JP2010009215A - テキスト抽出装置、そのシステム、その方法、および、そのプログラム - Google Patents

Abstract

【課題】述語の内容を実現するための情報を適切に抽出可能なテキスト抽出システムの提供。
【解決手段】テキスト抽出システムのサーバ装置は、ユーザにより検索入力ボックス３５１に設定入力された述語の入力クエリを取得すると、正規表現ルール情報に基づいて、必要語品詞情報の品詞に対応する単語またはこの単語を含む文と、接続表現情報で表される接続助詞と、入力クエリの述語と、がこの順序で含まれる抽出テキスト３５６Ａを抽出する。このため、上述の構造を有する抽出テキスト３５６Ａ中の接続助詞の前に位置し、必要語品詞情報の品詞に対応する単語などを、述語内容実現情報３５６Ｂとすることができる。したがって、この述語内容実現情報３５６Ｂを特定する単語や文の品詞を特定することで、施設以外の多くの単語や文で表される述語内容実現情報３５６Ｂを抽出できる。
【選択図】図２

Description

本発明は、テキスト蓄積手段から抽出テキストを抽出するテキスト抽出装置、そのシステム、その方法、および、そのプログラムに関するものである。

従来、ユーザの願望や状況表現の設定入力に基づいて、この願望などに対する施設情報を検索する構成が知られている（例えば、特許文献１参照）。
この特許文献１に記載のものは、連想配列データベースに記録された願望などをユーザのディスプレイに表示させる。そして、例えばユーザが「借りる」の用語を選択した場合、施設−願望状況表現オントロジーの「借りる」のレコードからの対応する対象情報をユーザのディスプレイに送信して、「お金」、「本」、「住居」の情報をディスプレイに表示させる。この後、ユーザにより「本」が選択されると、連想配列データベースから「図書館」、「貸本屋」を検索して、ｘｘ図書館などの施設の検索結果を表示させる構成が採られている。

特開２００３−２６３４５７号公報

ところで、ユーザが所定の述語の内容を実現したい場合、この述語内容を実現するための物や実現するために実施する動作などの情報（以下、述語内容実現情報と称す）を検索して調べたい場合がある。すなわち、ユーザが「癒されたい」場合、癒される物や癒されるための動作を述語内容実現情報として検索した場合がある。
しかしながら、特許文献１に記載のような構成では、施設を検索する構成のため、施設以外の述語内容実現情報を検索できない。また、記憶装置に記憶された特定の施設しか読み出すことができないため、ユーザが望む施設を検索できないおそれがある。

本発明の目的は、このような点に鑑みて、述語の内容を実現するための情報を適切に抽出可能なテキスト抽出装置、そのシステム、その方法、および、そのプログラムを提供することである。

本発明のテキスト抽出装置は、所定のテキストが蓄積されているテキスト蓄積手段から前記テキストを抽出テキストとして抽出するテキスト抽出装置であって、所定の述語を特定する述語情報を取得する述語情報取得手段と、所定の単語の品詞を特定する必要語品詞情報および所定の接続助詞を特定する接続表現情報を有する抽出条件情報を取得する抽出条件情報取得手段と、前記必要語品詞情報の前記品詞に対応する前記単語またはこの単語を有する文、前記接続表現情報の前記接続助詞、および、前記述語情報の前記述語がこの順序で含まれるテキストを前記抽出テキストとして抽出する抽出処理手段と、を具備したことを特徴とする。

ここで、述語情報としては、キーボードなどの操作手段の操作に基づく設定入力であってもよいし、音声による設定入力であってもよい。
この発明によれば、述語情報を取得すると、必要語品詞情報および接続表現情報を有する抽出条件情報を取得して、必要語品詞情報の品詞に対応する単語またはこの単語を含む文、接続表現情報の接続助詞、述語情報の述語がこの順序で含まれる抽出テキストを抽出する。このため、上述の構成を有する抽出テキストにおいて、必要語品詞情報に対応する単語または文を述語内容実現情報とすることができる。したがって、この述語内容実現情報を特定する単語や文の品詞を特定することで、施設以外の多くの単語や文で表される述語内容実現情報を抽出できる。

本発明のテキスト抽出装置では、前記抽出条件情報は、所定の代名詞および特殊文字のうち少なくとも一方を忌避語として特定する忌避語情報を有し、前記抽出処理手段は、前記必要語品詞情報の前記品詞に対応する単語のうち前記忌避語情報の前記忌避語以外の単語またはこの単語を有する文、前記接続助詞、および、前記述語がこの順序で含まれる前記抽出テキストを抽出する構成が好ましい。
ここで、忌避語として特定される代名詞としては、「何」、「誰」、「私」などが例示でき、特殊文字としては、「○」、「×」、「＠」、「、」、「。」、「；」などが例示できる。そして、忌避語として代名詞が含まれる単語や文は、代名詞自体や代名詞を含む文が述語内容実現情報となるため、ユーザが知りたい特定の物や動作を述語内容実現情報として抽出できないおそれがある。また、忌避語として特殊文字が含まれる単語や文は、述語と意味の上で関係ない単語や文が述語内容実現情報となるため、ユーザが知りたい述語内容実現情報を抽出できないおそれがある。
このため、必要語品詞情報に対応する単語のうち忌避語以外の単語を有する文を述語内容実現情報として抽出することで、ユーザが知りたい述語内容実現情報のみを適切に抽出できる。

本発明のテキスト抽出装置では、前記述語情報の述語を含む前記テキストを候補テキストとして前記テキスト蓄積手段から取得する候補テキスト取得手段を具備し、前記抽出処理手段は、前記述語情報および前記抽出条件情報に基づいて前記候補テキストから前記抽出テキストを抽出する構成が好ましい。
この発明によれば、述語情報の述語を含む候補テキストを取得して、この候補テキストから述語情報および抽出条件情報に基づいて抽出テキストを抽出するので、抽出処理手段における抽出検討対象のテキスト数を減らすことができ、抽出処理の効率化を図ることができる。

本発明のテキスト抽出装置では、前記候補テキストを形態素に分解する形態素解析手段を具備し、前記抽出処理手段は、前記述語情報、前記抽出条件情報、および、前記形態素の分解結果に基づいて前記抽出テキストを抽出する構成が好ましい。
この発明によれば、形態素ごとに抽出条件情報の条件と適合するか否かを順次判断することで、抽出テキストを容易に抽出できる。

本発明のテキスト抽出装置では、前記述語情報および前記抽出条件情報に基づいてオートマトンを生成するオートマトン生成手段を具備し、前記抽出処理手段は、前記形態素の分解結果および前記オートマトンに基づいて前記抽出テキストを抽出する構成が好ましい。
この発明によれば、抽出条件情報に基づき生成されたオートマトンを利用することで、抽出テキストを容易に抽出できる。

本発明のテキスト抽出装置では、前記オートマトンの生成に利用する前記述語情報および前記抽出条件情報の内容は、正規表現を用いて表されている構成が好ましい。
この発明によれば、多くの文字列の集合を簡単な文字列で表現可能な正規表現で表された述語情報および抽出条件情報に基づきオートマトンを生成するので、簡単な構成の述語情報および抽出条件情報に基づいて多数の抽出テキストを抽出できる。

本発明のテキスト抽出システムは、所定のテキストが蓄積されているテキスト蓄積手段から前記テキストを抽出テキストとして抽出する上述のテキスト抽出装置を有するサーバ装置と、このサーバ装置にネットワークを介して各種情報を送受信可能に接続された端末装置と、を具備し、前記サーバ装置は、前記抽出テキストを前記端末装置へ送信する抽出テキスト送信手段を備え、前記端末装置は、前記述語情報を生成して前記テキスト抽出装置へ送信する述語情報生成手段と、前記抽出テキストを前記サーバ装置から取得して前記抽出テキストを出力手段で出力させる出力制御手段と、を備えたことを特徴とする。
ここで、出力手段は、テキストを表示させる表示手段であってもよいし、テキストを音声で出力させる音声出力装置であってもよい。
この発明によれば、抽出処理をするサーバ装置と、述語情報を生成する端末装置と、をネットワークを介して接続しているため、端末装置と比べて処理量が多い抽出処理をするテキスト抽出装置をシステム管理者に管理させることで、少数のテキスト抽出装置の処理能力を高めるだけで多数のユーザに対する抽出処理の高速化を容易に図ることができる。さらに、出力手段における抽出テキストの出力により、述語内容実現情報をユーザに認識させることができる。

本発明のテキスト抽出システムでは、前記テキスト蓄積手段には、前記テキストを含むウェブページデータが蓄積されており、前記出力手段は、表示手段であり、前記抽出テキスト送信手段は、前記抽出テキストの前記テキスト蓄積手段におけるアドレスを前記端末装置へ送信し、前記出力制御手段は、前記抽出テキストとともにこの抽出テキストに対応する前記アドレスを前記表示手段で表示させ、前記アドレスが設定入力されたことを認識すると前記ウェブページデータを前記テキスト蓄積手段から取得してウェブページを前記表示手段で表示させる構成が好ましい。
この発明によれば、表示手段に抽出テキストを含むウェブページを表示させることで、述語内容実現情報に関するより多くの情報をユーザに認識させることができる。

本発明のテキスト抽出方法は、演算手段にて、所定のテキストが蓄積されているテキスト蓄積手段から前記テキストを抽出テキストとして抽出するテキスト抽出方法であって、前記演算手段は、所定の述語を特定する述語情報を取得する述語情報取得工程と、所定の単語の品詞を特定する必要語品詞情報および所定の接続助詞を特定する接続表現情報を有する抽出条件情報を取得する抽出条件情報取得工程と、前記必要語品詞情報の前記品詞に対応する前記単語またはこの単語を有する文、前記接続表現情報の前記接続助詞、および、前記述語情報の前記述語がこの順序で含まれるテキストを前記抽出テキストとして抽出する抽出処理工程と、を実施することを特徴とする。
この発明によれば、演算手段、すなわちＣＰＵ（Central Processing Unit）やマイクロコンピュータなどの素子、あるいは複数の電子部品が搭載された回路基板などを取り付けるだけの簡単な構成で、述語内容実現情報を適切に抽出でき、利用拡大を容易に図れる。

本発明のテキスト抽出プログラムは、上述のテキスト抽出方法を演算手段に実行させることを特徴とする。
本発明のテキスト抽出プログラムは、演算手段を上述のテキスト抽出装置として機能させることを特徴とする。
これらの発明によれば、テキスト抽出プログラムにより、上述したテキスト抽出装置で実施される処理を実施するため、プログラムをインストールするだけの簡単な構成で、上述したテキスト抽出装置で得られる効果と同様の効果を得ることが可能となり、利用拡大をより容易に図れる。

以下、図面を参照して、本発明の一実施形態を説明する。
本実施形態では、述語が設定入力された際に、この述語の述語内容実現情報を含む抽出テキストを抽出するテキスト抽出システムを例示して説明する。

［テキスト抽出システムの構成］
まず、本発明の一実施形態に係るテキスト抽出システムの構成について説明する。
図１は、テキスト抽出システムの概略構成を示すブロック図である。図２は、抽出処理画像を示す模式図である。図３は、品詞テーブルＤＢの概略構成を示す模式図である。図４は、正規表現ルールＤＢの概略構成を示す模式図である。図５は、検索クエリを示す図である。図６は、有限オートマトン生成時の状態遷移図である。
図１に示すように、テキスト抽出システム１は、ネットワーク２と、端末装置３と、サーバ装置４と、を備えている。

ネットワーク２には、端末装置３、サーバ装置４が接続されている。そして、ネットワーク２は、端末装置３と、サーバ装置４と、を情報の送受信が可能な状態に接続する。このネットワーク２としては、例えばＴＣＰ／ＩＰなどの汎用のプロトコルに基づくインターネット、イントラネット、ＬＡＮ（Local Area Network）、無線媒体により情報が送受信可能な複数の基地局がネットワークを構成する通信回線網や放送網などのネットワーク、さらには、端末装置３、サーバ装置４間で情報を直接送受信するための媒体となる無線媒体自体などが例示できる。ここで、無線媒体としては、電波、光、音波、電磁波などのいずれの媒体をも適用できる。

端末装置３は、例えばパーソナルコンピュータ、携帯電話、ＰＤＡ（Personal Digital Assistant）、ＰＨＳ（Personal Handyphone System）などであり、端末送受信手段３１と、端末操作手段３２と、出力手段としての表示手段３３と、端末制御部３４と、を備えている。

端末送受信手段３１は、ネットワーク２を介してサーバ装置４に接続されるとともに、端末制御部３４に接続されている。そして、端末送受信手段３１は、ネットワーク２を介してサーバ装置４から各種情報を受信して端末制御部３４に出力し、端末制御部３４から出力される各種情報をネットワーク２を介してサーバ装置４に送信する。
端末操作手段３２は、例えばキーボードやマウスなどで、入力操作される図示しない各種操作ボタンや操作つまみなどを有している。この操作ボタンや操作つまみの入力操作の内容としては、後述する入力クエリの設定、見たいウェブページのＵＲＬなどが例示できる。なお、端末操作手段３２としては、操作ボタンや操作つまみなどの入力操作に限らず、例えば表示手段３３に設けられたタッチパネルによる入力操作や、音声による入力操作など、各種設定事項を設定入力可能ないずれの構成を適用できる。
表示手段３３は、端末制御部３４の制御により各種画像を表示させる。この表示手段３３としては、例えば液晶表示パネルや有機ＥＬ（Electro Luminescence）パネル、ＰＤＰ（Plasma Display Panel）、ＣＲＴ（Cathode-Ray Tube）、ＦＥＤ（Field Emission Display）、電気泳動ディスプレイパネルなどが例示できる。

端末制御部３４は、各種プログラムにより構成され、述語情報生成手段としての入力クエリ生成手段３４１と、出力制御手段としての表示制御手段３４２と、を備えている。
入力クエリ生成手段３４１は、表示制御手段３４２の制御に基づいて、図２に示すような抽出処理画像３５０が表示されている状態において、端末操作手段３２の操作に基づき所定の述語が検索入力ボックス３５１に設定入力され、かつ、検索ボタン３５２がカーソル３５３により選択されたことを認識すると、この述語を表す述語情報としての入力クエリを生成して、端末送受信手段３１を介してサーバ装置４へ送信する。ここで、入力クエリとして表される述語としては、「癒される」、「楽しい」、「面白い」などが例示できる。
表示制御手段３４２は、端末操作手段３２の操作に基づき抽出処理画像３５０の表示要求が設定入力されたことを認識すると、抽出処理画像３５０を表示手段３３に表示させる。また、表示制御手段３４２は、サーバ装置４から入力クエリに基づく抽出結果情報を取得すると、この抽出結果情報を抽出処理画像３５０の結果表示ボックス３５４に表示させる。この抽出結果情報は、入力クエリの述語に対応する抽出テキスト３５６Ａを含むウェブページのテキスト（以下、抽出含有ウェブテキストと称す）と、抽出含有ウェブテキスト３５６が含まれるウェブページのアドレス情報と、を備えている。そして、表示制御手段３４２は、この抽出結果情報に基づいて、抽出含有ウェブテキスト３５６と、この抽出含有ウェブテキスト３５６のウェブページにリンクするハイパーリンクが設定されたアドレス情報３５７と、を表示させる。

なお、図２に示す抽出処理画像３５０では、抽出含有ウェブテキスト３５６中の「ペットを飼うと癒される」、「セラピーで癒される」、「ホットストーンセラピーは癒される」が抽出テキスト３５６Ａである。また、これらの抽出テキスト３５６Ａ中の「ペットを飼う」、「セラピー」、「ホットストーンセラピー」が「癒される」を実現するための物や動作、つまり述語内容実現情報３５６Ｂである。
また、表示制御手段３４２は、端末操作手段３２の操作に基づき所定のアドレス情報３５７が選択された場合、このアドレス情報３５７のウェブページの取得要求をサーバ装置４へ送信する。そして、サーバ装置４から送信されたウェブページデータに基づいて、抽出含有ウェブテキスト３５６のウェブページを表示させる。

サーバ装置４は、図１に示すように、サーバ送受信手段４１と、サーバ操作手段４２と、テキスト蓄積手段としてのウェブＤＢ（データベース）４３と、品詞テーブルＤＢ（データベース）４４と、正規表現ルールＤＢ（データベース）４５と、テキスト抽出装置および演算手段としてのサーバ制御部４６と、を備えている。
サーバ送受信手段４１は、ネットワーク２を介して端末装置３に接続されるとともに、サーバ制御部４６に接続されており、ネットワーク２を介して端末装置３から各種情報を受信してサーバ制御部４６に出力し、サーバ制御部４６から出力される各種情報をネットワーク２を介して端末装置３に送信する。
サーバ操作手段４２は、端末操作手段３２と同様の構成を有し、正規表現ルールＤＢ４５の更新時などに利用される。
ウェブＤＢ４３は、サーバ制御部４６に接続されており、ウェブページを表示させるためのウェブページデータを適宜読み出し可能に記憶する。なお、このウェブＤＢ４３は、サーバ装置４外に設けられていてもよい。

品詞テーブルＤＢ４４は、図３に示すように、品詞関連情報４４１が複数記録されたテーブル構造に構成されている。そして、品詞関連情報４４１は、固有の品詞ＩＤを示す品詞ＩＤ情報４４２と、品詞グループ情報４４３と、品詞情報４４４と、が関連付けられた１つのデータに構成されている。
品詞グループ情報４４３には、品詞ＩＤが表す品詞のグループ、具体的には、形容詞、形容動詞、感動詞、副詞、連体詞、接続詞、接頭辞、名詞、動詞、助詞、助動詞、特殊文字である旨の情報が記録されている。品詞情報４４４には、品詞グループ情報４４３の品詞グループの品詞よりも詳細に分類された品詞、具体的には、名形、名サ自、名サ他、接続助詞などである旨の情報が記録されている。

正規表現ルールＤＢ４５は、図４に示すように、少なくとも１個のルール情報４５１が記録されたテーブル構造に構成されている。そして、ルール情報４５１は、固有のルールＩＤを示すルールＩＤ情報４５２と、抽出条件情報としての正規表現ルール情報４５３と、が関連付けられた１つのデータに構成されている。
正規表現ルール情報４５３は、正規表現を用いて表され、必要語品詞情報４５４と、忌避語情報４５５と、接続表現情報４５６と、マッチ情報４５７と、を備えている。
必要語品詞情報４５４には、述語内容表現情報に含まれる所定の単語の品詞を特定する情報が記録され、具体的には、品詞ＩＤが記録されている。なお、必要語品詞情報４５４に品詞ＩＤではなく、「名詞」などの品詞を特手する文字を記録してもよい。
忌避語情報４５５は、「＾」の演算記号で始まるとともに、「＆」の演算記号により必要語品詞情報４５４の前端に連結されている。この忌避語情報４５５には、所定の代名詞および特殊文字のうち少なくとも一方を忌避語として特定する情報が記録され、具体的な特殊文字である「：（コロン）」、「−（ハイフン）」あるいは代名詞である「なに」、「だれ」などが記録されている。
接続表現情報４５６は、マッチ情報４５７を介して必要語品詞情報４５４の後端に連結されている。この接続表現情報４５６には、所定の接続助詞を特定する情報が記録される。具体的には、接続助詞の品詞ＩＤである「８２」と、具体的な文字である「と」、「で」、「ば」などと、が記録され、これにより接続助詞の「と」、「で」、「ば」を特定する旨が表されている。
マッチ情報４５７は、「＋」の演算記号により必要語品詞情報４５４の後端に連結されている。このマッチ情報４５７には、最小マッチ演算子である「？」または最大マッチ演算子である「！」が記録されたり、最小マッチ演算子および最大マッチ演算子の両方が記録されなかったりする。

ここで、検索対象テキストとして、「Ａで検索？Ｂで検索？」が与えられている場合における、マッチ情報４５７の有無に基づくテキストの抽出処理について説明する。
以下の検索クエリ５００のように最小マッチ演算子が設定されるのは、「検索」以外の名詞（［３５−５７］は、名詞の品詞ＩＤを表す）と、任意の品詞の形態素列（［１−１３６］は、任意の品詞を表す）が最短となるテキストと、「検索？」の文字と、がこの順序で含まれるテキストを抽出する場合である。

検索クエリ：（＾’検索’＆［３５−５７］）（［１−１３６］）＋？）’検索’’？’

この検索クエリ５００に基づいて、検索対象テキストから「Ａで検索？」のテキストと、「Ｂで検索？」のテキストとが抽出される。

また、以下の検索クエリ５００のように最大マッチ演算子が設定されるのは、「検索」以外の名詞と、「検索？」の文字との間に、任意の品詞の形態素列が最大（最長）となるテキストが含まれるものを抽出する場合である。

検索クエリ：（＾’検索’＆［３５−５７］）（［１−１３６］）＋！）’検索’’？’

この検索クエリ５００に基づいて、検索対象テキストから「Ａで検索？Ｂで検索？」のテキストのみが抽出される。

さらに、以下の検索クエリ５００のようにマッチ演算子が設定されないのは、「検索」以外の名詞と、「検索？」の文字との間に、任意の品詞の形態素列の全ての組合せのテキストが含まれるものを抽出する場合である。

検索クエリ：（＾’検索’＆［３５−５７］）（［１−１３６］）＋）’検索’’？’

この検索クエリ５００に基づいて、検索対象テキストから「Ａで検索？」のテキストと、「Ａで検索？Ｂで検索？」のテキストと、「Ｂで検索？」のテキストとが抽出される。

また、ルール情報４５１には、例えば接続表現情報４５６の後端に、必要に応じて繰り返し演算子が挿入される。この繰り返し演算子は、「｛Ｃ，Ｄ｝（Ｃ，Ｄは自然数）」で表され、例えば「‘とっても’｛６，１０｝」と表記された場合、「とっても」の文字が６〜１０回繰り返されたテキストが取得される。また、「‘とっても’｛６，｝」と表記された場合、「とっても」の文字が６回以上繰り返されたテキストが取得され、「‘とっても’｛，１０｝」と表記された場合、「とっても」の文字が１０回以下繰り返されたテキストが取得される。

サーバ制御部４６は、各種プログラムにより構成され、図１に示すように、正規表現ルール更新手段４６１と、述語情報取得手段としての入力クエリ取得手段４６２と、抽出条件情報取得手段としても機能する検索クエリ生成手段４６３と、候補テキスト取得手段４６４と、テキスト抽出部４６５と、ウェブ送信手段４６６と、を備えている。

正規表現ルール更新手段４６１は、サーバ操作手段４２の設定入力に基づいて、新たなルール情報４５１を生成して正規表現ルールＤＢ４５に登録したり、ルール情報４５１を削除したり、ルール情報４５１の内容を変更したりする。
入力クエリ取得手段４６２は、端末装置３から送信される入力クエリをサーバ送受信手段４１を介して受信して、検索クエリ生成手段４６３へ出力する。
検索クエリ生成手段４６３は、図５に示すような検索クエリ５００を生成する。具体的には、検索クエリ生成手段４６３は、入力クエリを取得すると、正規表現ルールＤＢ４５から正規表現ルール情報４５３を取得する。そして、正規表現ルール情報４５３の接続表現情報４５６の後端に入力クエリで表される述語５０１を連結した検索クエリ５００を生成する。また、検索クエリ生成手段４６３は、正規表現ルールＤＢ４５の全ての正規表現ルール情報４５３を用いた検索クエリ５００を生成して、テキスト抽出部４６５へ出力する。
ここで、図５に示す検索クエリ５００は、「：」、「方」、「−」、「なに」、「何」、「だれ」、「誰」、「私」、「僕」、「俺」以外の名詞（［３７−３９］は、名詞の名形、名サ自、名サ他の品詞ＩＤを表す）を含む形態素列が最長となる単語または文と、接続助詞の「と」の文字と、「癒される」の文字と、がこの順序で含まれる抽出テキスト３５６Ａを抽出する際に利用される。
なお、全ての正規表現ルール情報４５３に対応する検索クエリ５００を生成せずに、１個の正規表現ルール情報４５３に対応する検索クエリ５００のみを生成してもよい。

候補テキスト取得手段４６４は、入力クエリを取得すると、この入力クエリの述語５０１を含む候補テキストのウェブページデータをウェブＤＢ４３から検索する。そして、この検索したウェブページデータから候補テキストを取得して、ウェブページデータのアドレス（以下、ウェブアドレスと称す）とともにテキスト抽出部４６５へ出力する。

テキスト抽出部４６５は、形態素解析手段４６５Ａと、オートマトン生成手段４６５Ｂと、抽出処理手段４６５Ｃと、抽出テキスト送信手段としての抽出結果送信手段４６５Ｄと、を備えている。
形態素解析手段４６５Ａは、候補テキスト取得手段４６４から候補テキストを取得する。そして、品詞テーブルＤＢ４４を参照して、候補テキストを形態素に分解するとともに、この形態素に品詞ＩＤを関連付けて、オートマトン生成手段４６５Ｂおよび抽出処理手段４６５Ｃへ出力する。

オートマトン生成手段４６５Ｂは、検索クエリ生成手段４６３で生成された検索クエリ５００に基づいて、有限オートマトンを生成する。具体的には、オートマトン生成手段４６５Ｂは、例えば図６に示すような検索クエリ５００であり、動詞または名詞と、「する」の文字とがこの順序で含まれるテキストに関する有限オートマトンを生成する場合、状態０（丸い図形中に「０」の文字を表示することで表す）からε（イプシロン）遷移が行われ、状態１および状態２にそれぞれ遷移する。このε遷移とは、状態０、あるいは、後述する状態３，６に遷移が生じた場合、自動的に先の状態へ遷移することを表す。この後、状態１において、テキストに名詞が含まれることを認識すると、状態３へ遷移し、さらにε遷移により状態４へ遷移する。そして、この名詞が含まれるテキストの名詞の後に「する」の文字があることを認識すると、状態５へ遷移する。また、状態２において、他のテキストに動詞が含まれることを認識すると、状態６へ遷移し、さらにε遷移により状態４へ遷移して、この動詞が含まれるテキストの名詞の後に「する」の文字があることを認識すると、状態５へ遷移する。以上により、検索クエリ５００に基づいて、名詞および「する」の文字をこの順序で含むテキストと、動詞および「する」の文字をこの順序で含むテキストと、を検索する機能を有する有限オートマトンが生成される。つまり、抽出テキストを含むテキストを検索する機能を有する有限オートマトンが生成される。
そして、オートマトン生成手段４６５Ｂは、検索クエリ生成手段４６３で生成された全ての検索クエリ５００に基づく有限オートマトンを生成して、抽出処理手段４６５Ｃへ出力する。

抽出処理手段４６５Ｃは、形態素解析手段４６５Ａから形態素列を取得するとともに、オートマトン生成手段４６５Ｂから有限オートマトンを取得して、これらに基づいて抽出テキスト３５６Ａを抽出する。具体的には、抽出処理手段４６５Ｃは、有限オートマトンに基づいて、形態素解析手段４６５Ａから取得した形態素列のうち、検索クエリ５００のルールに適合し抽出テキスト３５６Ａを含む形態素列を抽出する。そして、この抽出した形態素列に関する情報を抽出結果送信手段４６５Ｄへ出力する。ここで、図４に示すルールＩＤが「０００１」の正規表現ルール情報４５３に基づく検索クエリ５００に対応して、図２に示す「ペットを飼うと癒される」の抽出テキスト３５６Ａを含む形態素列が抽出される。また、ルールＩＤが「００５５」の正規表現ルール情報４５３に対応して、「セラピーで癒される」の抽出テキスト３５６Ａを含む形態素列が抽出される。
抽出結果送信手段４６５Ｄは、候補テキスト取得手段４６４から候補テキストおよびウェブページデータのアドレスを取得するとともに、抽出処理手段４６５Ｃから抽出テキスト３５６Ａの情報を取得する。さらに、これらに基づいて、抽出テキスト３５６Ａを含むウェブページデータのアドレスを認識して、抽出含有ウェブテキスト３５６と、この抽出含有ウェブテキスト３５６に対応するアドレス情報と、を有する抽出結果情報を生成する。そして、抽出結果送信手段４６５Ｄは、抽出結果情報を端末装置３へ送信する。

ウェブ送信手段４６６は、端末装置３から所定のアドレス情報３５７に関する取得要求、すなわちアドレス情報３５７の設定入力を取得すると、このアドレス情報３５７に対応するウェブページデータをウェブＤＢ４３から取得して、端末装置３へ送信する。

［テキスト抽出システムの動作］
次に、テキスト抽出システム１の動作について説明する。図７は、テキスト抽出システムの動作を示すフローチャートである。

テキスト抽出システム１を構成する端末装置３は、図７に示すように、抽出処理画像３５０の検索入力ボックス３５１に述語が入力されるとともに検索ボタン３５２が選択されたことを認識すると、この述語の入力クエリを生成して（ステップＳ１）、サーバ装置４へ送信する（ステップＳ２）。例えば、図２に示すような場合、「癒される」の入力クエリをサーバ装置４へ送信する。
サーバ装置４は、入力クエリを受信すると（ステップＳ３）、この入力クエリおよび正規表現ルール情報４５３に基づき検索クエリ５００を生成するとともに（ステップＳ４）、ウェブＤＢ４３から入力クエリの述語５０１を含む候補テキストを取得する（ステップＳ５）。例えば、図５に示す検索クエリ５００を生成するとともに、「癒される」の文字を含む候補テキストを取得する。
この後、サーバ装置４は、候補テキストを形態素に分解する形態素解析処理を実施して（ステップＳ６）、検索クエリ５００に基づく有限オートマトンを生成する（ステップＳ７）。さらに、この生成した有限オートマトンと、形態素解析結果とに基づいて、抽出テキスト３５６Ａを含む形態素列を抽出する（ステップＳ８）。例えば、図２に示すような「ペットを飼うと癒される」を抽出テキスト３５６Ａとして含む形態素列を抽出する。そして、サーバ装置４は、この抽出テキスト３５６Ａに関する抽出結果情報を生成して（ステップＳ９）、端末装置３へ送信する（ステップＳ１０）。
端末装置３は、抽出結果情報を受信すると（ステップＳ１１）、図２に示すように結果表示ボックス３５４に抽出結果を表示させて（ステップＳ１２）、処理を終了する。

［テキスト抽出システムの作用効果］
上述したように、上記実施形態では、以下のような作用効果を奏することができる。

（１）テキスト抽出システム１のサーバ装置４は、ユーザにより設定入力された述語の入力クエリを取得すると、この入力クエリと正規表現ルール情報４５３とに基づく検索クエリ５００を生成する。そして、この検索クエリ５００に基づいて、必要語品詞情報４５４の品詞に対応する単語またはこの単語を含む文と、接続表現情報４４６で表される接続助詞と、入力クエリの述語と、がこの順序で含まれる抽出テキスト３５６Ａを抽出している。
このため、上述の構造を有する抽出テキスト３５６Ａ中の接続助詞の前に位置し、必要語品詞情報４５４の品詞に対応する単語などを、述語内容実現情報３５６Ｂとすることができる。したがって、この述語内容実現情報３５６Ｂを特定する単語や文の品詞を特定することで、施設以外の多くの単語や文で表される述語内容実現情報３５６Ｂを抽出できる。

（２）サーバ装置４は、代名詞や特殊文字を忌避語として特定する忌避語情報４５５を有する検索クエリ５００に基づいて、必要語品詞情報４５４に対応する単語などのうち忌避語以外の単語などを含む抽出テキスト３５６Ａを抽出している。
このため、忌避語が含まれることでユーザが知りたい内容とならない可能性が高い述語内容実現情報３５６Ｂを抽出することがなくなり、ユーザが知りたい述語内容実現情報３５６Ｂのみを適切に抽出できる。

（３）サーバ装置４は、入力クエリの述語を含む候補テキストをウェブＤＢ４３から取得して、この候補テキストから検索クエリ５００に基づく抽出テキスト３５６Ａを抽出している。
このため、抽出処理手段４６５Ｃにおける抽出検討対象のテキスト数を減らすことができ、抽出処理の効率化を図ることができる。

（４）サーバ装置４は、候補テキストを形態素に分解して、この分解した形態素列と検索クエリ５００とに基づいて抽出テキスト３５６Ａを抽出している。
このため、形態素ごとに検索クエリ５００のルールと適合するか否かを順次判断することで、抽出テキスト３５６Ａを容易に抽出できる。

（５）サーバ装置４は、検索クエリ５００に基づいて有限オートマトンを生成して、この有限オートマトンと形態素列とに基づいて抽出テキスト３５６Ａを抽出している。
このため、有限オートマトンを利用することで、抽出テキスト３５６Ａを容易に抽出できる。

（６）オートマトン生成手段４６５Ｂで認識可能であり、かつ、多くの文字列の集合を簡単な文字列で表現可能な正規表現を用いた検索クエリ５００を抽出に利用するため、簡単な構成の検索クエリ５００に基づいて多数の抽出テキスト３５６Ａを抽出できる。

（７）サーバ装置４をネットワーク２を介して端末装置３に接続して、テキスト抽出システム１を構成している。
このため、端末装置３と比べて処理量が多い抽出処理をするサーバ装置４をシステム管理者に管理させることで、少数のサーバ装置４の処理能力を高めるだけで多数のユーザに対する抽出処理の高速化を容易に図ることができる。さらに、表示手段３３における抽出テキスト３５６Ａの表示により、述語内容実現情報３５６Ｂをユーザに認識させることができる。

（８）端末装置３は、表示手段３３に抽出テキスト３５６Ａとともにアドレス情報３５７を表示させ、アドレス情報３５７が選択されたことを認識すると、抽出テキスト３５６Ａに対応するウェブページを表示させる。
このため、抽出テキスト３５６Ａを含むウェブページを表示させることで、述語内容実現情報３５６Ｂに関するより多くの情報をユーザに認識させることができる。

［実施形態の変形例］
なお、以上に説明した態様は、本発明の一態様を示したものであって、本発明は、前記した実施形態に限定されるものではなく、本発明の目的及び効果を達成できる範囲内での変形や改良が、本発明の内容に含まれるものであることはいうまでもない。

すなわち、忌避語情報４５５を有さない検索クエリ５００に基づいて、抽出テキスト３５６Ａを抽出してもよい。また、入力クエリと正規表現ルール情報４５３とに基づいて、ウェブＤＢ４３から直接抽出テキスト３５６Ａを抽出してもよい。そして、候補テキストを形態素に分解せずに、入力クエリと正規表現ルール情報４５３とに基づき抽出テキスト３５６Ａを抽出してもよい。また、有限オートマトンを生成せずに、抽出テキスト３５６Ａを抽出してもよい。
また、結果表示ボックス３５４に抽出テキスト３５６Ａのみを表示させてもよいし、述語内容実現情報３５６Ｂのみを表示させてもよい。さらには、結果表示ボックス３５４にアドレス情報３５７を表示させなくてもよいし、ハイパーリンクが設定されていないアドレス情報３５７を表示させてもよい。
そして、抽出テキスト３５６Ａを抽出する対象としては、文書作成アプリケーションソフトで作成した文書を対象としてもよい。

上述した各機能をプログラムとして構築したが、例えば回路基板などのハードウェアあるいは１つのＩＣ（Integrated Circuit）などの素子にて構成するなどしてもよく、いずれの形態としても利用できる。なお、プログラムや別途記録媒体から読み取らせる構成とすることにより、取扱が容易で、利用の拡大が容易に図れる。

その他、本発明の実施における具体的な構造及び形状などは、本発明の目的を達成できる範囲で他の構造等としてもよい。

本発明は、テキスト蓄積手段から抽出テキストを抽出するテキスト抽出装置、そのシステム、その方法、および、そのプログラムに利用できる。

本発明の一実施形態に係るテキスト抽出システムの概略構成を示すブロック図である。 前記一実施形態における抽出処理画像を示す模式図である。 前記一実施形態における品詞テーブルＤＢの概略構成を示す模式図である。 前記一実施形態における正規表現ルールＤＢの概略構成を示す模式図である。 前記一実施形態における検索クエリを示す図である。 前記一実施形態における有限オートマトン生成時の状態遷移図である。 前記一実施形態におけるテキスト抽出システムの動作を示すフローチャートである。

符号の説明

１…テキスト抽出システム
２…ネットワーク
３…端末装置
４…サーバ装置
３３…出力手段としての表示手段
４３…テキスト蓄積手段としてのウェブＤＢ
４６…テキスト抽出装置および演算手段としてのサーバ制御部
３４１…述語情報生成手段としての入力クエリ生成手段
３４２…出力制御手段としての表示制御手段
３５６Ａ…抽出テキスト
４５３…抽出条件情報としての正規表現ルール情報
４５４…必要語品詞情報
４５５…忌避語情報
４５６…接続表現情報
４６２…述語情報取得手段としての入力クエリ取得手段
４６３…抽出条件情報取得手段としても機能する検索クエリ生成手段
４６４…候補テキスト取得手段
４６５Ａ…形態素解析手段
４６５Ｂ…オートマトン生成手段
４６５Ｃ…抽出処理手段
４６５Ｄ…抽出テキスト送信手段としての抽出結果送信手段

Claims (11)

1. 所定のテキストが蓄積されているテキスト蓄積手段から前記テキストを抽出テキストとして抽出するテキスト抽出装置であって、
   所定の述語を特定する述語情報を取得する述語情報取得手段と、
   所定の単語の品詞を特定する必要語品詞情報および所定の接続助詞を特定する接続表現情報を有する抽出条件情報を取得する抽出条件情報取得手段と、
   前記必要語品詞情報の前記品詞に対応する前記単語またはこの単語を有する文、前記接続表現情報の前記接続助詞、および、前記述語情報の前記述語がこの順序で含まれるテキストを前記抽出テキストとして抽出する抽出処理手段と、
   を具備したことを特徴とするテキスト抽出装置。
2. 請求項１に記載のテキスト抽出装置において、
   前記抽出条件情報は、所定の代名詞および特殊文字のうち少なくとも一方を忌避語として特定する忌避語情報を有し、
   前記抽出処理手段は、前記必要語品詞情報の前記品詞に対応する単語のうち前記忌避語情報の前記忌避語以外の単語またはこの単語を有する文、前記接続助詞、および、前記述語がこの順序で含まれる前記抽出テキストを抽出する
   ことを特徴とするテキスト抽出装置。
3. 請求項１または請求項２に記載のテキスト抽出装置において、
   前記述語情報の述語を含む前記テキストを候補テキストとして前記テキスト蓄積手段から取得する候補テキスト取得手段を具備し、
   前記抽出処理手段は、前記述語情報および前記抽出条件情報に基づいて前記候補テキストから前記抽出テキストを抽出する
   ことを特徴とするテキスト抽出装置。
4. 請求項３に記載のテキスト抽出装置において、
   前記候補テキストを形態素に分解する形態素解析手段を具備し、
   前記抽出処理手段は、前記述語情報、前記抽出条件情報、および、前記形態素の分解結果に基づいて前記抽出テキストを抽出する
   ことを特徴とするテキスト抽出装置。
5. 請求項４に記載のテキスト抽出装置において、
   前記述語情報および前記抽出条件情報に基づいてオートマトンを生成するオートマトン生成手段を具備し、
   前記抽出処理手段は、前記形態素の分解結果および前記オートマトンに基づいて前記抽出テキストを抽出する
   ことを特徴とするテキスト抽出装置。
6. 請求項５に記載のテキスト抽出装置において、
   前記オートマトンの生成に利用する前記述語情報および前記抽出条件情報の内容は、正規表現を用いて表されている
   ことを特徴とするテキスト抽出装置。
7. 所定のテキストが蓄積されているテキスト蓄積手段から前記テキストを抽出テキストとして抽出する請求項１ないし請求項６のいずれかに記載のテキスト抽出装置を有するサーバ装置と、
   このサーバ装置にネットワークを介して各種情報を送受信可能に接続された端末装置と、
   を具備し、
   前記サーバ装置は、前記抽出テキストを前記端末装置へ送信する抽出テキスト送信手段を備え、
   前記端末装置は、前記述語情報を生成して前記テキスト抽出装置へ送信する述語情報生成手段と、前記抽出テキストを前記サーバ装置から取得して前記抽出テキストを出力手段で出力させる出力制御手段と、を備えた
   ことを特徴とするテキスト抽出システム。
8. 請求項７に記載のテキスト抽出システムにおいて、
   前記テキスト蓄積手段には、前記テキストを含むウェブページデータが蓄積されており、
   前記出力手段は、表示手段であり、
   前記抽出テキスト送信手段は、前記抽出テキストの前記テキスト蓄積手段におけるアドレスを前記端末装置へ送信し、
   前記出力制御手段は、前記抽出テキストとともにこの抽出テキストに対応する前記アドレスを前記表示手段で表示させ、前記アドレスが設定入力されたことを認識すると前記ウェブページデータを前記テキスト蓄積手段から取得してウェブページを前記表示手段で表示させる
   ことを特徴とするテキスト抽出システム。
9. 演算手段にて、所定のテキストが蓄積されているテキスト蓄積手段から前記テキストを抽出テキストとして抽出するテキスト抽出方法であって、
   前記演算手段は、
   所定の述語を特定する述語情報を取得する述語情報取得工程と、
   所定の単語の品詞を特定する必要語品詞情報および所定の接続助詞を特定する接続表現情報を有する抽出条件情報を取得する抽出条件情報取得工程と、
   前記必要語品詞情報の前記品詞に対応する前記単語またはこの単語を有する文、前記接続表現情報の前記接続助詞、および、前記述語情報の前記述語がこの順序で含まれるテキストを前記抽出テキストとして抽出する抽出処理工程と、
   を実施することを特徴とするテキスト抽出方法。
10. 請求項９に記載のテキスト抽出方法を演算手段に実行させる
    ことを特徴とするテキスト抽出プログラム。
11. 演算手段を請求項１ないし請求項６のいずれかに記載のテキスト抽出装置として機能させる
    ことを特徴とするテキスト抽出プログラム。

Images