JP2009003717A - ふり仮名収集利用装置及びふり仮名収集利用方法 - Google Patents

Abstract

【課題】既存のＷｅｂページ上で実際に使用されているふり仮名を自動的に収集し、使用目的に応じて再利用する方法を提供すること。
【解決手段】ふり仮名収集利用装置１は、Ｗｅｂページ２０〜２４の内容から、漢字で構成される語句とふり仮名との組み合わせを取得するふり仮名データ取得手段４と、前記ふり仮名データ取得手段４により取得された前記組み合わせを出現回数とともに記録するふり仮名データ記録手段５と、前記ふり仮名データ記録手段５により記録された前記組み合わせを前記出現回数に基づいて抽出するふり仮名データ抽出手段６と、を備える。
【選択図】図１

Description

本発明は、ふり仮名収集利用装置及びふり仮名収集利用方法に関する。

従来より、辞書を利用して漢字にふり仮名を付ける技術が提案されている（例えば、特許文献１）。また、例えば、特許文献２では、複数の漢字習得レベルの漢字辞書を用意し、他国語の日本語翻訳に対して、漢字の習得レベルに応じた日本語文章に変換し、若年層でも容易に読めるようにする技術が開示されている。しかし、いずれも辞書は予め準備しなければならず、辞書の登録データを自動的に収集する技術は開示されていない。
特開平１０−９１６２７号公報 特開２００４−５４７８４号公報

多くの漢字や熟語に対応したふり仮名を網羅する辞書を用意するのは大変手間がかかることである。また、語句の読み方については新しいものが使われ始めることがあり、これらをすばやく集めることは困難であった。一方、インターネット等を通じ、現実に多くの語句の読み方が使用されており、これらの中から精度の高い読み方（ふり仮名）情報を収集する技術が求められている。

そこで、本発明は、既存のＷｅｂページ上で実際に使用されているふり仮名を自動的に収集し、使用目的に応じて再利用する方法を提供することを目的とする。

本発明者は、既存のＷｅｂページから収集したふり仮名をデータベースに蓄積し、その出現頻度に応じて精度の高いふり仮名、間違ったふり仮名等を判定し、使用目的に応じて再利用する装置及び方法を見出し、本発明を完成するに至った。
本発明は、具体的には次のようなものを提供する。

（１）Ｗｅｂページの内容から、漢字で構成される語句とふり仮名との組み合わせを取得するふり仮名データ取得手段と、
前記ふり仮名データ取得手段により取得された前記組み合わせを出現回数とともに記録するふり仮名データ記録手段と、
前記ふり仮名データ記録手段により記録された前記組み合わせを前記出現回数に基づいて抽出するふり仮名データ抽出手段と、
を備えるふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、漢字で構成される語句とふり仮名との組み合わせをＷｅｂページ上から自動的に収集し、出現回数に応じて再利用するので、人手をかけて辞書等を作成する必要がなく、かつ一般に広く使われているふり仮名を再利用することができる。

（２）インターネットを通じて、複数のＷｅｂページの内容を取得するＷｅｂページ取得手段を備える（１）に記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、複数のＷｅｂページの内容を取得するので、多くのＷｅｂページから漢字で構成される語句とふり仮名との組み合わせを自動的に収集し、出現回数に応じて再利用するので、人手をかけて辞書等を作成する必要がなく、かつ一般に広く使われているふり仮名を再利用することができる。

（３）前記Ｗｅｂページ取得手段は、前記内容を取得すべきＷｅｂページの最終更新日時がすでに取得したＷｅｂページの最終更新日時と一致する場合は、該Ｗｅｂページの内容を取得しないことを特徴とする（２）に記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、同一のＷｅｂページの内容を重複して取得しないので効率良くＷｅｂページの内容取得を行うことができる。

（４）前記ふり仮名データ取得手段は、前記Ｗｅｂページに表示されるルビから前記組み合わせを取得することを特徴とする（１）から（３）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、ルビから自動的に語句とふり仮名との組み合わせを取得するので、ＨＴＭＬ（ｈｙｐｅｒｔｅｘｔ ｍａｒｋｕｐ ｌａｎｇｕａｇｅ）等のページ記述言語のルビタグ等を見ることで容易に語句とふり仮名との組み合わせを取得することができる。

（５）前記ふり仮名データ取得手段は、前記Ｗｅｂページに表示される文字列中にある括弧内の文字がすべてひらがなであり、括弧直前の文字が漢字である場合に、括弧内の文字が括弧直前の１又は２以上の連続する漢字の語句のふり仮名とみなして前記組み合わせを取得することを特徴とする（１）から（４）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、Ｗｅｂページに表示される文字列中にある括弧内の文字がすべてひらがなであり、括弧直前の文字が漢字である場合に、括弧内の文字が括弧直前の連続する漢字の語句のふり仮名とみなして語句とふり仮名との組み合わせを取得するので、括弧をつけて付されたふり仮名を自動的に取得することができる。

（６）前記ふり仮名データ取得手段は、前記Ｗｅｂページに表示される文字列中にある括弧内の文字がすべてカタカナであり、括弧直前の文字が漢字である場合に、括弧内の文字が括弧直前の１又は２以上の連続する漢字の語句のふり仮名とみなして前記組み合わせを取得することを特徴とする（１）から（５）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、Ｗｅｂページに表示される文字列中にある括弧内の文字がすべてカタカナであり、括弧直前の文字が漢字である場合に、括弧内の文字が括弧直前の連続する漢字の語句のふり仮名とみなして語句とふり仮名との組み合わせを取得するので、（５）と同様の効果が期待できる。

（７）前記出現回数は、前記組み合わせが取得されたＷｅｂページの数であることを特徴とする（１）から（６）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、同一のＷｅｂページの内容から重複して語句とふり仮名との組み合わせを収集しないので、間違ったふり仮名が同一のＷｅｂページに複数回使用されている場合にも、その影響を少なくするようにすることができる。

（８）前記出現回数は、前記組み合わせが、前記Ｗｅｂページ取得手段により取得したＷｅｂページに実際に出現された回数であることを特徴とする（１）から（６）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、Ｗｅｂページに実際に出現した回数をカウントして語句とふり仮名との組み合わせを取得するので、例えば、ブログのように同一のＷｅｂページに複数人が文章を記載する場合に、使用者数を反映した収集を行うことができる。

（９）前記ふり仮名データ抽出手段は、前記ふり仮名データ記録手段により記録された前記組み合わせについて、同一の語句に対するふり仮名の中で前記出現回数が最も多いものを抽出することを特徴とする（１）から（８）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、同一の語句に対し、世の中で最も広く使われている精度の高いふり仮名を取得することができる。

（１０）前記ふり仮名データ抽出手段は、前記ふり仮名データ記録手段により記録された前記組み合わせについて、同一のふり仮名に対する語句の中で前記出現回数が最も多いものを抽出することを特徴とする（１）から（８）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、同一のふり仮名に対し、世の中で最も広く使われている語句を取得することができる。

（１１）前記ふり仮名データ抽出手段は、前記ふり仮名データ記録手段により記録された前記組み合わせについて、前記出現回数が所定の数より少ないものを間違いデータとして抽出することを特徴とする（１）から（８）のいずれかに記載のふり仮名収集利用装置。

この発明によれば、ふり仮名収集利用装置が、出現回数が所定の数より少ない語句とふり仮名との組み合わせを取得することができるので、例えば、ふり仮名の間違い例を示すことができる。

（１２）コンピュータを用いて、ふり仮名に係る情報を集めるふり仮名収集利用方法であって、
インターネットを通じて、複数のＷｅｂページの内容を取得するステップと、
前記Ｗｅｂページの内容から、漢字で構成される語句とふり仮名との組み合わせを取得するステップと、
取得された前記組み合わせを出現回数とともに記録するステップと、
記録された前記組み合わせを前記出現回数に応じて抽出するステップと、
を含むことを特徴とするふり仮名収集利用方法。

この発明によれば、コンピュータを用いて、当該方法を実行することにより、（２）と同様の効果が期待できる。

この発明によれば、ふり仮名収集利用装置が、漢字で構成される語句とふり仮名との組み合わせをＷｅｂページ上から自動的に収集し、出現回数に応じて再利用するので、人手をかけて辞書等を作成する必要がなく、かつ一般に広く使われているふり仮名を再利用することができる。
また、この発明によれば、ふり仮名収集利用装置が、出現回数に応じて語句とふり仮名との組み合わせを再利用することができるので、漢字の難易度や正誤等を考慮した使用目的に合わせてふり仮名の再利用を行うことができる。

以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。
（第１の実施形態）

［全体図］
図１は、ふり仮名収集利用装置１と、ふり仮名収集利用装置１がインターネット１０を通じてふり仮名データを収集するＷｅｂページ２０〜２４との関係を示した全体図である。ふり仮名収集利用装置１は、ふり仮名データを収集するためにＷｅｂページを取得するＷｅｂページ取得手段３と、Ｗｅｂページ取得手段３によって取得されたＷｅｂページからふり仮名データを取得するふり仮名データ取得手段４と、ふり仮名データ取得手段４によって取得されたふり仮名データを記録するふり仮名データ記録手段５と、ふり仮名データ記録手段５に記録されたふり仮名データを使用目的に応じて抽出するふり仮名データ抽出手段６と、これらの各手段を制御するとともに、インターネット１０を通じてＷｅｂページ２０〜２４にアクセスするための通信制御を行う制御手段２とを備える。
なお、ふり仮名データとは、語句とふり仮名との組み合わせを意味するものであり、同一の語句に異なるふり仮名が付されたものや、異なる語句に同一のふり仮名データが付されたものは別のふり仮名データである。

［ふり仮名収集利用装置１のハードウェア構成］
図２は、本実施形態に係るふり仮名収集利用装置１のハードウェア構成を示す図である。
ふり仮名収集利用装置１は、制御装置４０を構成するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）４１（マルチプロセッサ構成ではＣＰＵ４２等複数のＣＰＵが追加されてもよい）、バスライン３０、通信Ｉ／Ｆ（Ｉ／Ｆ：インターフェイス）４３、メインメモリ４４、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）４５、表示装置４６、Ｉ／Ｏコントローラ４７、並びにキーボード及びマウス等の入力装置４８を備える。

通信Ｉ／Ｆ４３は、ふり仮名収集利用装置１が、インターネット１０を介してＷｅｂページ２０〜２４が保有されているサーバ等（図示せず）にアクセスするためのネットワーク・アダプタである。通信Ｉ／Ｆ４３は、モデム、ケーブル・モデム及びイーサネット（登録商標）・アダプタを含んでよい。
ＢＩＯＳ４５は、ふり仮名収集利用装置１の起動時にＣＰＵ４１が実行するブートプログラムや、ふり仮名収集利用装置１のハードウェアに依存するプログラム等を記録する。

表示装置４６は、ふり仮名収集利用装置１による演算処理結果等の画面を表示するものであり、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。
Ｉ／Ｏコントローラ４７には、ハードディスク４９、及び半導体メモリ５０等の記憶装置５１を接続することができる。
入力装置４８は、ふり仮名収集利用装置１の管理者による入力の受け付けを行うものである。
ハードディスク４９は、ふり仮名収集利用装置１として機能するための各種プログラム、本発明の機能を実行するプログラム及び後述するテーブルを記憶する。

以上の例は、ふり仮名収集利用装置１のハードウェア構成について主に説明したが、コンピュータに、プログラムをインストールして、そのコンピュータをふり仮名収集利用装置１として動作させることにより上記で説明した機能を実現することもできる。したがって、本発明において一実施形態として説明したふり仮名収集利用装置１により実現される機能は、上述の方法を当該コンピュータにより実行することにより、あるいは、上述のプログラムを当該コンピュータに導入して実行することによっても実現可能である。

なお、本発明でいうコンピュータとは、記憶装置、制御装置等を備えた情報処理装置をいい、ふり仮名収集利用装置１は、記憶装置５１、制御装置４０等を備えた情報処理装置により構成され、この情報処理装置は、本発明のコンピュータの概念に含まれる。ここで、図１に示した、制御手段２、Ｗｅｂページ取得手段３、ふり仮名データ取得手段４及びふり仮名データ抽出手段６には主として制御装置４０が、ふり仮名データ記録手段５には記憶装置５１が、それぞれ対応する。

［テーブル］
図３は、本実施形態に係るＵＲＬ更新日時テーブルを示す図である。取得したＷｅｂページのＵＲＬアドレス１００とそのＷｅｂページの最終更新日時１０１を保有する。ＵＲＬ更新日時テーブルは、Ｗｅｂページを取得したとき、そのＷｅｂページを保有しているサーバ等からそのＷｅｂページのファイルの最終更新日時を取得して、ＵＲＬアドレス１００とともに記録しておくものである。こうすれば、再度同一ＵＲＬのＷｅｂページにアクセスしたとき、そのＷｅｂページを保有しているサーバ上に記録された最終更新日時が、ＵＲＬ更新日時テーブルに記録された最終更新日時１０１と一致する場合は、そのＷｅｂページについては前回取得時から内容が変わっていないことがわかるので、新たなふり仮名データの取得を省略することができる。

図４は、本実施形態に係る更新予備テーブルを示す図である。更新予備テーブルは、同一のＷｅｂページ内に同じ語句とふり仮名の組み合わせが複数回出てくる場合に、出現回数を重複してカウントしないようにするために用いる作業用のテーブルである。使用方法については処理フローの説明の中で説明する。語句１１０とふり仮名１１１とから構成される。

図５は、本実施形態に係る語句ふり仮名テーブルを示す図である。語句ふり仮名テーブルは、Ｗｅｂページから取得した語句１２０とふり仮名１２１の組み合わせを記録しておくためのテーブルであり、出現回数１２２も併せて記録している。この出現回数１２２を見ることで、よく使われるふり仮名や、間違ったふり仮名等の判断が可能となる。

図６、図７は、使用目的に応じて、出現回数１２２に基づいて、語句ふり仮名テーブル（図５）から抽出した例を示している。具体的な利用方法については、後述する。

図８は、本実施形態に係る最頻ふり仮名テーブルを示す図である。最頻ふり仮名テーブルは、語句ふり仮名テーブル（図５）に登録された語句１２０とふり仮名１２１の組み合わせについて、同一の語句に対するふり仮名の中で前記出現回数が最も多いものをそれぞれ抽出したものである。最頻ふり仮名テーブルは、語句１３０、ふり仮名１３１及び出現回数１３２から構成される。

図９は、本実施形態に係る最頻語句テーブルを示す図である。最頻語句テーブルは、語句ふり仮名テーブル（図５）に登録された語句１２０とふり仮名１２１の組み合わせについて、同一のふり仮名に対する語句の中で前記出現回数が最も多いものをそれぞれ抽出したものである。最頻語句テーブルは、語句１４０、ふり仮名１４１及び出現回数１４２から構成される。

図１０は、本実施形態に係る間違い語句ふり仮名テーブルを示す図である。間違い語句ふり仮名テーブルは、語句ふり仮名テーブル（図５）に登録された語句１２０とふり仮名１２１の組み合わせについて、出現回数が一定回数以下のものを抽出したものである。間違い語句ふり仮名テーブルは、語句１５０、ふり仮名１５１及び出現回数１５２から構成される。

［処理フロー］
図１１に従って、ふり仮名収集利用装置１の処理フローについて説明する。特に断らない限り、以下の処理は、ふり仮名収集利用装置１の制御装置４０が行うものとする。
本実施形態では、ふり仮名収集利用装置１の制御装置４０が、予め定めた複数のＵＲＬアドレスに対して、所定のルールでインターネット１０を通じてアクセスし、対応するＷｅｂページ２０〜２４の内容を収集するクローリングといわれる処理が行われることを前提としている。
ふり仮名収集利用装置１の制御装置４０は、インターネット１０を通じてＵＲＬアドレスに基づきＷｅｂページ２０〜２４にアクセスし、当該Ｗｅｂページのファイルの最終更新日時を取得する（Ｓ１０００）。

次に、取得したＷｅｂページのＵＲＬアドレスがＵＲＬ更新日時テーブル（図３）に登録されているか否かを調べる（Ｓ１０１０）。もし登録されていなければ（Ｓ１０１０：Ｎｏ）、ＵＲＬアドレス１００と最終更新日時１０１をＵＲＬ更新日時テーブル（図３）に登録して（Ｓ１０２０）、Ｗｅｂページの内容を取得し（Ｓ１０５０）、ふり仮名取得の処理（Ｓ１０６０以降）に移る。登録されている場合は（Ｓ１０１０：Ｙｅｓ）、取得した当該Ｗｅｂページのファイルの最終更新日時とＵＲＬ更新日時テーブル（図３）に登録されている最終更新日時１０１とを比較し、両者が一致するか否かを調べる（Ｓ１０３０）。そして両者が一致する場合は（Ｓ１０３０：Ｙｅｓ）、そのＷｅｂページは前回取得したときと内容が変わっていないので何も処理を行わず、そのＷｅｂページの処理は終了する。一致しない場合は（Ｓ１０３０：Ｎｏ）、そのＷｅｂページは前回取得したときと内容が変わっているので、ＵＲＬ更新日時テーブル（図３）の最終更新日時１０１を更新して（Ｓ１０４０）、Ｗｅｂページの内容を取得し（Ｓ１０５０）、ふり仮名取得の処理（Ｓ１０６０以降）に移る。

次に、Ｗｅｂページの内容からふり仮名データを取得する（Ｓ１０６０）。ふり仮名データの取得には次の２つの方法で行う。１つはＷｅｂページの内容を記述するＨＴＭＬのルビタグを利用して取得する方法である。これは、ＨＴＭＬの言語仕様に従い、＜ｒｕｂｙ＞と＜／ｒｕｂｙ＞に囲まれる中にある＜ｒｂ＞の後にある語句と、＜ｒｔ＞の後にあるふり仮名とを対で取得するものである。

例えば、「＜ｒｕｂｙ＞＜ｒｂ＞七尾奈留＜ｒｔ＞ななをなる＜／ｒｙｂｙ＞」からは「語句：七尾奈留、ふり仮名：ななをなる」が取得される。また、「＜ｒｕｂｙ＞＜ｒｂ＞獣＜／ｒｂ＞＜ｒｐ＞（＜／ｒｐ＞＜ｒｔ＞けだもの＜／ｒｔ＞＜ｒｐ＞）＜／ｒｐ＞＜／ｒｙｂｙ＞」からは「語句：獣、ふり仮名：けだもの」が取得される。なお、ＨＴＭＬ以外の言語であってもルビの機能があるものはそのルビを抽出することで同様に処理することができる。

もう１つの方法は、表示されるテキスト中にある、括弧内の文字が全部ひらがなであって、括弧の直前の文字が漢字である場合に、その漢字と括弧内のひらがなを語句とふり仮名として取得するものである。この場合、漢字が複数個連続する場合は、これらをまとめて語句として取得する。例えば、「宥和（ゆうわ）」からは「語句：宥和、ふり仮名：ゆうわ」が取得される。しかし、例えば、「土方歳三（としぞう）」からは「語句：歳三、ふり仮名：としぞう」ではなく、「語句：土方歳三、ふり仮名：としぞう」が取得される。また、「徒然日記（のようなもの）」からは「語句：徒然日記、ふり仮名：のようなもの」が取得される。このようにふり仮名としては誤ったものが取得される可能性があるが、これについては後述の処理で対処する。漢字か否かは文字コードを見ることで判断できる。なお、ひらがなではなく、括弧内の文字が全部カタカナである場合も同様である。

このようにして取得したふり仮名データは、更新予備テーブル（図４）に登録されているか否かを調べ（Ｓ１０７０）、登録されていない場合には（Ｓ１０７０：Ｎｏ）、更新予備テーブル（図４）に登録する（Ｓ１０８０）。登録されている場合には（Ｓ１０７０：Ｙｅｓ）、更新予備テーブル（図４）に登録はしない。そして、同一ＵＲＬのＷｅｂページ内にまだふり仮名データがあるかどうかを調べる（Ｓ１０９０）。もしまだふり仮名データがあれば（Ｓ１０９０：Ｙｅｓ）、同様の仕方で、ふり仮名データを取得する（Ｓ１０６０）。このようにしてステップ１０６０からステップ１０９０までの処理を繰り返す。そして同一ＵＲＬのＷｅｂページ内にふり仮名データがなくなれば（Ｓ１０９０：Ｎｏ）、更新予備テーブル（図４）に基づいて、語句ふり仮名テーブル（図５）に登録する（Ｓ１１００〜Ｓ１１４０）。

次に、図１２に従って、語句ふり仮名テーブル（図５）への登録について説明する。まず、更新予備テーブル（図４）に登録された語句とふり仮名の組み合わせを読み出す（Ｓ１１００）。そして読み出した語句とふり仮名の組み合わせが、語句ふり仮名テーブル（図５）にすでに登録されているか否かを調べる（Ｓ１１１０）。もし登録があれば（Ｓ１１１０：Ｙｅｓ）、出現回数１２２に「１」を加算する（Ｓ１１２０）。もし登録がなければ（Ｓ１１１０：Ｎｏ）、その語句とふり仮名の組み合わせを語句ふり仮名テーブル（図５）に登録し、出現回数１２２に「１」をセットする（Ｓ１１３０）。この処理を更新予備テーブル（図４）に登録されたすべてのふり仮名データについて繰り返す（Ｓ１１４０）。

このようにすることで、多くのＷｅｂページで実際に使用されている語句とふり仮名との組み合わせが出現回数とともに自動的に収集されるので、仮にあるＷｅｂページで誤ったふり仮名が付されていても、出現回数をチェックすることで、多くの人に使われている精度の高いふり仮名を収集することができる。
また、この出現回数は、同一Ｗｅｂページに複数回現れた同一のふり仮名データについては１回としてカウントするので、例えば、ある人が同一のＷｅｂページ内で誤ったふり仮名データを繰り返し使用しても、最終的に語句ふり仮名テーブル（図５）に記録される出現回数は１回として取り扱われ、誤ったふり仮名が正しいふり仮名と認識される可能性が抑えられる。

［ふり仮名データの再利用］
ふり仮名１２１又は語句１２０をキーとして、語句ふり仮名テーブル（図５）を絞り込み、出現回数１２２の順に表示すると、Ｗｅｂページ上で使用されている頻度の順に当該ふり仮名１２１に対する語句１２０、又は当該語句１２０に対するふり仮名１２１が表示される。「あすか」というふり仮名１２１で語句ふり仮名テーブル（図５）の絞込みを行った例を図６、「明星」という語句１２０で語句ふり仮名テーブル（図５）の絞込みを行った例を図７に示した。こうすることにより使用目的に応じたふり仮名データを取得することができる。

例えば、通常の文章をＷｅｂページ上で表示する場合、例えば、「明星」という語句に対しては、出現回数の一番多い「みょうじょう」というふり仮名を付するようにすることができる。

また、出現回数が多いものほど、多くのＷｅｂページでふり仮名が付されて使用されていることを示しているので、一般にふり仮名を付さないと読むのが困難な語句であることが推定される。例えば、出現回数が１０００回以上であればその語句は一般的に読み方が難しいものであると決めればよい。また、それほど多くはないが、一定回数以上の出現回数のものは、ふり仮名が付けられたり付けられなかったりすることがあるものと考えられる。

例えば、最頻ふり仮名テーブル（図８）の例によれば、「蒲公英」、「倫敦」には１０００回以上Ｗｅｂページでふり仮名が付けられているので、一般的に大人であっても読みにくい語句であると考えることができる。また、「土筆」、「憂鬱」は、それぞれ８００回、３００回であるので、「蒲公英」、「倫敦」ほどではないにしてもやはり読みにくい語句であると一般的には考えられているとみなすことができる。したがって、Ｗｅｂページを作成するとき、そのＷｅｂページの想定される利用者が大人の場合は出現回数が１０００回以上のふり仮名データを利用し、想定される利用者が中学生や高校生の場合は、例えば、３００回以上のふり仮名データを利用する等の利用方法が考えられる。

また、最頻語句テーブル（図９）によれば、同一のふり仮名について最も出現回数の多い語句を知ることができる。
一方、「亜巣化」（あすか）については、出現回数が１回であるため、誤ったふり仮名が付されたものと推定されるので、一般的には利用されることはない。しかし、間違い語句ふり仮名テーブル（図１０）のような、出現回数が一定回数以下（例えば、１０回以下）のものを抽出したテーブルを作成し、例えば、「Ｗｅｂページで見つけた間違いふり仮名事例」というような形でＷｅｂページに表示して利用することもできる。

（第２の実施形態）
なお、第１の実施形態では、同一のＷｅｂページに同一のふり仮名データが複数回出現する場合は１回としてカウントしたが、特にこれに限定されるものではない。出現回数をそのままカウントし、語句ふり仮名テーブル（図５）の出現回数１２２に反映するようにしてもよい。

本実施形態では、図１〜３、図５は第１の実施形態と同様である。但し、更新予備テーブル（図４）は本実施形態では使用しない。

［処理フロー］
図１３に従って、ふり仮名収集利用装置１の処理フローについて説明する。特に断らない限り、以下の処理は、ふり仮名収集利用装置１を処理するコンピュータの制御装置４０が行うものとする。図１１及び図１２と同じ処理を行う部分は同じ番号を付している。

ステップ１０００〜１０６０は図１１と同一である。本実施形態では、同一Ｗｅｂページに現れたふり仮名データはすべてカウントするため、更新予備テーブルへの登録は行わず、Ｗｅｂページから取得したふり仮名データ（Ｓ１０６０）はすべて語句ふり仮名テーブル（図５）に反映する。語句ふり仮名テーブル（図５）への登録処理（Ｓ１１１０〜Ｓ１１３０）は図１２と同一である。しかし、語句ふり仮名テーブル（図５）への登録処理（Ｓ１１１０〜Ｓ１１３０）が終わった後、同一ＵＲＬのＷｅｂページ内にまだふり仮名データがあるかどうかを調べる（Ｓ１１５０）。もしまだふり仮名データがあれば（Ｓ１１５０：Ｙｅｓ）、同様の仕方で、ふり仮名データを取得する（Ｓ１０６０）。もうふり仮名データがなければ（Ｓ１１５０：Ｎｏ）、処理を終了する。
こうすることで、同一のふり仮名データを実際に出現した回数でカウントするので、例えば、ブログのように同一のＷｅｂページに複数人が文章を記載する場合に、世の中で実際に使用されている頻度を反映した収集を行うことができる。

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、本発明の実施形態に記載されたものに限定されるものではない。

本発明の実施形態の一例に係るふり仮名収集利用装置１と、ふり仮名収集利用装置１がインターネット１０を通じてふり仮名データを収集するＷｅｂページ２０〜２４との関係を示した全体図である。 本発明の実施形態の一例に係るふり仮名収集利用装置１のハードウェア構成を示す図である。 本発明の実施形態の一例に係るＵＲＬ更新日時テーブルを示す図である。 本発明の実施形態の一例に係る更新予備テーブルを示す図である。 本発明の実施形態の一例に係る語句ふり仮名テーブルを示す図である。 語句ふり仮名テーブル（図５）から、ふり仮名をキーとして抽出した例を示す図である。 語句ふり仮名テーブル（図５）から、語句をキーとして抽出した例を示す図である。 本発明の実施形態の一例に係る最頻ふり仮名テーブルを示す図である。 本発明の実施形態の一例に係る最頻語句テーブルを示す図である。 本発明の実施形態の一例に係る間違い語句ふり仮名テーブルを示す図である。 本発明の第１の実施形態に係るふり仮名収集利用装置１の処理のフローチャート（その１）である。 本発明の第１の実施形態に係るふり仮名収集利用装置１の処理のフローチャート（その２）である。 本発明の第２の実施形態に係るふり仮名収集利用装置１の処理のフローチャートである。

符号の説明

１ ふり仮名収集利用装置
２ 制御手段
３ Ｗｅｂページ取得手段
４ ふり仮名データ取得手段
５ ふり仮名データ記録手段
６ ふり仮名データ抽出手段
１０ インターネット
２０〜２４ Ｗｅｂページ
３０ バスライン
４０ 制御装置
４１、４２ ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）
４３ 通信Ｉ／Ｆ（Ｉ／Ｆ：インターフェイス）
４４ メインメモリ
４５ ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）
４６ 表示装置
４７ Ｉ／Ｏコントローラ
４８ 入力装置
４９ ハードディスク
５０ 半導体メモリ
５１ 記憶装置

Claims (12)

1. Ｗｅｂページの内容から、漢字で構成される語句とふり仮名との組み合わせを取得するふり仮名データ取得手段と、
   前記ふり仮名データ取得手段により取得された前記組み合わせを出現回数とともに記録するふり仮名データ記録手段と、
   前記ふり仮名データ記録手段により記録された前記組み合わせを前記出現回数に基づいて抽出するふり仮名データ抽出手段と、
   を備えるふり仮名収集利用装置。
2. インターネットを通じて、複数のＷｅｂページの内容を取得するＷｅｂページ取得手段を備える請求項１に記載のふり仮名収集利用装置。
3. 前記Ｗｅｂページ取得手段は、前記内容を取得すべきＷｅｂページの最終更新日時がすでに取得したＷｅｂページの最終更新日時と一致する場合は、該Ｗｅｂページの内容を取得しないことを特徴とする請求項２に記載のふり仮名収集利用装置。
4. 前記ふり仮名データ取得手段は、前記Ｗｅｂページに表示されるルビから前記組み合わせを取得することを特徴とする請求項１から３のいずれかに記載のふり仮名収集利用装置。
5. 前記ふり仮名データ取得手段は、前記Ｗｅｂページに表示される文字列中にある括弧内の文字がすべてひらがなであり、括弧直前の文字が漢字である場合に、括弧内の文字が括弧直前の１又は２以上の連続する漢字の語句のふり仮名とみなして前記組み合わせを取得することを特徴とする請求項１から４のいずれかに記載のふり仮名収集利用装置。
6. 前記ふり仮名データ取得手段は、前記Ｗｅｂページに表示される文字列中にある括弧内の文字がすべてカタカナであり、括弧直前の文字が漢字である場合に、括弧内の文字が括弧直前の１又は２以上の連続する漢字の語句のふり仮名とみなして前記組み合わせを取得することを特徴とする請求項１から５のいずれかに記載のふり仮名収集利用装置。
7. 前記出現回数は、前記組み合わせが取得されたＷｅｂページの数であることを特徴とする請求項１から６のいずれかに記載のふり仮名収集利用装置。
8. 前記出現回数は、前記組み合わせが、前記Ｗｅｂページ取得手段により取得したＷｅｂページに実際に出現された回数であることを特徴とする請求項１から６のいずれかに記載のふり仮名収集利用装置。
9. 前記ふり仮名データ抽出手段は、前記ふり仮名データ記録手段により記録された前記組み合わせについて、同一の語句に対するふり仮名の中で前記出現回数が最も多いものを抽出することを特徴とする請求項１から８のいずれかに記載のふり仮名収集利用装置。
10. 前記ふり仮名データ抽出手段は、前記ふり仮名データ記録手段により記録された前記組み合わせについて、同一のふり仮名に対する語句の中で前記出現回数が最も多いものを抽出することを特徴とする請求項１から８のいずれかに記載のふり仮名収集利用装置。
11. 前記ふり仮名データ抽出手段は、前記ふり仮名データ記録手段により記録された前記組み合わせについて、前記出現回数が所定の数より少ないものを間違いデータとして抽出することを特徴とする請求項１から８のいずれかに記載のふり仮名収集利用装置。
12. コンピュータを用いて、ふり仮名に係る情報を集めるふり仮名収集利用方法であって、
    インターネットを通じて、複数のＷｅｂページの内容を取得するステップと、
    前記Ｗｅｂページの内容から、漢字で構成される語句とふり仮名との組み合わせを取得するステップと、
    取得された前記組み合わせを出現回数とともに記録するステップと、
    記録された前記組み合わせを前記出現回数に応じて抽出するステップと、
    を含むことを特徴とするふり仮名収集利用方法。

Images