することなく、当該Ｗｅｂドキュメントデータに関連付けられて記憶されたパターン文字列付き表現木構造データに含まれるパターン文字列を当該表現木構造のノード毎に比較することによって変化の有無を判断できる。

パターン文字列は、後述するように、対応するＷｅｂドキュメントデータの当該ノードの内容データと比較して、サイズが同等か又はより小さい。従って、内容データの比較に比べて、パターン文字列の比較は、比較演算処理に要するシステム資産も少なくて済むという効果がある。

（２） （１）に記載の情報抽出方法であって、
検索対象の表現木構造を表す表現木構造データの指定を受け付ける表現木構造データ指定受付ステップを更に含む情報抽出方法。

（２）の発明によれば、検索対象となる表現木構造データの指定を受け付けることによって、指定を受け付けた表現木構造を持つパターン文字列付き表現木構造データのみを検索対象とすることができる。このことにより、ユーザの指定した表現木構造を持つパターン文字列付き表現木構造データのみを絞り込んでより効率的に検索を行うことができる。

（３） （１）または（２）に記載の情報抽出方法であって、
検索対象のパターン文字列付き表現木構造データの更新比較期間を表す更新比較期間データを受け付ける更新比較期間データ受付ステップを更に含む情報抽出方法。

（３）の発明によれば、受け付けた更新比較期間内に記憶されたパターン文字列付き表現木構造データのみを検索対象とすることができる。このことにより、ユーザの指定した更新比較期間内に記憶されたパターン文字列付き表現木構造データのみを絞り込んでより効率的に検索を行うことができる。

（４） （１）から（３）のいずれかに記載の情報抽出方法であって、
検索対象のキーワードを表すキーワードデータを受け付けるキーワードデータ受付ステップを更に含む情報抽出方法。

（４）の発明によれば、受け付けたキーワードを含むＷｅｂドキュメントのみを検索対象とすることができる。このことにより、ユーザの指定したキーワードを含むＷｅｂドキュメントのみを絞り込んでより的確に検索を行うことができる。

（５） （１）から（４）のいずれかに記載の情報抽出方法であって、
前記表現木構造データが表す表現木構造において、検索対象のノードの指定を表す検索対象指定ノードデータを受け付ける検索対象指定ノードデータ受付ステップを更に含む情報抽出方法。

（５）の発明によれば、受け付けた検索対象指定ノードに含まれるパターン文字列のみを検索対象とすることができる。このことにより、ユーザの指定した検索対象指定ノードのみを絞り込んでより効率的に検索を行うことができる。

（６） サーバが、Ｗｅｂドキュメントを表すＷｅｂドキュメントデータから、当該Ｗｅｂドキュメントの見た目に関与するタグデータを抽出して、表現木構造データを生成する表現木構造データ生成ステップと、
生成した前記表現木構造データを、前記Ｗｅｂドキュメントデータと関連付けて記憶部に記憶する表現木構造データ記憶ステップと、
前記記憶部に記憶された複数のＷｅｂドキュメントデータの中から目的の情報を検索する際に、前記表現木構造データが表す表現木構造において、検索対象のノードの指定を表す検索対象指定ノードデータを含む検索条件データを受け付ける検索条件データ受付ステップと、
受け付けた前記検索条件データに含まれる検索対象指定ノードデータに基づいて目的の情報を検索する検索ステップと、を含む情報抽出方法。

（６）の発明によれば、表現木構造データが現す表現木構造において、検索対象指定ノードに含まれるデータのみを検索対象データとすることによって、効率的に記憶部に記憶された情報を検索することができる。まず、検索対象指定ノードに一致するノードを含まない表現木構造を持つＷｅｂドキュメントデータを検索対象からはずすことができる。さらに、検索対象指定ノードに一致するノード含む表現木構造を持つＷｅｂドキュメントについても、検索対象指定ノード以外のノードに含まれるデータを検索対象からはずすことができる。このことにより、システム負荷の軽い情報演算処理により効率的に検索を実行することができる。

（７） （６）に記載の情報抽出方法であって、
前記検索条件データ受付ステップにおいて、検索対象の表現木構造データの更新比較期間を表す更新比較期間データを更に受け付ける情報抽出方法。

（７）の発明によれば、受け付けた更新比較期間内に記憶された表現木構造データのみを検索対象とすることができる。このことにより、ユーザの指定した更新比較期間内に記憶されたパターン文字列付き表現木構造データのみを絞り込んでより効率的に検索を行うことができる。

（８） （６）または（７）に記載の情報抽出方法であって、
前記検索条件データ受付ステップにおいて、検索対象のキーワードを表すキーワードデータを更に受け付ける情報抽出方法。

（８）の発明によれば、受け付けたキーワードを含むＷｅｂドキュメントのみを検索対象とすることができる。このことにより、ユーザの指定したキーワードを含むＷｅｂドキュメントのみを絞り込んでより的確に検索を行うことができる。

本発明によれば、インターネットユーザーが、目的の情報を含むＷｅｂドキュメントの中から、視覚に関わる構造を頼りに当該情報を効率よく抽出する方法を提供することができる。このことにより、広告欄、ニュース記事欄等、特定の情報を所定の位置にレイアウトしたＷｅｂドキュメントの様に、レイアウト等の見た目の情報の配置が同一であって情報の内容のみが異なる多くのＷｅｂドキュメントが存在する場合に、例えば、変化のある情報（例えば広告情報やニュース記事情報）を効率よく検索することができる。

本発明に係る好適な実施形態の一例について、図面に基づいて以下に説明する。

［システムの全体構成］
図１は、本発明の好適な実施形態の一例に係るコンピュータ演算処理方法を実施するコンピュータシステム１の全体構成を表すブロック図である。サーバ１０と端末２０ａ、２０ｂ等の１または複数の端末で構成する端末群２０は通信ネットワーク３０を介して接続されている。

［サーバの構成］
図２は、本発明の好適な実施形態の一例に係る情報抽出方法を実現するサーバ１０の構成を示すブロック図である。サーバ制御部１１０、サーバ表示部１２０、サーバ入力部１３０、サーバ通信制御部１４０、サーバ記憶部１５０は、サーババス１６０を介して接続されている。

サーバ制御部１１０は、情報の演算、処理を行う情報演算処理装置であり、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってよい。また、サーバ制御部１１０はサーバ１０全体の制御を行い、サーバ記憶部１５０に記憶された各種プログラムを適宜読み出して実行することにより、上述のハードウエアが協働し、本発明に係る各種機能を実現している。

ここで、サーバ表示部１２０は、ユーザにデータの入力を受け付ける画面を表示したり、サーバ１０による演算処理結果の画面を表示したりするものであり、ブラウン管表示装置（ＣＲＴ）、液晶表示装置（ＬＣＤ）等のディスプレイ装置を含む。

ここで、サーバ入力部１３０は、ユーザによる入力の受付を行うものであり、キーボード、ポインティングデバイス等を含んでよい。サーバ入力部１３０は、直接または介在１／０コントローラを介してサーバ１０と接続することができる。

ここで、サーバ通信制御部１４０は、サーバ１０を専用ネットワークまたは公共ネットワークを介して端末と接続できるようにするためのネットワーク・アダプタである。サーバ通信制御部１４０は、モデム、ケーブル・モデムおよびイーサネット（登録商標）・アダプタを含んでよい。

ここで、サーバ記憶部１５０は、サーバ制御部１１０と組み合わせてプログラムの実行に使用するローカルメモリ、大容量のバルクメモリ、および当該バルクメモリの検索を効率的に行うために使用するキャッシュメモリを含んでよい。サーバ記憶部１５０を実現するコンピュータ可読媒体としては、電気的、磁気的、光学的、電磁的に実現するものを含んでよい。より具体的には、半導体記憶装置、磁気テープ、フレキシブルディスク、ランダム・アクセス・メモリ（ＲＡＭ）、リードオンリー・メモリ（ＲＯＭ）、ＣＤ−ＲＯＭとＣＤ−Ｒ／ＷとＤＶＤとを含む光ディスクが含まれる。

［端末の構成］
図３は、本発明に係る端末２０ａ、２０ｂの構成を示すブロック図である。端末制御部２１０、端末表示部２２０、端末入力部２３０、端末通信制御部２４０、端末記憶部２５０は、端末バス２６０を介して接続されている。

また、端末制御部２１０は上述のサーバ制御部１１０と同様の構成を持ち、端末全体の制御を行い、端末記憶部２５０に記憶された各種プログラムを適宜読み出して実行することにより、上述のハードウエアが協働し、本発明に係る各種機能を実現している。

ここで、端末表示部２２０、端末入力部２３０、端末通信制御部２４０、端末記憶部２５０は、それぞれ上述のサーバ表示部１２０、サーバ入力部１３０、サーバ通信制御部１４０、サーバ記憶部１５０と同様の構成を持つ。

［パターン文字列付き表現木構造データ生成処理］
図４は、本発明の好適な実施形態の一例に係るサーバによるパターン文字列付き表現木構造データの生成処理を示すフローチャートである。

まず、サーバ制御部１１０は、対象となるＷｅｂドキュメントを表すＷｅｂドキュメントデータがサーバ記憶部１５０に記憶されるのを待機する（ステップＳ１０１）。例えば、Ｗｅｂサーバの管理者が、新たに作成したＷｅｂドキュメントを登録したり既存のＷｅｂページを更新したりするのをサーバが監視し、新たな登録や編集が行われるのを待機する。

当該Ｗｅｂドキュメントデータがサーバ記憶部１５０に記憶された場合に、サーバ制御部１１０は、記憶されたＷｅｂドキュメントデータをサーバ記憶部１５０から読み出す（ステップＳ１０２）。

次に、サーバ制御部１１０は、読み出した当該Ｗｅｂドキュメントデータから、当該Ｗｅｂドキュメントのレイアウト等の見た目に関与するタグを抽出して、当該Ｗｅｂドキュメントデータの表現木構造を表す表現木構造データを生成する（ステップＳ１０３）。

図５は、上述のＷｅｂドキュメントの一例を示す図である。また、図６は当該Ｗｅｂドキュメントの表現木構造データの一例を示す図である。表現木構造データは、対象のＷｅｂドキュメントのレイアウト等の見た目に関与するタグデータを含んで構成されている。具体的には、「ｈｔｍｌ」、「ｈｅａｄ」、「ｂｏｄｙ」、「ｔａｂｌｅ」、「ｔｒ」、「ｔｄ」などのタグを含む。このような表現木構造データは、リンク情報を表すリンクタグや文字修飾情報を表す文字修飾タグなどの情報を除外して、当該Ｗｅｂドキュメントのレイアウト等の見た目に関する情報を最小限のデータサイズで保持する。

ここで、記憶するデータについては、当該データ自身が必ずしもツリー構造のデータである必要はない。例えば、ｈｔｍｌプロトコルにおける開始タグ（＜ｈｔｍｌ＞、＜ｔａｂｌｅ＞など）と終了タグ（＜／ｈｔｍｌ＞、＜／ｔａｂｌｅ＞など）のペアでツリー構造を表現することとし、このような開始タグと終了タグを含むテキストファイルとして記憶してもよい。このような場合に図６のようなツリー構造を画面に表示したい場合には、適当なソフトウエアによって開始タグ、終了タグを解釈してツリー構造を表現することができる。

次に、サーバ制御部１１０は、生成した前記表現木構造データの各ノードに含まれる内容データを、当該内容を表すパターン文字列データに変換して、パターン文字列付き表現木構造データとして、当該Ｗｅｂドキュメントデータと関連付けてサーバ記憶部１５０に記憶する（ステップＳ１０４）。

図７及び図８は、上述のパターン文字列付き表現木構造データの一例を示す図である。パターン文字列付き表現木構造データは、図５の表現木構造データと異なり、各ノードについて、含まれる文字列や文字列を表す「Ｗ」、「Ｄ」等のパターン文字列を含んでいる。

例えば、空白文字を「Ｓ」、数字を「Ｄ」、区切り文字を「Ｃ」、記号は記号そのもの、それ以外の文字を「Ｗ」の５種類のパターン文字列を指定する。その結果、「今日は晴れだった。」という文章は「ＷＣ」として表現される。また、「２００５／７／１３」という文章は「Ｄ／Ｄ／Ｄ」として表現される。

図９は、パターン文字列付き表現木構造データとＷｅｂドキュメントデータとの関係を示すパターン文字列付き表現木構造データテーブルを示す図である。サーバ制御部１１０は、Ｗｅｂドキュメントに基づくパターン文字列付き表現木構造データを、当該パターン文字列付き表現木構造データテーブルの「パターン文字列付き表現木構造データ」欄に記憶する。

サーバ制御部１１０は、サーバ入力部１３０を介してユーザから、終了指示を受け付けるまで、以上説明した一連の処理を繰り返し行う（ステップＳ１０５）。このことにより、新たなＷｅｂドキュメントが登録あるいは既存のＷｅｂページが編集されるたびに、一連の処理が繰り返し行われ、対応するパターン文字列付き表現木構造データが自動的に生成されることになる。

［パターン文字列付き表現木構造データを用いたＷｅｂドキュメント検索処理］
図１０は、本発明の好適な実施形態の一例に係るパターン文字列付き表現木構造データに基づく検索処理を表すフローチャートである。

まず、サーバ制御部１１０は、サーバ通信制御部１４０を介して、端末２０ａ、２０ｂから送信される検索対象のパターン文字列付き表現木構造データ（必須）、更新比較期間データ（必須）、検索対象欄データ（オプション）、検索キーワードデータ（オプション）、で構成される検索条件データを受信し、記憶部１５０に記憶する（ステップＳ２０１）。

図１１は、本発明の好適な実施形態の一例に係るパターン文字列付き表現木構造データに基づく検索処理における検索条件入力画面の一例を示す図である。図示するように、端末制御部２１０は、通信ネットワーク３０を介してサーバ１０から受信したデータに基づいて、端末表示部２２０に検索条件入力画面を表示する。

当該検索条件入力画面において、検索対象のパターン文字列付き表現木構造データや更新比較期間データの受け付けは、端末入力部２３０を構成するキーボードによる入力やマウスのクリック等を受け付けることにより行う。本実施例においては、検索対象構造データとしては、「ニュースページ」のパターン文字列付き表現木構造データが指定されており、更新比較期間としては、「３０分」が指定されている。

また、検索キーワードの受け付けは、同様にキーボードによる入力を受け付けるなどによって行う。本実施例においては、「台風」が指定されている。

また、検索対象欄の指定の受け付けは、検索画面の中で各欄をマウスでクリックすることなどによって行う。一回の検索において複数の欄を検索対象欄として指定してもよい。本実施例においては、検索対象欄として「記事本文」欄が指定されている。

この後、端末制御部２１０は、検索ボタンの押下を受け付けて当該検索条件データをサーバ１０に送信する。

次に、サーバ制御部１１０は、受信した当該検索条件データに基づいて、サーバ記憶部１５０に記憶されたパターン文字列付き表現木構造データテーブルを検索する（ステップＳ２０２）。例えば、検索対象木構造データと更新比較期間データを検索条件データとして受信した場合には、サーバ制御部１１０は、まずパターン文字列付き表現木構造データテーブルのパターン文字列付き表現木構造データ欄を参照し、指定された表現木構造データとレイアウト等の見た目が一致しないレコードは読み飛ばす。そして、指定された表現木構造データとレイアウト等の見た目が一致するレコードのみについて、受け付けた当該更新対象期間データに基づいて基準となるタイムスタンプを持つパターン文字列付き表現木構造データと、それ以降のタイムスタンプを持つパターン文字列付表現木構造データの各ノードについて、当該各ノードに含まれるパターン文字列を比較する。

例えば、図７及び図８の例では、＜ｈｔｍｌ＞＜ｂｏｄｙ＞＜ｔａｂｌｅ（２つ目）＞＜ｔｒ＞＜ｔｄ（２つ目）＞のパターン文字列が「ＷＣＷ」から「Ｗ」に変化している。サーバ制御部１１０は、このような変化を認識することにより、対応する“Ｗｅｂドキュメントが変化した”と捉えることができる。

また、更に検索対象欄データを検索条件データとして受信した場合には、サーバ制御部１１０は、上述のパターン文字列の比較の際に、検索対象欄データで指定されたノード以外のパターン文字列の比較は行わない。

また、更に検索キーワードデータを検索条件データとして受信した場合には、サーバ制御部１１０は、上述のパターン文字列の比較の後、さらにパターン文字列が一致しないレコードのみについてＷｅｂドキュメントデータを読み出して、当該検索キーワードをキーとして、指定されたノードに含まれる内容データを検索する。

本実施例においては、「ニュースページ」のパターン文字列付き表現木構造データと同じ表現木構造データを持ち、「３０分」前のパターン文字列付き表現木構造データを基準としてパターン文字列が変化しているものであって、「記事本文」欄に「台風」が含まれるものを検索することになる。

このようにすることによって、すべてのＷｅｂドキュメントデータ自身を読み込んで検索するのに比べて、本発明に係る方法による検索は、各ノードのパターン文字列の比較を行うことができるので、検索に要するシステム負荷を下げることができる。

次に、サーバ制御部１１０は、当該検索の結果に基づいて結果リスト等の結果データを生成し、サーバ通信制御部１４０を介して検索データを送信した端末に送信する（ステップＳ２０３）。当該結果データには、当該検索にヒットしたレコードのＷｅｂドキュメントデータの所在を示すＵＲＬが含まれてよい。

次に、端末制御部２１０は、送信された当該結果データを、端末通信制御部２４０を介して受信し、端末表示部２２０に表示する（ステップＳ２０４）。

図１２は、本発明の好適な実施形態の一例に係るパターン文字列付き表現木構造データに基づく検索処理における検索結果画面の一例を示す図である。

上述のような本発明の方法を用いることにより、様々な検索を行うことができる。例えば、「ニュース記事欄」を含むポータルサイトのＷｅｂドキュメントを、更新比較期間を指定して検索を行うことによって、指定された期間に更新されたニュース記事のみを検索結果リストとして得ることができる。

或いは、「広告掲載欄」を指定して更新比較期間を指定せずに検索を行うことによって、「広告掲載欄」に変化があっても検索にヒットしないような指定を行うことができる。

このように、本発明の方法を用いれば、ポータルサイトのニュース記事ページなど同一のレイアウトを持つ大量のＷｅｂドキュメントの検索において効率的に目的のＷｅｂドキュメントを検索することができる。

［表現木構造データ生成処理］
図１３は、本発明の好適な実施形態の別の一例に係るサーバによる表現木構造データの生成処理を示すフローチャートである。

まず、サーバ制御部１１０は、対象となるＷｅｂドキュメントを表すＷｅｂドキュメントデータがサーバ記憶部１５０に記憶されるのを待機する（ステップＳ３０１）。例えば、Ｗｅｂサーバの管理者が、新たに作成したＷｅｂドキュメントを登録したり既存のＷｅｂページを更新したりするのをサーバが監視し、新たな登録や編集が行われるのを待機する。

当該Ｗｅｂドキュメントデータがサーバ記憶部１５０に記憶された場合に、サーバ制御部１１０は、記憶されたＷｅｂドキュメントデータをサーバ記憶部１５０から読み出す（ステップＳ３０２）。

次に、サーバ制御部１１０は、読み出した当該Ｗｅｂドキュメントデータから、当該Ｗｅｂドキュメントのレイアウト等の見た目に関与するタグを抽出して、当該Ｗｅｂドキュメントデータの表現木構造を表す表現木構造データを生成する（ステップＳ３０３）。

次に、サーバ制御部１１０は、生成した当該表現木構造データを、当該Ｗｅｂドキュメントデータと関連付けてサーバ記憶部１５０に記憶する（ステップＳ３０４）。

図１４は、本発明の好適な実施形態の別の一例に係る表現木構造データとＷｅｂドキュメントデータとの関係を示す表現木構造データテーブルを示す図である。サーバ制御部１１０は、Ｗｅｂドキュメントに基づく表現木構造データを、当該表現木構造データテーブルの「表現木構造データ」欄に記憶する。

サーバ制御部１１０は、サーバ入力部１３０を介してユーザから、終了指示を受け付けるまで、以上説明した一連の処理を繰り返し行う（ステップＳ３０５）。このことにより、新たなＷｅｂドキュメントが登録あるいは既存のＷｅｂページが編集されるたびに、一連の処理が繰り返し行われ、対応する表現木構造データが自動的に生成されることになる。

次に本発明の好適な実施形態の別の一例について説明する。この実施例においては、システム構成等のハードウエア構成は上述の実施例１と同様である。

［表現木構造データを用いたＷｅｂドキュメント検索処理］
図１５は、本発明の好適な実施形態の別の一例に係る表現木構造データに基づく検索処理を表すフローチャートである。

まず、サーバ制御部１１０は、サーバ通信制御部１４０を介して、端末２０ａ、２０ｂから送信される検索対象欄データ（必須）、検索キーワードデータ（オプション）、更新比較期間データ（オプション）で構成される検索条件データを受信し、サーバ記憶部１５０に記憶する（ステップＳ４０１）。

図１６は、本発明の好適な実施形態の一例に係る表現木構造データに基づく検索処理における検索条件入力画面の一例を示す図である。図示するように、端末制御部２１０は、通信ネットワーク３０を介してサーバ１０から受信したデータに基づいて、端末表示部２２０に検索条件入力画面を表示する。

当該検索条件入力画面において、ユーザによるマウスのクリック等を受け付けることにより、端末制御部２１０は、検索対象欄を特定し、枠で囲むなどの表示を行う。本実施例においては、検索対象欄として「記事本文」欄が指定されている。

この後、検索ボタンの押下を受け付けてもよいし、検索キーワードの受け付けを行うかあるいは更新比較期間の受け付けを行った後、検索ボタンの押下を受け付けてもよい。本実施例においては、検索キーワードとして「台風」を指定し、更新比較期間として「３０分」が指定されている。

次に、サーバ制御部１１０は、受信した当該検索条件データに基づいて、サーバ記憶部１５０に記憶された表現木構造データテーブルを検索する（ステップＳ４０２）。例えば、検索対象欄データと、検索キーワードデータを検索条件データとして受信した場合には、サーバ制御部１１０は、まず表現木構造データテーブルの表現木構造データ欄を参照し、検索対象欄データが含まれる表現木構造データとレイアウト等の見た目が一致しないレコードは読み飛ばす。そして、検索対象欄データが含まれる表現木構造データとレイアウト等の見た目が一致するレコードのみについて、受け付けた当該検索キーワードデータをキーとして当該欄（ノード）の内容データを検索する。

本実施例においては、「ニュースページ」のパターン文字列付き表現木構造データと同じ表現木構造データを持ち、「３０分」前のパターン文字列付き表現木構造データを基準としてパターン文字列が変化しているものであって、「記事本文」欄に「台風」が含まれるものを検索することになる。

このようにすることによって、すべてのＷｅｂドキュメントを対象に検索キーワードをキーとして全文検索するのに比べて、本発明に係る方法による検索は、レイアウト等の見た目が一致しないレコードについては、内容の検索を行わずに済むため、検索に要するシステム負荷を下げることができる。さらに、レイアウト等の見た目が一致するレコードについても、検索対象欄以外の内容の検索は行わずに済むため、更に検索に要するシステム負荷を下げることができる。

次に、サーバ制御部１１０は、当該検索の結果に基づいて結果リスト等の結果データを生成し、サーバ通信制御部１４０を介して検索データを送信した端末に送信する（ステップＳ４０３）。当該結果データには、当該検索にヒットしたレコードのＷｅｂドキュメントデータの所在を示すＵＲＬが含まれてよい。

次に、端末制御部２１０は、送信された当該結果データを、端末通信制御部２４０を介して受信し、端末表示部２２０に表示する（ステップＳ４０４）。ここで表示される画面は図１２と同様である。図示するように、端末制御部２１０は、検索対象欄として指定された欄のデータのみの検索を行う。

上述のような本発明の方法を用いることにより、様々な検索を行うことができる。例えば、「ニュース記事欄」を指定して更新比較期間を指定した検索を行うことによって、指定された期間に更新されたニュース記事のみを検索結果リストとして得ることができる。

或いは、「広告掲載欄」を指定して更新比較期間を指定せずに検索を行うことによって、「広告掲載欄」に変化があっても検索にヒットしないような指定を行うことができる。

このように、本発明の方法を用いれば、ポータルサイトのニュース記事ページなど同一のレイアウトを持つ大量のＷｅｂドキュメントの検索において効率的に目的のＷｅｂドキュメントを検索することができる。

以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施例に記載されたものに限定されるものではない。

本発明の好適な実施形態の一例に係る情報抽出方法を実現するコンピュータシステムの全体構成を示すブロック図である。 本発明の好適な実施形態の一例に係る情報抽出方法を実現するコンピュータシステムのサーバの構成を示すブロック図である。 本発明の好適な実施形態の一例に係る情報抽出方法を実現するコンピュータシステムの端末の構成を示すブロック図である。 本発明の好適な実施形態の一例に係るサーバによる表現木構造データの生成処理を示すフローチャートである。 本発明の好適な実施形態の一例に係るＷｅｂドキュメントを示す図である。 本発明の好適な実施形態の一例に係るＷｅｂドキュメントの表現木構造データを示す図である。 本発明の好適な実施形態の一例に係るＷｅｂドキュメントのパターン文字列付き表現木構造データを示す図である。 本発明の好適な実施形態の一例に係る別のＷｅｂドキュメントのパターン文字列付き表現木構造データを示す図である。 本発明の好適な実施形態の一例に係るパターン文字列付き表現木構造データとＷｅｂドキュメントデータとの関係を示すパターン文字列付き表現木構造データテーブルを示す図である。 本発明の好適な実施形態の一例に係るパターン文字列付き表現木構造データに基づく検索処理を表すフローチャートである。 本発明の好適な実施形態の一例に係るパターン文字列付き表現木構造データに基づく検索処理における検索条件入力画面の一例を示す図である。 本発明の好適な実施形態の一例に係るパターン文字列付き表現木構造データに基づく検索処理における検索結果画面の一例を示す図である。 本発明の好適な実施形態の別の一例に係るサーバによる表現木構造データの生成処理を示すフローチャートである。 本発明の好適な実施形態の別の一例に係る表現木構造データとＷｅｂドキュメントデータとの関係を示す表現木構造データテーブルを示す図である。 本発明の好適な実施形態の別の一例に係る表現木構造データに基づく検索処理を表すフローチャートである。 本発明の好適な実施形態の別の一例に係る表現木構造データに基づく検索処理における検索条件入力画面の一例を示す図である。

符号の説明

１ コンピュータシステム
１０ サーバ
２０ａ、２０ｂ 端末
２０ 端末群
３０ 通信ネットワーク
１１０ サーバ制御部
１２０ サーバ表示部
１３０ サーバ入力部
１４０ サーバ通信制御部
１５０ サーバ記憶部
１６０ サーババス
２１０ 端末制御部
２２０ 端末表示部
２３０ 端末入力部
２４０ 端末通信制御部
２５０ 端末記憶部
２６０ 端末バス

Claims (8)

1. サーバが、Ｗｅｂドキュメントを表すＷｅｂドキュメントデータから、当該Ｗｅｂドキュメントの見た目に関与するタグデータを抽出して、表現木構造データを生成する表現木構造データ生成ステップと、
   生成した前記表現木構造データの各ノードに含まれる内容データを、当該内容を表すパターン文字列データに変換し、パターン文字列付き表現木構造データとして、前記Ｗｅｂドキュメントデータと関連付けて記憶部に記憶するパターン文字列付き表現木構造データ記憶ステップと、
   前記記憶部に記憶された複数のＷｅｂドキュメントデータの中から目的の情報を検索する際に、前記パターン文字列付き表現木構造データが表す表現木構造において、対応するノードのパターン文字列が同一か否かを判断して出力する判断ステップと、を含む情報抽出方法。
2. 請求項１に記載の情報抽出方法であって、
   検索対象の表現木構造を表す表現木構造データの指定を受け付ける表現木構造データ指定受付ステップを更に含む情報抽出方法。
3. 請求項１または請求項２に記載の情報抽出方法であって、
   検索対象のパターン文字列付き表現木構造データの更新比較期間を表す更新比較期間データを受け付ける更新比較期間データ受付ステップを更に含む情報抽出方法。
4. 請求項１から請求項３のいずれかに記載の情報抽出方法であって、
   検索対象のキーワードを表すキーワードデータを受け付けるキーワードデータ受付ステップを更に含む情報抽出方法。
5. 請求項１から請求項４のいずれかに記載の情報抽出方法であって、
   前記表現木構造データが表す表現木構造において、検索対象のノードの指定を表す検索対象指定ノードデータを受け付ける検索対象指定ノードデータ受付ステップを更に含む情報抽出方法。
6. サーバが、Ｗｅｂドキュメントを表すＷｅｂドキュメントデータから、当該Ｗｅｂドキュメントの見た目に関与するタグデータを抽出して、表現木構造データを生成する表現木構造データ生成ステップと、
   生成した前記表現木構造データを、前記Ｗｅｂドキュメントデータと関連付けて記憶部に記憶する表現木構造データ記憶ステップと、
   前記記憶部に記憶された複数のＷｅｂドキュメントデータの中から目的の情報を検索する際に、前記表現木構造データが表す表現木構造において、検索対象のノードの指定を表す検索対象指定ノードデータを含む検索条件データを受け付ける検索条件データ受付ステップと、
   受け付けた前記検索条件データに含まれる検索対象指定ノードデータに基づいて目的の情報を検索する検索ステップと、を含む情報抽出方法。
7. 請求項６に記載の情報抽出方法であって、
   前記検索条件データ受付ステップにおいて、検索対象の表現木構造データの更新比較期間を表す更新比較期間データを更に受け付ける情報抽出方法。
8. 請求項６または請求項７に記載の情報抽出方法であって、
   前記検索条件データ受付ステップにおいて、検索対象のキーワードを表すキーワードデータを更に受け付ける情報抽出方法。

Images