JP2008059442A - 文書集合分析装置，文書集合分析方法，その方法を実装したプログラム及びそのプログラムを格納した記録媒体 - Google Patents

Abstract

【課題】強い繋がりが存在する文書集合のみを特定し、その文書集合をクラスタに分類し、そのクラスタ中の各文書の役割を明確に分析する。
【解決手段】特定条件に基づいて文書集合を特定する手段１０と、前記特定された文書集合に含まれる各文書間の類似性を評価する手段２０と、前記評価された類似性に基づいて、文書間の関係性を抽出する手段３０と、前記抽出された文書間の関係性に基づき、該文書の中心性を算出する手段４０によって、文書間の関係性と文書の中心性を取得する。そして、前記取得した文書間の関係性と、取得した個々の文書の中心性に基づいて、話題語，話題語に関連する文書集合，文書の役割を特定する手段５０によって、それら特定し、可視化して出力する。
【選択図】図１

Description

本発明は、データマイニング技術に関するものである。

現在、Ｗｅｂページやブログ記事等、ニュース記事等のテキストを含む文書集合（文書データ集合とも言う）に対して検索やデータマイニングを行う技術が広く知られている。

その技術において、ユーザが大量の文書を取り扱う場合に、ユーザが「文書集合中に存在する主要な話題が知りたい」や「文書集合中の特定の話題に関連する情報群にアクセスしたい」という文書に関連した情報を取得する要求を持つことが多い。

これらの要求を実現する実現方法としては、次のようなものが知られている。

一つは、クラスタリングアルゴリズムを利用する方法（例えば、非特許文献１参照）である。この方法では、それぞれの文書を単語ベクトルで表現し、ベクトル間の類似度（コサイン類似度等）を利用して、類似したベクトルを統合することによって、類似した話題（あるいは話題語）に関する文書をクラスタとして特定する。そして、この個々のクラスタを特定の話題に関連する情報の集合と見做す事によって、上述の要求を実現するものである。

他の実現方法としては、話題語抽出を利用する方法（例えば、特許文献１参照）が知られている。この方法は、文書集合の中から、キーワードの出現頻度や出現分布に基づいて、文書集合中の特定の話題に関連するキーワードを抽出する技術を利用する。その技術で抽出した特定のキーワードを含む文書を特定の話題に関連する文書の集合と見なすことによって、上述の要求を実現するものである。

なお、関連技術として、文書をノードと見做して、各ノード（文書）の中心性を算出方法（例えば、ＰａｇｅＲａｎｋ（例えば、非特許文献２参照））が知られている。文書の集合を特定するために、ｗｅｂ上に存在する検索エンジン（例えば、非特許文献３参照）も広く知られている。文書を単語ベクトルに表す技術（例えば、非特許文献４参照）も広く知られている。
特開２００５−２０８８３８号公報（段落［００６６］〜［０１４４］等）。 Ｄ．Ｃｕｔｔｉｎｇ，Ｄ．Ｋａｒｇｅｒ，Ｊ．Ｐｅｄｅｒｓｅｎ，ａｎｄ Ｊ．Ｔｕｋｒｙ，"Ｓｃａｔｔｅｒ／Ｇａｔｈｅｒ： ａ ｃｌｕｓｔｅｒ−ｂａｓｅｄ ａｐｐｒｏａｃｈ ｔｏ ｂｒｏｗｓｉｎｇ ｌａｒｇｅ ｄｏｃｕｍｅｎｔ ｃｏｌｌｅｃｔｉｏｎｓ"，Ｐｒｏｃ．ｏｆ ＳＩＧＩＲ １９９２，ＡＣＭ，Ｊｕｎｅ １９９２，ｐｐ３１８−３２９． Ｓ．Ｂｒｉｎ，ａｎｄ Ｌ．Ｐａｇｅ，"Ｔｈｅ ａｎａｔｏｍｙ ｏｆ ａ ｌａｒｇｅ−ｓｃａｌｅ ｈｙｐｅｒｔｅｘｕｔｕａｌ Ｗｅｂ Ｓｅａｒｃｈ Ｅｎｇｉｎｅ"，Ｐｒｏｃ．ｏｆ ＷＷＷ７，Ｅｌｓｅｖｉｅｒ ｓｃｉｅｎｃｅ，Ａｐｒｉｌ １９９８，ｐｐ１０７−１１７． エヌ・ティ・ティ レゾナント株式会社、"ポータルサイト ｇｏｏ"、［ｏｎｌｉｎｅ］、平成１８年、エヌ・ティ・ティ レゾナント株式会社、［平成１８年７月３１日検索］、インターネット＜ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｇｏｏ．ｎｅ．ｊｐ／＞ 北研二、津田和彦、獅子掘正幹、「情報検索アルゴリズム」、共立出版、２００２年１月。

上述の文書に関連した情報を取得する要求を実現する技術には、以下のような問題点が知られている。

上述のクラスタリングアルゴリズムを用いる手法では、全ての文書が何れかのクラスタに属することを前提としている。一方、現実のデータでは、他の文書と関係ない、いわゆる「その他」に属する文書が存在するため、必ずしも適切なクラスタリングが行えず、結果的に上記の要求に対して取得した情報にも、多くのノイズを含む等の問題を有する。

上述の話題語抽出を用いた手法では、文書を一つの集合にするときのルールが、キーワードを含むか否かと言う非常に単純なものであるため、必ずしも有益な文書の集合が作られているとは限らない。例えば、この手法で出力される一つのキーワードが複数の話題に関連していたり、逆に一つの話題が複数のキーワードに関連することもしばしばある。

本発明は、前記課題に基づいてなされたものであって、強い繋がりが存在する文書集合のみを特定し、その文書集合をクラスタに分類し、そのクラスタ中の各文書の役割を明確に分析する文書集合分析装置，文書集合分析方法，その方法を実装したプログラム及びそのプログラムを格納した記録媒体を提供することにある。

前記課題の解決を図るために、請求項１記載の発明は、文書データ管理手段によって管理される文書集合内の文書間の関連性に基いて、文書の役割を特定する文書集合分析装置であって、入力手段から入力された文書集合特定条件に基づいて前記文書集合を特定する文書集合特定手段と、前記特定された文書集合に含まれる各文書間で話題語に関する類似度を評価する類似性評価手段と、前記類似性評価手段によって評価された類似度に基づいて、文書間の関係性を抽出する関係抽出手段と、前記関係抽出手段によって抽出された文書間の関係性に基づき、文書と該文書以外の文書間の関連性の高さを示す指標として、該文書の中心性を算出する中心性判定手段と、前記関係抽出手段によって得られた文書間の関係性と、中心性判定手段によって得られた個々の文書の中心性に基づいて、文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割を特定する情報分析手段と、前記特定された文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割に基づいて文書集合を可視化して出力する情報出力手段と、を備えることを特徴とする。

請求項２記載の発明は、請求項１記載の発明において、前記情報分析手段が、前記文書間の関連性と、各文書の中心性に基づいて、文書間の関連性を二次元座標で表現し、その二次元座標に対する三次元目の座標で中心性を表現し、前記文書集合を三次元のグラフ構造で表現するグラフ構造構築手段と、前記得られたグラフ構造から、エッジで連結している自身以外のノードより高い中心性を持つノードを頂点として抽出する頂点ノード抽出手段と、前記得られた頂点ノードから、中心性が低くなる方向にグラフ構造をたどり、ノードで構成される山を特定する山状ノード群特定手段と、前記特定される頂点ノード及び山状ノードに基づいて、ノードに対し役割を示すラベルを付与するラベル付け手段と、を備えることを特徴とする。

請求項３記載の発明は、文書データ管理手段によって管理される文書集合内の文書間の関連性に基いて、文書の役割を特定する文書集合分析方法であって、入力手段から入力された文書集合特定条件に基づいて前記文書集合を特定する文書集合特定ステップと、前記特定された文書集合に含まれる各文書間で話題語に関する類似度を評価する類似性評価ステップと、前記類似性評価ステップによって評価された類似度に基づいて、文書間の関係性を抽出する関係抽出ステップと、前記関係抽出ステップによって抽出された文書間の関係性に基づき、文書と該文書以外の文書間の関連性の高さを示す指標として、該文書の中心性を算出する中心性判定ステップと、前記関係抽出ステップによって得られた文書間の関係性と、中心性判定手段によって得られた個々の文書の中心性に基づいて、文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割を特定する情報分析ステップと、前記特定された文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割に基づいて文書集合を可視化して出力する情報出力ステップと、を有することを特徴とする。

請求項４記載の発明は、請求項３記載の発明において、前記情報分析ステップが、前記文書間の関連性と、各文書の中心性に基づいて、文書間の関連性を二次元座標で表現し、その二次元座標に対する三次元目の座標で中心性を表現し、前記文書集合を三次元のグラフ構造で表現するグラフ構造構築ステップと、前記得られたグラフ構造から、エッジで連結している自身以外のノードより高い中心性を持つノードを頂点として抽出する頂点ノード抽出ステップと、前記得られた頂点ノードから、中心性が低くなる方向にグラフ構造をたどり、ノードで構成される山を特定する山状ノード群特定ステップと、前記特定される頂点ノード及び山状ノードに基づいて、ノードに対し役割を示すラベルを付与するラベル付けステップと、を有することを特徴とする。

請求項５記載の発明は、文書集合分析プログラムであって、請求項３または４に記載の文書集合分析方法を、コンピュータで実行可能なコンピュータプログラムとして記述したことを特徴とする。

請求項６記載の発明は、記録媒体であって、請求項３または４に記載の文書集合分析方法を、コンピュータで実行可能なコンピュータプログラムとして記述し、そのコンピュータプログラムを記録したことを特徴とする。

前記請求項１，３の発明によれば、中心性に基づく文書間の関連性を取得できる。

前記請求項２，４の発明によれば、文書間の関係に基づくグラフ構造を取得できる。

前記請求項５の発明によれば、請求項３または４に記載の文書集合分析方法をコンピュータプログラムとして記載できる。

前記請求項６の発明によれば、請求項３または４に記載の文書集合分析方法を実装したコンピュータプログラムを記録媒体に記録できる。

以上示したように請求項１，３の発明によれば、文書の関連性に基づいて、その文書の役割を明確に分析できる。

請求項２，４の発明によれば、強い繋がりを有する文書集合のみを特定できる。

請求項５の発明によれば、請求項３または４に記載の文書集合分析方法を実装したコンピュータプログラムを提供できる。

請求項６の発明によれば、請求項３または４に記載の文書集合分析方法を実装したコンピュータプログラムを記録した記録媒体を提供できる。

これを以ってデータマイニング技術分野に貢献できる。

以下、本発明の実施形態を図面等に基づいて詳細に説明する。本実施形態における文書集合分析装置は、検索したニュース記事の中に存在する話題（即ち、話題語）を特定し、その特定した話題に関連する文書をクラスタ化し、さらに、そのクラスタ中の文書に対してそれぞれの文書の位置付けを明らかにする文書分析を行う装置である。

本実施形態における文書集合分析装置の構成を図１に基づいて説明する。

文書集合分析装置は、文書集合特定部１０，類似性評価部２０，関係抽出部３０，中心性判定部４０，情報分析部５０，情報出力部６０，文書データ管理手段（例えば、文書ＤＢ（Ｄａｔａｂａｓｅ））７０から構成される。さらに、情報分析部５０は、グラフ構造構築部５１，頂点ノード抽出部５２，山状ノード群特定部５３，ラベル付け部５４から構成される。

文書集合特定部１０は、文書集合を特定する文書集合特定条件を含む指定や要求（例えば、ユーザからの指定や要求）、もしくは、あらかじめ決められた文書集合特定条件に基づいて文書データ管理手段７０にアクセスし、複数文書で構成される文書集合を特定する。なお、文書集合特定条件は、予め備えられた入力手段（例えば、キーボード装置）によって、入力されても良い。

類似性評価部２０は、話題（あるいは、話題語）に関して文書集合内の各文書間の類似度を評価する。例えば、文書間の類似度は、各文書を単語ベクトルで評価しコサイン類似度を利用する方法（例えば、非特許文献１参照）や、一方の文書に基づいて言語モデルを構築し、他方の文書がその言語モデルからどの程度の確率で生成されるかという言語モデルに基づく評価を行う方法が考えられる。

関係抽出部３０は、前記類似性評価部２０で評価した文書間の類似度に基づいて、文書間に関係があるか否かの関係性を特定する。例えば、文書間の関係を行列Ａと表現した場合、以下の式のように定義することが考えられる。

ここで、ＴｏｐＳｉｍ_p（ｉ）は文書ｉとの類似度が高い文書ｐ件に含まれる文書の集合を示す。一般に全ての類似度を利用した場合には、低い類似度がノイズとなる傾向があるため、類似度が高い文書間に対してのみリンクを設定している。ｓｉｍ（ｉ，ｊ）は、文書をｌｏｇ ｔｆ−ｉｄｆ重み（例えば、非特許文献４）による単語ベクトルとして表現した場合の文書ｉと文書ｊのコサイン類似度を示している。なお、ｌｏｇ ｔｆ−ｉｄｆ重みは、個々の文書をベクトルで表現するときの個々の要素の重みである。

さらに、上記のように全ての類似度を利用した場合には、他のリンクと比較して明らかに重みが小さいリンクが存在している。そこで、アウトリンクのうちごく少ない確率でしか遷移しないリンクを除去する事が考えられる。この操作は以下の式で示される。

ここで、ｌ_i,qはノードｉからのアウトリンクを遷移確率の降順に並べ、閾値ｑを越えるまで加算した遷移確率の合計値を示す。ＴｏｐＬｉｎｋ_q（ｉ）は、加算対象になったリンクのリンク先ノードの集合を示す。

中心性判定部４０は、関係抽出部３０で得られた文書間の関係を、文書をノードと見做して文書間の関係を重み（即ち、文書間の類似度）つきのエッジとするグラフ構造と見做し、各ノード（文書）の中心性を算出する。なお、前述の中心性は、単純なリンク本数を計算する方法やＰａｇｅＲａｎｋ（非特許文献２参照）等を利用することが考えられる。

グラフ構造構築部５１は、中心性判定部４０で得られる、各文書間の関係と、各文書の中心性のスコアに基づいて、文書間の関係を示すグラフ構造を二次元平面（例えば、ｘｙ平面）上に配置し、個々の文書の中心性のスコアを三次元目（例えば、ｚ軸）に割り当てた三次元のグラフ構造を構築する。図２は、この三次元のグラフ構造の概念図である。なお、この図２に関しては、後で説明する。

頂点ノード抽出部５２は、グラフ構造構築部５１で構築されたグラフ構造から、ノードとノードを繋ぐ辺（即ち、エッジ）で連結している自身以外のノード（文書と一対一で対応）より高い中心性を持つノードを頂点として抽出する。

山状ノード群特定部５３は、頂点ノード抽出部５２で抽出された頂点ノードから、中心性が低くなる方向にグラフ構造をたどり、ノードで構成される山を特定する。即ち、山状ノード群特定部５３までの処理によって、文書がクラスタ化されることになる。

ラベル付け部５４は、頂点ノード抽出部５２で抽出した頂点ノード，山状ノード群特定部５３で特定した頂点を中心とする山状のノード群，それらの間の関係に対して、ラベル付けを行う。

ここで、グラフ構造と中心性について説明する。中心性スコアの定義によれば、多くのエッジが存在するエリアのノードは高いスコアを有する。グラフ構造に基づき、ある人がノードを渡り歩くモデル（ユーザがグラフに沿ってノードを閲覧するモデル）を考えた場合、そのような中心性の高いエリアでは、エリア内での遷移が多く、ノード間の関連性も高い。つまり、そのエリアは同じ話題に関連するノードで構成される。したがって、図２のそれぞれの山は、それぞれ異なる話題に対応すると考えられる。

また、図２中の山に含まれるノードの位置に応じて、文書にはそれぞれ特徴があると考えられる。以下では、それぞれのノードに該当する文書の特徴を説明する。さらに、それぞれの特徴を持つノード毎に、文書集合における役割の特定方法を説明する。

図２における最初の段階のノードは、山の頂上にあるノード（例えば、符号ａ１やｂ１で示されるノードに該当）であり、１つの山には１つのノードが存在するのみである。これらのノードは、周囲のノードから最も高い状態遷移があるノードであり、周囲のノードと最もよく関係するノードであるため、話題を最もよく表現する文書であると言える。つまり、頂点ノードが示す文書は、そのエリアの話題を特定する。以後、このエリアの話題を特定する文書（ノード）のラベルをコア文書（または、コアノード）とする。

第２段階目のノードは、頂点と近接したノード（例えば、図２中の符号ａ２，ａ３，ａ４やｂ２，ｂ３で示されるノード）である。これらのノードはコアノードから直接もしくは間接的に双方向リンクのみをたどって到達できるノードである。双方向リンクは、相互にリンクが張られており、高い関連性を示す。これらのノードはコアノードとの間で多くの状態遷移があり、文書の内容もコア文書との高い関連性を有する。以後、このコア文書との高い関連性を有する文書（ノード）のラベルをサプリメンタル文書（または、サプリメンタルノード）とする。

第３段階目のノードは、例えば、図２中の符号ａ５，ａ６，ａ７，ｂ４で示されるノードのように、コアノードもしくはサプリメンタルノードにリンクしているノードである。外部のノードへの状態遷移や自己遷移と比べて、特定の話題のコアノードやサプリメンタルノードへの遷移確率が高いノードである。これらのノード必ずしも話題の中心ではないが話題に関連する情報を含んでおり、話題の周辺の情報等ノベルティの高い情報を含む事が多いノードである。以後、この話題の周辺の情報等ノベルティの高い情報を含む事が多い文書（ノード）のラベルをサブトピック文書（またはサブトピックノード）とする。

最終段階目のノードは、どの話題のノードに対しても強い関連性がないノードである。例えば、図２中の符号ｃ１で示されるノードである。このノードは、他に似ているノードが少なく、自己遷移確率が高い。以後、この他に似ているノードが少なく、自己遷移確率が高い文書（ノード）のラベルをアウトライヤー文書（アウトライヤーノード）とする。このアウトライヤー文書の存在を許容することによって、その他文書が無理にいづれかのクラスタに属しノイズの原因となることを防ぐことになる。

以上のような方法に基づいて、それぞれのノードに対し以下のようにラベル付けを行う。

まず、各ノードに対しては、各ノードがどのような話題に関連する文書なのか、その話題を表現する場合にどの程度の役割を持つ文書であるのか、という情報をラベル（即ち、コアノード）として付与する。

次に、山状のノード群に対しては、頂点ノードが表現する話題に関連する文書のクラスタとしてのラベル（即ち、サプリメンタルノード）を付与する。

そして、山状ノード群の組合せについては、それらの連結状態から、二つの山が表現する話題の関連性の高さに付いてラベル付け（即ち、サブトピックノードまたはアウトライヤーノード）を行う。

情報出力部６０は、情報分析部５０によって得られた、ノード間の関係，個々のノードの中心性及び文書集合中での役割を利用して、ユーザに対して文書集合の内容を表示（可視化）する。可視化は、例えば、ディスプレイ装置で行う。

三次元イメージを利用した可視化（例えば、３Ｄ（Ｄｉｍｅｎｓｉｏｎ）マップ）の一例として、図３が挙げられる。図３は、新聞記事に対して、「地震」という検索キーワード（即ち、話題語）を利用して得られた検索結果の文書集合を可視化したものである。図３中の符号ＣＮで示されるノードがコアノードである。

この図３では、山状の部分が見られるが、個々の山が個々の話題を示しており、個々の山に属するノードに該当する文書がそれぞれの話題に関する文書群である。

また、図４には図３の一部を拡大したイメージを示す。この拡大イメージ上では、二つの山がサプリメンタルノード（例えば、符号ＳＮで示されるノード）によって連結している事がわかる。これは、二つの山の関連性が高いことを示している。実際に、この二つの山は、日本で発生した地震について触れており、提案手法により、話題間の関連性を発見する事が可能であることも示している。

例えば、図４中の一つの山状の構造は、一つの話題「阪神大震災」や「関東大震災」を表している。その山の中で中心的な部分は、実際に発生したイベントの主要な内容（例えば、地震が発生したこと）、それ以外では、主要な話題に付随する情報（例えば、地震後の火事、復興支援のニュースなど）に該当するノードである。

文書データ管理手段７０は、ユーザが指定した検索キーワードや文書の最終更新日等の条件に応じて文書集合を特定できる検索機能を持った文書データ格納装置（例えば、ハードディスク装置やメモリを含む装置）である。この文書データ管理手段７０は、ｗｅｂ等からあらかじめ情報を収集してきて構築する事が考えられる。また、ｗｅｂ上に存在する検索エンジン（非特許文献３参照）をそのまま文書データ管理手段７０として利用することも考えられる。

本実施形態における文書集合分析方法を図５に基づいて説明する。

まず、ユーザから指定、もしくは、予め決められた文書集合特定条件を入力手段から読み込む（Ｓ１０１）。なお、入力手段は、例えば、キーボード装置などが想定できる。

次に、文書集合特定部１０が、前記文書集合特定条件に合致した文書の集合を特定する（Ｓ１０２）。

次に、類似性評価部２０が、文書集合特定部１０で特定した文書群中の各文書ペア間の類似度を算出する（Ｓ１０３）。

次に、関係抽出部３０は、算出された類似度に基づいて関連性の強いペアを抽出し、重み付きで関連性を特定する（Ｓ１０４）。

次に、中心性判定部４０は、類似性評価部２０及び関係抽出部３０によって特定された情報に基づいて、指標（例えば、ＰａｇｅＲａｎｋなど）を作成し、各ノードの中心性を特定する（Ｓ１０５）。

次に、グラフ構造構築部５１は、類似性評価部２０，関係抽出部３０，中心性判定部４０から得られた情報に基づいて、三次元空間状にノード（文書と一対一対応）を配置したグラフ構造を構築する（Ｓ１０６）。

次に、頂点ノード抽出部５２は、グラフ構造構築部５１で得られたグラフ構造に基づいて、頂点ノードを抽出する（Ｓ１０７）。

次に、山状ノード群特定部５３は、グラフ構造構築部５１で得られたグラフ構造と頂点ノード抽出部５２で得られた頂点から山状のノード群を抽出する（Ｓ１０８）。

次に、ラベル付け部５４は、グラフ構造構築部５１，頂点ノード抽出部５２，山状ノード群特定部５３で得られた情報に基づいてノード，山状のノード群，ノード群の関係に対してラベル付けを行う（Ｓ１０９）。

そして、ラベル付けされノード，山状のノード群，ノード群の関係をリストや３Ｄマップとして可視化する（Ｓ１１０）。

以上のように、本実施形態によれば、文書集合特定条件によって与えられる文書集合から、各文書間の類似度を特定し、その類似度に基づいて文書間に強い繋がりを有する部分を重み付きで特定し、この情報に基づいて文書間の繋がりをグラフ構造に見立てて各文書の中心性を算出し、以上で得た文書間の関係と各文書の中心性の値から文書群を三次元に配置されるグラフ構造と見立てて、その位置関係から各文書の位置付けを特定することによって、文書集合中に含まれる「主要な話題の特定」、「話題に関連する文書の特定」、「各話題に関連する文書のうち、各文書の役割」、「話題間の関係」等を取得できる。

さらに詳述すると、本実施形態では、ユーザからの要求に基づき特定した文書集合を元に、各文書間の相互の類似度を評価し、類似度に基づき文書間の関連性を特定する。この関連性に基づき、各文書の中心性を評価する。この文書間の関連性と、個々の文書の中心性をともに用いる事で、文書集合中の特定の話題の検出や、特定の話題に属する文書のクラスタ化、クラスタ内の各文書の位置付けの明確化を実現する。

また、文書間の関連性と各文書の中心性の値に基づき、文書集合を三次元のグラフ構造と見做し、その中の頂点や、山状のノード群を特定することで、文書集合中の特定の話題の検出や、特定の話題に属する文書のクラスタ化、クラスタ内の各文書の位置付けの明確化を実現する。

なお、本実施形態の文書集合分析装置における各手段の一部もしくは全部の機能をコンピュータのプログラムで構成し、そのプログラムをコンピュータを用いて実行して本発明を実現することができること、本実施形態の文書集合分析方法における手順をコンピュータのプログラムで構成し、そのプログラムをコンピュータに実行させることができることは言うまでもなく、コンピュータでその機能を実現するためのプログラムを、そのコンピュータが読み取り可能な記録媒体、例えばＦＤ（Ｆｌｏｐｐｙ（登録商標） Ｄｉｓｋ）や、ＭＯ（Ｍａｇｎｅｔｏ−Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、メモリカード、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、リムーバブルディスクなどに記録して、保存したり、配布したりすることが可能である。また、上記のプログラムをインターネットや電子メールなど、ネットワークを通して提供することも可能である。

さらに、上述の文書集合分析装置に関する方法を記述したコンピュータプログラムを、文書集合分析装置に関する方法に必要とされる入出力データを格納したメモリや外部記憶装置等にアクセスするように実装してもよい。

以上、本発明の実施形態について説明したが、本発明は説明した実施形態に限定されるものでなく、各請求項に記載した範囲において各種の変形を行うことが可能である。

例えば、本実施形態における情報分析部は、グラフ構造構築部からラベル付け部のような手段で構成されているが、これらの手段に限らず、文書群と文書間の関連をグラフ構造と見做す他の処理手段も考えられる。より具体的には、ラベル付け部において、ラベル付けを更に細かく（例えば、５段階以上）して役割の特定を行っても良い。

本実施形態における文書集合分析装置の構成図。 本実施形態における三次元構造概念図。 本実施形態における可視化結果の一例を示す図。 本実施形態における可視化結果の一例の拡大図。 本実施形態における文書集合分析方法を示すフローチャート。

符号の説明

１０…文書集合特定部
２０…類似性評価部
３０…関係抽出部
４０…中心性判定部
５０…情報分析部
５１…グラフ構造構築部
５２…頂点ノード抽出部
５３…山状ノード群特定部
５４…ラベル付け部
６０…情報出力部
７０…文書データ管理手段
ａ１，ａ２，ａ３，ａ４，ａ５，ａ６，ａ７，ａ８，ｂ１，ｂ２，ｂ３，ｂ４，ｃ１…ノード
ＣＮ，ＣＮ１，ＣＮ２…コアノード
ＳＮ…サプリメンタルノード

Claims (6)

1. 文書データ管理手段によって管理される文書集合内の文書間の関連性に基づいて、文書の役割を特定する文書集合分析装置であって、
   入力手段から入力された文書集合特定条件に基づいて前記文書集合を特定する文書集合特定手段と、
   前記特定された文書集合に含まれる各文書間で話題語に関する類似度を評価する類似性評価手段と、
   前記類似性評価手段によって評価された類似度に基づいて、文書間の関係性を抽出する関係抽出手段と、
   前記関係抽出手段によって抽出された文書間の関係性に基づき、文書と該文書以外の文書間の関連性の高さを示す指標として、該文書の中心性を算出する中心性判定手段と、
   前記関係抽出手段によって得られた文書間の関係性と、中心性判定手段によって得られた個々の文書の中心性に基づいて、文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割を特定する情報分析手段と、
   前記特定された文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割に基づいて文書集合を可視化して出力する情報出力手段と、
   を備えることを特徴とする文書集合分析装置。
2. 請求項１記載の文書集合分析装置であって、
   前記情報分析手段が、
   前記文書間の関連性と、各文書の中心性に基づいて、文書間の関連性を二次元座標で表現し、その二次元座標に対する三次元目の座標で中心性を表現し、前記文書集合を三次元のグラフ構造で表現するグラフ構造構築手段と、
   前記得られたグラフ構造から、エッジで連結している自身以外のノードより高い中心性を持つノードを頂点として抽出する頂点ノード抽出手段と、
   前記得られた頂点ノードから、中心性が低くなる方向にグラフ構造をたどり、ノードで構成される山を特定する山状ノード群特定手段と、
   前記特定される頂点ノード及び山状ノードに基づいて、ノードに対し役割を示すラベルを付与するラベル付け手段と、
   を備えることを特徴とする文書集合分析装置。
3. 文書データ管理手段によって管理される文書集合内の文書間の関連性に基づいて、文書の役割を特定する文書集合分析方法であって、
   入力手段から入力された文書集合特定条件に基づいて前記文書集合を特定する文書集合特定ステップと、
   前記特定された文書集合に含まれる各文書間で話題語に関する類似度を評価する類似性評価ステップと、
   前記類似性評価ステップによって評価された類似度に基づいて、文書間の関係性を抽出する関係抽出ステップと、
   前記関係抽出ステップによって抽出された文書間の関係性に基づき、文書と該文書以外の文書間の関連性の高さを示す指標として、該文書の中心性を算出する中心性判定ステップと、
   前記関係抽出ステップによって得られた文書間の関係性と、中心性判定手段によって得られた個々の文書の中心性に基づいて、文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割を特定する情報分析ステップと、
   前記特定された文書集合全体から文書集合中に含まれる話題語，話題語に関連する文書集合，その文書集合中における文書の役割に基づいて文書集合を可視化して出力する情報出力ステップと、
   を有することを特徴とする文書集合分析方法。
4. 請求項３記載の文書集合分析方法であって、
   前記情報分析ステップが、
   前記文書間の関連性と、各文書の中心性に基づいて、文書間の関連性を二次元座標で表現し、その二次元座標に対する三次元目の座標で中心性を表現し、前記文書集合を三次元のグラフ構造で表現するグラフ構造構築ステップと、
   前記得られたグラフ構造から、エッジで連結している自身以外のノードより高い中心性を持つノードを頂点として抽出する頂点ノード抽出ステップと、
   前記得られた頂点ノードから、中心性が低くなる方向にグラフ構造をたどり、ノードで構成される山を特定する山状ノード群特定ステップと、
   前記特定される頂点ノード及び山状ノードに基づいて、ノードに対し役割を示すラベルを付与するラベル付けステップと、
   を有することを特徴とする文書集合分析方法。
5. 請求項３または４に記載の文書集合分析方法を、コンピュータで実行可能なコンピュータプログラムとして記述したことを特徴とする文書集合分析プログラム。
6. 請求項３または４に記載の文書集合分析方法を、コンピュータで実行可能なコンピュータプログラムとして記述し、そのコンピュータプログラムを記録したことを特徴とする記録媒体。

Images