JP2008250887A - 情報抽出装置、その方法及びプログラム - Google Patents
情報抽出装置、その方法及びプログラム Download PDFInfo
- Publication number
- JP2008250887A JP2008250887A JP2007094339A JP2007094339A JP2008250887A JP 2008250887 A JP2008250887 A JP 2008250887A JP 2007094339 A JP2007094339 A JP 2007094339A JP 2007094339 A JP2007094339 A JP 2007094339A JP 2008250887 A JP2008250887 A JP 2008250887A
- Authority
- JP
- Japan
- Prior art keywords
- information
- headline
- text
- article
- feature information
- 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.)
- Granted
Links
Images
Landscapes
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【解決手段】記事入力手段10と、テンプレートによる抽出手段20と、係り受け解析による抽出手段30と、記事情報のタグパターンマッチング手段40と、見出しと本文の分割手段50と、見出しの形態素解析手段60と、見出しの助詞除去手段70と、テンプレート又は係り受け解析により抽出された情報と見出し情報とのマッチング手段80と、見出しの特徴情報抽出手段90と、本文の形態素解析手段100と、本文の助詞除去手段110と、見出し特徴情報と本文の文節とのマッチング手段120と、本文の特徴情報の抽出手段130と、見出し特徴情報又は本文特徴情報の売り情報出力手段140とを含む。
【選択図】図5
Description
そこで、情報抽出を利用した文書要約装置が、特開2002−288190号公報に開示されている。
しかしながら、テンプレートを利用した情報抽出を行う場合に、並列構造や入れ子構造など複雑な構成の文章が多数用いられていると、抽出項目が複数の文章にまたがって記述される場合があるなど、一般性が低くなる傾向がみられる。その結果、テンプレート数が増加し、多数の解候補があり抽出精度が低下する。さらに、大量テンプレートとのマッチングの処理によって、高速性が損なわれるなどの問題点がある。
そこで、前記の課題を解決するために、指定された項目およびそれに関連する1つないしは複数個の情報、さらに指定された項目ではないが重要な情報を文書から見つけ出す高機能かつ高精度な情報抽出装置の提供を目的とする。
本発明における「売り」情報の定義について示すと、「売り」情報とは製品の特徴を示す情報の中で、特に重要度の高い情報である。しかし、記事中には複数の特徴情報が出現している場合が多く、各特徴情報に対する重要度は、特徴情報に対して重み付けを行う者の立場や観点によって大きく異なる。以下に、本発明で扱う新製品紹介記事と、記事の本文中に含まれる特徴情報の例を示す。
見出し情報は、「[ビジネス情報]ニューロ制御のヒーター−−三菱電機」である。本文情報は、「三菱電機は、設定温度を自動的に決めるニューロ制御の石油ファンヒーター8タイプ24機種を8月21日発売する。6―16畳向けで価格は3万9000―8万9800円」である。ここで特徴情報は、「[設定温度を自動的に決める,ニューロ制御,6―16畳向け]」となる。
これらの特徴情報は、重み付けの観点によってはどれも「売り」情報となり得る。従って、複数の特徴情報から「売り」情報を抽出するためには、この立場や観点を定める必要がある。そこで、本発明ではこの立場を新製品紹介記事の書き手、即ち記者と定め、記者の観点における「売り」情報を抽出する。
(a)見出し中の特徴情報
記事の見出しとは、記者が読者に対し、本文の内容が一目で分かるようつけたものである。故に、見出し中に特徴情報が出現するとき、その特徴情報は記者の観点における重要度が特に高い「売り」情報であると判断できる。過去の分析用データ300記事のうち、見出しの特徴情報が製品の「売り」情報となっている記事は253記事であった。従って、「売り」情報を抽出する際に見出しを利用する事は極めて有効であるといえる。ここで、見出しの特徴情報が「売り」情報となっている記事の例を以下に示す。
見出し情報は、「[雑記帳]足利銀行が視覚障害者が利用できるATM」である。本文情報は、「足利銀行が沖電気工業と共同で全国で初めて視覚障害者が利用できるATMを開発した。従来のATMに、電話の受話器のようなハンドセットと取引金額や残高がボードに点字で浮き上がる点字表示装置、点字付き操作ボタンが加わった。操作すると、入金額や残高が点字で表示装置にでる。同行は「社会貢献活動の一環。より良い企業市民を目指します」とアピール。」である。ここで、「売り」情報は「視覚障害者が利用できる」となる。
見出し中の特徴情報が本文中に出現するとき、本文中には見出し中の特徴情報の補足説明となる語句が含まれている記事が多くあった。従って、見出しと本文の両方に含まれる特徴情報に加え、その特徴情報を補足説明する語句を本文中より抽出することで、より詳細な「売り」情報の抽出が可能になる。本文中に見出しの特徴情報の補足説明となる情報を含む記事の例を以下に示す。
見出し情報は、「[ビジネス情報]衛星放送チューナーを2台内蔵したテレビを発売−−シャープ」である。本文情報は、「シャープは、業界で初めて衛星放送チューナーを2台内蔵した29型カラーテレビ「ツインBS」を4月15日発売。22万円。衛星放送を見ながら、手持ちのVTRで衛星放送の裏番組録画が可能。同チューナーを内蔵していない別のテレビとケーブルで接続すれば、2つの衛星放送番組を同時に視聴できる。」である。ここで、補足情報は「業界で初めて」となる。
これにより、形態素解析された本文の係り受け関係を調べ、係り受け関係により修飾語句を補足説明情報として抽出し、補足説明情報を売り情報として出力するので、あらかじめ定められた種類の情報やあらかじめ定められた種類の情報に関連する重要な情報だけでなく、あらかじめ定められた種類の情報ではないが、興味深い、重要だと思われる情報が簡潔な言語表現で迅速かつ簡易に抽出可能となる。また、少ない情報量でより詳しい製品の情報を得ることができる。
これら前記の発明の概要は、本発明に必須となる特徴を列挙したものではなく、これら複数の特徴のサブコンビネーションも発明となり得る。
[1.ハードウエア構成]
図4に本発明の実施形態における情報抽出装置のハードウェア構成図を示す。コンピュータ1は、例えば、CPU(Central processing Unit)2、メインメモリ3、HDD(Hard Disk Drive)4、ビデオカード5、マウス6、キーボード7、光学ディスク8等により構成される。なお、本実施形態においては、図4に示すように、情報抽出装置を一のコンピュータ上に構築した例を説示するが、クライアントであるウェブブラウザ装置とサーバであるWWWサーバからなるWWWシステムを利用して情報抽出機能をブラウザ装置上で使用する構成とすることは所謂当業者であれば明らかである。例えば、WWWサーバに情報抽出機能をアドインとして実装する。または、ウェブブラウザに情報抽出機能をプラグインとして実装することもできる。さらに、WWWサーバに情報抽出機能の一部をアドインとして、ウェブブラウザに残りの情報抽出機能をプラグインとして実装することもできる。
図5は、本発明の実施形態に係る情報抽出装置のブロック構成図である。情報抽出装置は、入力部10、テンプレート抽出部20、係り受け抽出部30、ダグパターンマッチング部40、記事分割部50、見出しの形態素解析部60、見出しの助詞除去部70、見出し特徴情報マッチング部80、見出し特徴情報抽出部90、本文の形態素解析部100、本文の助詞除去部110、本文特徴情報マッチング部120、本文特徴情報抽出部130、本文の係り受け解析部140、補足説明の抽出部150、売り情報の出力160を含む。タグパターンマッチング部40は、記事にタグを付け、タグのパターンマッチングを行う。記事分割部50は、記事をタグのパターンマッチの結果に従い、見出しと本文に分割する。見出しの形態素解析部60は、分割された見出しの形態素解析を行う。ここで、形態素解析は、形態素解析システムJUMANを利用することができる。JUMANとは、日本語の形態素解析を行うためのシステムで、日本語の文章を入力とし、入力文を単語単位に区切り、それぞれの形態素を決定するものである。図6は、本発明の実施形態に係る情報抽出装置における形態素解析結果である。入力文は「セガ・エンタープライゼス社は、SF映画的な光線銃戦を模擬体験できるおもちゃ「ロックオン」を発売した」である。見出しの助詞除去部70は、形態素解析したのちに見出しに含まれる助詞を除去する。見出し特徴情報マッチング部80は、テンプレート及び係り受け解析により抽出された製品情報と見出しに含まれる特徴情報のマッチングを行う。本文の形態素解析部100及び本文の助詞除去部110は、見出しの形態素解析及び助詞除去と同様である。本文特徴情報マッチング部120は、形態素解析後に助詞を除去した本文と見出しの特徴情報のマッチングを行う。本文特徴情報抽出部130は、マッチングした本文の中から特徴情報を抽出する。本文の係り受け解析部140は、係り受け解析器を用いて本文の係り受けを調べる。ここで、構文解析には構文解析システムKNPを用いることができる。KNPとは、日本語の構文解析を行うためのシステムで、JUMAN出力結果を入力とし、それらを文節単位にまとめ、文節間の係り受け関係を決定するものである。図7は、本発明の実施形態に係る情報抽出装置における係り受け解析結果である。入力文は、「セガ・エンタープライゼス社は、SF映画的な光線銃戦を模擬体験できるおもちゃ「ロックオン」を発売した」である。補足説明の抽出部150は、係り受け解析の結果、修飾語句を補足説明情報として抽出する。売り情報の出力160は、抽出された特徴情報を出力する。
図8は、本発明の実施形態に係る情報抽出装置における処理フローシートである。まず、入力部10が記事を入力する(S100)。ここで、テンプレート抽出部20がテンプレートによる抽出処理をする(S200)。なお、テンプレートによる抽出処理については、後述する。抽出できたか否か判断する(S300)。ここで、テンプレートによる抽出を、定型性の高い文に対してのみ抽出できるようにするために、テンプレートに対し抽出精度に基づいた重み付けを行い、この重みがある閾値を超えるもののみを利用する。この重みを利用することで、テンプレートによる抽出は、抽出精度の高い文に対してのみ行うことができる。これは、テンプレートマッチでの誤った抽出の減少、および処理時間の短縮に繋がる。また、予めテンプレートによる抽出を行うことで、係り受け解析の負担を軽減し、全体の抽出精度の向上を図ることができる。抽出が出来ていなければ、係り受け抽出部30が係り受け解析による抽出を行う(S400)。係り受け抽出処理についても後述する。また、入力された記事については、予め索引番号、見出し、本文にあたる部分にそれぞれ対応するタグがつけられているのでダグパターンマッチング部40がタグのパターンマッチングを行う(S500)。そして、記事分割部50が記事を見出しと本文に分割する(S600)。見出しの形態素解析部60が、見出しの形態素解析を行い文節に区切る(S700)。見出しの助詞除去部70が各文節から助詞を取り除く(S800)。見出し特徴情報マッチング部80がテンプレート及び係り受けを利用して抽出された主要な製品情報と見出しの文節とのマッチングを行う(S900)。見出し特徴情報抽出部90が主要な製品情報以外の情報を示す文節を見出しの特徴情報として抽出する(S1000)。分割された本文は、本文の形態素解析部100が本文の形態素解析を行い文節に区切る(S1100)本文の助詞除去部110が助詞の除去をする(S1200)。本文特徴情報マッチング部120が各文節と見出しの特徴情報とのマッチングを行う(S1300)。本文特徴情報抽出部130が本文から見出しの特徴情報を示す文節を抽出する(S1400)。なお、見出しの特徴情報の同義語にあたる語句を抽出するため、同義語辞書を参照することができる。入力された記事の本文について本文の係り受け解析部140が本文の構文解析を行い、本文より抽出した文節の係り受け関係を調べる(S1500)。補足説明の抽出部150が抽出した文節を修飾する語句があれば,それを特徴情報の補足情報として抽出する(S1600)。売り情報の出力160が売り情報の出力を行う(S1700)。ここで、売り情報は、まとめて出力することも、見出しの特徴情報、本文の特徴情報、補足説明情報と必要に応じて個別に出力することもできる。
ここで、テンプレート抽出処理について、詳細を説明する。
図9は、本発明の実施形態に係る情報抽出装置におけるテンプレート抽出のブロック構成図である。テンプレート抽出部20は、記事句点分割部210、Aテンプレートマッチング部220、Aテンテンプレート抽出部230、制約チェック部240、テンプレートID記憶部250、Bテンプレートマッチング部260、Bテンプレート抽出部270、テンプレート対応・割付部280を含む。記事句点分割部210は、入力された記事を、句点ごとに分割する。Aテンプレートマッチング部220は、記事の1行目に対応するテンプレートによるマッチングを行う。Aテンテンプレート抽出部230は、1行目に対応するテンプレートによるマッチングの抽出を行う。制約チェック部240は、抽出項目ごとに制約チェックを行う。なお、抽出項目に対する制約には抽出項目に依存する制約と抽出項目に依存しない制約がある。抽出項目に依存する制約とは、例えば「製品種別」、「販売元」、「価格」、「販売日」などを含む。具体的には、「製品種別」に関するテンプレートからの抽出文に対して、例えば、「丸括弧に含まれる文字列の除去」、単語の区切りが間違っている解候補の除去」、「解候補の品詞並びから品詞が「名刺」、「接頭辞」など以外の品詞が含まれていたら除去」などである。抽出項目に依存しない制約とは、抽出項目の性質とは関係なく、明らかに意味のない句を排除する。例えば、「括弧の対応がついているか」、「読点から始まっているか」、「例えば「ゃ」や「ぁ」などの禁則開始文字で始まっているか」などである。テンプレートID記憶部250は、抽出されたテンプレートのIDを記憶する。Bテンプレートマッチング部260は2行目以降に対応するテンプレートによるマッチングを行う。Bテンプレート抽出部270は、2行目以降に対応するプレートによるマッチングの抽出を行う。テンプレート製品対応部280は、抽出解における対応を行う。抽出解における対応は、抽出項目の出現パターンに応じて、予め設定された抽出項目間の関係に基づいて行われる。例えば、「製品名」または「製品の細分類」が複数出現し、「価格」、「発売日」が単数で出現する場合に複数の項目が単数の項目に対応する。具体的には、ビール、ジュース等の複数の製品が110円で8月13日に販売されるなどである。また、「価格」、「販売日」が複数で出現する場合は、複数の項目同士が対応する場合などもある。さらに、項目間において「製品名」が単数で「製品の細分類」が複数である場合では、「製品名」がすべての「製品の細分類」に対応するなど、項目間に上位と下位の関係があることから、その間に対応関係があると予め設定して、対応付けを行う。
{販売元1}−{製品種別1}−{製品名1}−{発売日1}
{販売元1}−{製品種別1}−{製品名2}−{発売日1}
このようにして、定義したテンプレートを、学習データより大量に作成し、実験データの入力とマッチングさせて抽出を行う。なお、テンプレート集合は予め「テンプレート作成用データの1文目から作成されたテンプレート集合」(Aプレートとする)と「2文目以降から作成されたテンプレート集合」(Bプレートとする)に分類する。
係り受け解析による抽出について以下に説明する。図12は、本発明の実施形態に係る情報抽出装置における係り受け解析による抽出のブロック構成図である。係り受け解析抽出部30は、係り受けタグパターンマッチング部310、係り受けタグ分割部320、見出し分析部330、見出し処理部340、本文句点分割部350、括弧内数値判定部360、文節情報作成部370、固定パターン判定部380、固定パターン係り受け作成部390、係り受け抽出部400、抽出解作成部410、係り受け対応・割付部420を含む。なお、構文解析には前述した日本語構文解析システムKNPを用いることができる。係り受けタグパターンマッチング部310は、記事にタグを付け、タグのパターンマッチングを行う。係り受けタグ分割部320は、タグのパターンマッチの結果に従い、見出しと本文、記事終了に判定、分割する。見出し分析部330は、見出しに含まれる特殊記号を分析する。見出し処理部340は、特殊記号の後ろにある語句を「販売元」として利用する。本文句点分割部350は、分割された本文を、句点で分割する。括弧内数値判定部360は、括弧内の数値があるか否かを判定する。文節情報作成部370は、括弧内数値がある場合に、構文解析により文節情報を作成する。ここで、構文解析には前述した構文解析システムKNPを用いることができる。固定パターン判定部380は、括弧内数値がない場合に、固定パターンがあるか否かを判定する。固定パターン係り受け作成部390は、文節情報と固定パターンから固定パターン係り受けを作成する。係り受け抽出部400は、係り受け関係を抽出する。抽出解作成部410は、重複要素等の削除を行い、抽出解を作成する。係り受け対応・割付部420は、抽出解における製品との対応や割付を行う。
ここで、抽出情報の係り受けを調べるために、学習データの分析より、抽出情報を受ける文節、「固定パターン」とその固定パターンに係る抽出情報の「格形式」を定義する。
固定パターンが、「変更」、「強化」、「強調」については、抽出情報とみなす格形式が、“ヲ格<−ノ格”:knsとする。固定パターンが、「採用」、「導入」について、“ヲ格<−ニ格”:knsとする。固定パターンが、「追加」、「設定」、「加え」について、“ニ格,ヲ格”:knsとする。固定パターンが、「搭載」、「装備」について、“体言でノ格,用言でニ格”:knsとする。
ここで、解候補の抽出ルールについて、以下に説明する。図13の固定パターンと格形式を用いて固定パターンに係る文節から解候補を選別し、個々の項目によって詳細ルールを定める。このルールにより係り受けで得た解候補集合に新たな解候補を追加したり、解候補集合から不必要な解候補の削除したりする作業を行い、抽出結果を作成する。
販売元を含む文節の格形式は主に「未格,ガ格」であり、以下の条件を満たすものを販売元の解候補とする。(1)第1文目,能動態述語文節に“未格” または“ガ格”で係る文節。(2)第1文目、受動態の述語文節に“カラ格”で係る文節。ただし、複数販売元が共同で製品を開発している場合は、特に、(3)(1)及び(2)で販売元解候補と名詞並列の文節。(4)“共同”を含む文節に“ト格”で係る文節という条件が追加される。
発売日を含む文節の格形式は主に「カラ格,ニ格,無格,隣接」であり、以下の条件を満たすものを発売日の解候補とする。(1)製品の発売を表現する第1文目、能動態の述語文節に“カラ格、ニ格、無格、隣接”のいずれかで係る文節。(2)製品の発売を表現する第1文目、受動態の述語文節に“ニ格、無格、隣接”で係る文節。(3)(1)及び(2)から発売日解候補が得られない場合、それ以降の文で“発売”に(1)の格形式で係る。または、日付表記の文末。ただし、複数製品が異なる発売日に発売される場合は、特に、(4)(1)の条件を満たす文節が述語並列になっている場合、並列範囲内の日付表現の文節。(5)2文目以降の“発売”に(1)の格形式で係る、または、日付表記の文末という条件が追加される。(1)〜(5)で用いている「日付表記」とは、“数値+「月」数値+「日」” や“「上旬」、「中旬」、「下旬」”などの日付表記パターンで、これらをまとめた正規表現を作成している。
「販売元」、「発売日」は固定パターンとの係り受けで抽出可能であるが、「製品種別・製品名・細分類」は、固定パターンから抽出できる解候補とその解候補周辺の係り受けで解候補を得る。解候補がそろった段階で項目に割り当てるため、ここでは3項目を一括して条件をまとめる。ここで、第1文目の固定パターンからの解候補は、(1)“発売”に類する固定パターンに“ヲ格”で係る文節。(2)“追加、設定”に類する固定パターンに“ヲ格、ニ格”で係る文節。(3)“採用、導入、強化、強調”に“ニ格”で係る文節。(4)“装備、搭載、刊行”に類する固定パターンに体言文節は“ノ格”,用言文節は“ニ格”で係る(1)〜(4)で抽出した解候補について、(5)解候補が鈎括弧を含む場合、解候補に係る文節の格形式が“同格連体”または“ノ格”であれば解候補に追加する。(6)解候補が「○機種」など製品数を表す場合は、その候補を削除し、製品数に係る文節を解候補に追加する。また、2文目以降の固定パターンからの解候補は、(7)製品数を表す文末に“ノ格, 同格未格”で係る文節。(8)「別売」を表す文節が“ノ格”であった場合、これを受ける文節。(9)「別売」を表す文節が“デ格”であった場合、これに係る文節。(10)文頭が「発売」を表す文節の場合、それを受ける文節。(11)文末が「発売」を表す固定パターンであった場合、“未格(助詞:モ)”で係る文節。さらに、価格表記を含む文節からの解候補は、(12)括弧なしの価格表記の場合、“未格、ガ格、デ格、隣接”で係る文節。(13)括弧ありの価格表記の場合、“同格連体、連体”係る文節。それぞれ解候補は名詞並列であった場合は、解候補と同等の文節も解候補とする。
「価格」は他の5項目の抽出法と異なり、表記パターンによるパターンマッチで抽出を行う。しかし、価格表記であっても、他の製品と比較した差額や、売上目標を表すものがある。そのため、パターンマッチを行った後それらのパターンをまとめて制約をかけ、解候補とする。なお、解候補とみなさない価格表記の制約を以下に示す。(1)価格表記直前に以下の表現を含むものは解候補としない。例えば、「売上高」、「売上目標」、「コスト」、「年間」、「電気代」、「ガス代」、「資金」などである。(2)価格表記直後に以下の表現を含むものは解候補としない。例えば、「割安」、「下回」、「切る」、「安く」、「低価格」、「下げる」、「値下げ」、「引き下げ」、「値引き」、「安い」、「低い」、「抑える」、「とどめる」、「価格削減」、「割増」、「アップ」、「高い」、「値上げ」、「市場規模」、「売り上げ」、「費用」、「電気代」、「ガス代」、「資金」、「売上高」、「年間売上」などである。
図16は、本発明の実施形態に係る情報抽出装置における補足説明となる語句を含めて抽出された記事の説明図である。
見出し情報は、「[ビジネス情報]省エネタイプの自動販売機を開発−−サンデン」である。本文情報は、「サンデンは15日、料金の安い深夜電力だけを利用して運転コストを従来機の30%に抑えた省エネタイプの自動販売機を開発したと発表した。深夜の間に缶入り飲料水を加熱・冷却、昼間は電気を使わずに飲み物の温度を適温に維持する仕組み。外部から熱が入るのを防ぐため断熱材を従来の30ミリから50ミリに厚くしたほか、商品を補充する時の庫内の温度変化を防ぐため、専用の扉を作る工夫をした。大きさは高さ194センチ、幅118センチ、奥行き86センチで、520本を収納できる」である。
2 CPU
3 メインメモリ
4 HDD
5 ビデオカード
6 マウス
7 キーボード
8 光学ディスク
10 記事入力部
20 テンプレート抽出部
30 係り受け抽出部
40 ダグパターンマッチング部
50 記事分割部
60 見出しの形態素解析部
70 見出しの助詞除去部
80 見出し特徴情報マッチング部
90 見出し特徴情報抽出部
100 本文の形態素解析部
110 本文の助詞除去部
120 本文特徴情報マッチング部
130 本文特徴情報抽出部
140 本文の係り受け解析部
150 補足説明の抽出部
160 売り情報の出力
210 記事句点分割部
220 Aテンプレートマッチング部
230 Aテンテンプレート抽出部
240 制約チェック部
250 テンプレートID記憶部
260 Bテンプレートマッチング部
270 Bテンプレート抽出部
280 テンプレート製品対応部
310 係り受けタグパターンマッチング部
320 係り受けタグ分割部
330 見出し分析部
340 見出し処理部
350 本文句点分割部
360 括弧内数値判定部
370 文節情報作成部
380 固定パターン判定部
390 固定パターン係り受け作成部
400 係り受け抽出部
410 抽出解作成部
420 係り受け対応・割付部
Claims (8)
- 記事入力手段と、
入力された記事情報についてテンプレートを利用して主要な製品情報を抽出するテンプレート抽出手段と、
入力された記事情報について付与されたタグに基づいてパターンマッチングを行うダグパターンマッチング手段と、
前記パターンマッチング結果に基づいて記事を見出しと本文に分割する記事分割手段と、
分割された記事の見出しを形態素解析する見出しの形態素解析手段と、
形態素解析された見出しの文節から助詞を除去する見出し助詞除去手段と、
前記テンプレートにより抽出された主要な製品情報と形態素解析後に助詞を除去された見出しの文節とをマッチングする見出し特徴情報マッチング手段と、
前記主要な製品情報以外の情報を示す文節を見出しの特徴情報として抽出する見出し特徴情報抽出手段と、
分割された記事の本文を形態素解析する本文の形態素解析手段と、
形態素解析された本文の文節から助詞を除去する本文助詞除去手段と、
見出し特徴情報と形態素解析後に助詞を除去された本文の文節とをマッチングする本文特徴情報マッチング手段と、
前記マッチングされた本文の特徴情報を抽出する本文特徴情報抽出手段と、
見出し特徴情報または本文特徴情報を売り情報として出力する売り情報の出力手段と
を含む情報抽出装置。 - 記事入力手段と、
入力された記事情報について係り受け解析を利用して主要な製品情報を抽出する係り受け抽出手段と、
入力された記事情報について付与されたタグに基づいてパターンマッチングを行うダグパターンマッチング手段と、
前記パターンマッチング結果に基づいて記事を見出しと本文に分割する記事分割手段と、
分割された記事の見出しを形態素解析する見出しの形態素解析手段と、
形態素解析された見出しの文節から助詞を除去する見出し助詞除去手段と、
前記係り受け解析により抽出された主要な製品情報と形態素解析後に助詞を除去された見出しの文節とをマッチングする見出し特徴情報マッチング手段と、
前記主要な製品情報以外の情報を示す文節を見出しの特徴情報として抽出する見出し特徴情報抽出手段と、
分割された記事の本文を形態素解析する本文の形態素解析手段と、
形態素解析された本文の文節から助詞を除去する本文助詞除去手段と、
見出し特徴情報と形態素解析後に助詞を除去された本文の文節とをマッチングする本文特徴情報マッチング手段と、
前記マッチングされた本文の特徴情報を抽出する本文特徴情報抽出手段と、
見出し特徴情報または本文特徴情報を売り情報として出力する売り情報の出力手段と
を含む情報抽出装置。 - 記事入力手段と、
抽出精度の重み付けの閾値が一定以上のテンプレートを利用して入力された記事情報から主要な製品情報を抽出するテンプレート抽出手段と、
前記テンプレートにより抽出されなかった記事情報について係り受け解析を利用して主要な製品情報を抽出する係り受け抽出手段と、
入力された記事情報について付与されたタグに基づいてパターンマッチングを行うダグパターンマッチング手段と、
前記パターンマッチング結果に基づいて記事を見出しと本文に分割する記事分割手段と、
分割された記事の見出しを形態素解析する見出しの形態素解析手段と、
形態素解析された見出しの文節から助詞を除去する見出し助詞除去手段と、
前記テンプレートまたは係り受け解析により抽出された主要な製品情報と形態素解析後に助詞を除去された見出しの文節とをマッチングする見出し特徴情報マッチング手段と、
前記主要な製品情報以外の情報を示す文節を見出しの特徴情報として抽出する見出し特徴情報抽出手段と、
分割された記事の本文を形態素解析する本文の形態素解析手段と、
形態素解析された本文の文節から助詞を除去する本文助詞除去手段と、
見出し特徴情報と形態素解析後に助詞を除去された本文の文節とをマッチングする本文特徴情報マッチング手段と、
前記マッチングされた本文の特徴情報を抽出する本文特徴情報抽出手段と、
見出し特徴情報または本文特徴情報を売り情報として出力する売り情報の出力手段と
を含む情報抽出装置。 - 前記形態素解析された本文の係り受け関係を調べる本文の係り受け関係解析手段と、
係り受け関係により修飾語句を補足説明情報として抽出する補足説明の抽出手段と、
補足説明情報を売り情報として出力する売り情報の出力手段と
を含む請求項1ないし請求項3のいずれかに記載された情報抽出装置。 - 前記テンプレート抽出手段は、
入力された記事を句点ごとに分割する記事句点分割手段と、
記事の1行目に対応するAテンプレート集合とマッチングを行うAテンプレートマッチング手段と、
前記Aテンプレート集合によりマッチングされた製品の特徴情報を抽出するAテンプレート抽出手段と、
抽出された製品の特徴情報について抽出項目ごとに制約をチェックする制約チェック手段と、
情報を抽出することができたテンプレートのIDを記憶するテンプレートID記憶手段と、
記事の2行目以降に対応するBテンプレート集合とマッチングを行うBテンプレートマッチング手段と、
前記Bテンプレート集合によりマッチングされた製品の特徴情報を抽出するBテンプレート抽出手段と、
抽出された製品の特徴情報である抽出解と製品を対応付けるテンプレート製品対応手段と、
を含む請求項1、請求項3又は請求項4に記載された情報抽出装置。 - 前記係り受け解析抽出手段は、
入力された記事に付与されたタグに基づいてパターンマッチングを行う係り受けタグパターンマッチング手段と、
前記パターンマッチングの結果に基づいて記事を見出しと本文に分割する係り受けタグ分割手段と、
分割された見出しに含まれる特殊記号を分析する見出し分析手段と、
前記見出しに含まれる特殊記号の後方の語句を「販売元」情報として処理する見出し処理手段と、
分割された本文を句点ごとに分割する本文句点分割手段と、
前記本文中に括弧内数値が存在するか否かを判定する括弧内数値判定手段と、
括弧内数値が存在すると判断した場合に、構文解析により文節情報を作成する文節情報作成手段と、
括弧内数値が存在しないと判断した場合に、固定パターンが存在するか否かを判断する固定パターン判定手段と、
固定パターンが存在すると判断した場合に、固定パターンと文節情報から得られる固定パターンの係り受け情報を利用して固定パターンに係る文節情報集合を作成する固定パターン係り受け作成手段と、
前記作成された固定パターンに係る文節情報集合から固定パターン及び各形式について定めた条件に従って文節情報を抽出する係り受け抽出手段と、
抽出された文節情報から不要な情報を削除して抽出解を作成する抽出解作成手段と、
抽出解から製品に対する対応や割り当てを行う係り受け対応・割付手段と
を含む請求項2ないし請求項4のいずれかに記載された情報抽出装置。 - 記事入力手段と、
入力された記事情報についてテンプレートを利用して主要な製品情報を抽出するテンプレート抽出ステップと、
前記テンプレートにより抽出されなかった記事情報について係り受け解析を利用して主要な製品情報を抽出する係り受け抽出ステップと、
入力された記事情報について付与されたタグに基づいてパターンマッチングを行うダグパターンマッチングステップと、
前記パターンマッチング結果に基づいて記事を見出しと本文に分割する記事分割ステップと、
分割された記事の見出しを形態素解析する見出しの形態素解析ステップと、
形態素解析された見出しの文節から助詞を除去する見出し助詞除去ステップと、
前記テンプレートまたは係り受け解析により抽出された主要な製品情報と形態素解析後に助詞を除去された見出しの文節とをマッチングする見出し特徴情報マッチングステップと、
前記主要な製品情報以外の情報を示す文節を見出しの特徴情報として抽出する見出し特徴情報抽出ステップと、
分割された記事の本文を形態素解析する本文の形態素解析ステップと、
形態素解析された本文の文節から助詞を除去する本文助詞除去ステップと、
見出し特徴情報と形態素解析後に助詞を除去された本文の文節とをマッチングする本文特徴情報マッチングステップと、
前記マッチングされた本文の特徴情報を抽出する本文特徴情報抽出ステップと、
形態素解析された本文の係り受け関係を調べる本文の係り受け関係解析ステップと、
係り受け関係により修飾語句を補足説明情報として抽出する補足説明の抽出ステップと、
見出し特徴情報または本文特徴情報または補足説明情報を売り情報として出力する売り情報の出力ステップと
を含む情報抽出方法。 - 記事入力手順と、
入力された記事情報についてテンプレートを利用して主要な製品情報を抽出するテンプレート抽出手順と、
前記テンプレートにより抽出されなかった記事情報について係り受け解析を利用して主要な製品情報を抽出する係り受け抽出手順と、
入力された記事情報について付与されたタグに基づいてパターンマッチングを行うダグパターンマッチング手順と、
前記パターンマッチング結果に基づいて記事を見出しと本文に分割する記事分割手順と、
分割された記事の見出しを形態素解析する見出しの形態素解析手順と、
形態素解析された見出しの文節から助詞を除去する見出し助詞除去手順と、
前記テンプレートまたは係り受け解析により抽出された主要な製品情報と形態素解析後に助詞を除去された見出しの文節とをマッチングする見出し特徴情報マッチング手順と、
前記主要な製品情報以外の情報を示す文節として見出しの特徴情報を抽出する見出し特徴情報抽出手順と、
分割された記事の本文を形態素解析する本文の形態素解析手順と、
形態素解析された本文の文節から助詞を除去する本文助詞除去手順と、
見出し特徴情報と形態素解析後に助詞を除去された本文の文節とをマッチングする本文特徴情報マッチング手順と、
前記マッチングされた本文の特徴情報を抽出する本文特徴情報抽出手順と、
形態素解析された本文の係り受け関係を調べる本文の係り受け関係解析手順と、
係り受け関係により修飾語句を補足説明情報として抽出する補足説明の抽出手順と、
見出し特徴情報または本文特徴情報または補足説明情報を売り情報として出力する売り情報の出力手順
としてコンピュータを機能させる情報抽出プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007094339A JP4934819B2 (ja) | 2007-03-30 | 2007-03-30 | 情報抽出装置、その方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007094339A JP4934819B2 (ja) | 2007-03-30 | 2007-03-30 | 情報抽出装置、その方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008250887A true JP2008250887A (ja) | 2008-10-16 |
JP4934819B2 JP4934819B2 (ja) | 2012-05-23 |
Family
ID=39975713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007094339A Active JP4934819B2 (ja) | 2007-03-30 | 2007-03-30 | 情報抽出装置、その方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4934819B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013120547A (ja) * | 2011-12-08 | 2013-06-17 | Nomura Research Institute Ltd | 談話要約テンプレート作成システムおよび談話要約テンプレート作成プログラム |
JP2019016181A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社野村総合研究所 | テキスト要約システム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03135669A (ja) * | 1989-06-29 | 1991-06-10 | Tokyo Electric Power Co Inc:The | キーワード自動抽出システム |
JP2000067080A (ja) * | 1998-08-18 | 2000-03-03 | Ricoh Co Ltd | 文書情報抽出方法および文書情報抽出方法をコンピュータに実行させるプログラムを記録した機械読み取り可能な記録媒体 |
JP2002334091A (ja) * | 2001-05-10 | 2002-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 知識獲得方法、装置、プログラム、および同プログラムを記録した記録媒体 |
JP2003099429A (ja) * | 2001-09-21 | 2003-04-04 | Nippon Hoso Kyokai <Nhk> | 用語集生成装置及び用語集生成プログラム並びに用語集検索装置 |
-
2007
- 2007-03-30 JP JP2007094339A patent/JP4934819B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03135669A (ja) * | 1989-06-29 | 1991-06-10 | Tokyo Electric Power Co Inc:The | キーワード自動抽出システム |
JP2000067080A (ja) * | 1998-08-18 | 2000-03-03 | Ricoh Co Ltd | 文書情報抽出方法および文書情報抽出方法をコンピュータに実行させるプログラムを記録した機械読み取り可能な記録媒体 |
JP2002334091A (ja) * | 2001-05-10 | 2002-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 知識獲得方法、装置、プログラム、および同プログラムを記録した記録媒体 |
JP2003099429A (ja) * | 2001-09-21 | 2003-04-04 | Nippon Hoso Kyokai <Nhk> | 用語集生成装置及び用語集生成プログラム並びに用語集検索装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013120547A (ja) * | 2011-12-08 | 2013-06-17 | Nomura Research Institute Ltd | 談話要約テンプレート作成システムおよび談話要約テンプレート作成プログラム |
JP2019016181A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社野村総合研究所 | テキスト要約システム |
JP2021180003A (ja) * | 2017-07-07 | 2021-11-18 | 株式会社野村総合研究所 | 学習データ生成方法および装置 |
JP7100747B2 (ja) | 2017-07-07 | 2022-07-13 | 株式会社野村総合研究所 | 学習データ生成方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
JP4934819B2 (ja) | 2012-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garcia et al. | Function words in authorship attribution studies | |
US10127225B2 (en) | Automatic semantic rating and abstraction of literature | |
Shaalan et al. | NERA: Named entity recognition for Arabic | |
US8886661B2 (en) | Information extraction system, information extraction method, information extraction program, and information service system | |
JP4347226B2 (ja) | 情報抽出プログラムおよびその記録媒体、情報抽出装置ならびに情報抽出規則作成方法 | |
US20090327115A1 (en) | Financial event and relationship extraction | |
JP5587821B2 (ja) | 文書トピック抽出装置及び方法及びプログラム | |
US7398196B1 (en) | Method and apparatus for summarizing multiple documents using a subsumption model | |
Brooke et al. | Measuring Interlanguage: Native Language Identification with L1-influence Metrics. | |
US8577887B2 (en) | Content grouping systems and methods | |
CN108319583B (zh) | 从中文语料库提取知识的方法与系统 | |
CN110609998A (zh) | 一种电子文档信息的数据提取方法、电子设备及存储介质 | |
JP5273735B2 (ja) | テキスト要約方法、その装置およびプログラム | |
JP4796664B1 (ja) | 感性分析システム及びプログラム | |
JP2005092883A (ja) | 中国語の単語分割 | |
WO2007105202A2 (en) | Automatic reusable definitions identification (rdi) method | |
Kilgarriff et al. | Efficient corpus development for lexicography: building the New Corpus for Ireland | |
Mosavi Miangah | FarsiSpell: A spell-checking system for Persian using a large monolingual corpus | |
JP2006190229A (ja) | 意見抽出用学習装置及び意見抽出用分類装置 | |
CN116308758B (zh) | 一种基于大数据的金融风险分析方法及系统 | |
JP4293145B2 (ja) | クチコミ情報判定方法及び装置及びプログラム | |
Siklósi | Using embedding models for lexical categorization in morphologically rich languages | |
CN113591476A (zh) | 一种基于机器学习的数据标签推荐方法 | |
JPWO2009048149A1 (ja) | 電子文書の同等判定システムおよび同等判定方法 | |
Bhatti et al. | Phonetic-based sindhi spellchecker system using a hybrid model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090925 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20111014 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20111101 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111130 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120124 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |