JP2010102668A - メタデータ抽出装置およびその方法 - Google Patents

Abstract

【課題】一部に共通構造を有し全体的には自由に編集可能な半固定的帳票等の非定型文書からでも、レイアウト情報を使わずに、キーワード・メタデータを抽出する。
【解決手段】一部に共通構造を有し全体的には自由に編集可能な非定型文書からメタデータを抽出するメタデータ抽出装置であって、前記非定型文書の基準型となる参照文書を種別する特徴的な１つ以上の文字列と該文字列を取り囲む所定の領域とをテンプレートに登録するテンプレート作成処理部と、前記メタデータを抽出する対象となる入力文書に対して前記テンプレートに登録された領域内部の文字列を読取り、前記入力文書にテンプレートに登録された前記文字列が含まれるか否かを判別することで文書種別を判定するテンプレート照合処理部と、前記判定の結果に基づき、前記テンプレートを用いて前記入力文書から前記メタデータの記述形式に適合する文字列をメタデータとして抽出するメタデータ抽出処理部と、を有する。
【選択図】図５

Description

本発明は、文書中のメタデータを抽出する装置およびその方法に関する。

スキャナ技術の発達・オフィス効率化の流れから、紙文書を電子化し管理する需要が増えている。近年では、日本版SOX法や内部統制に対応するために、企業は種々の営業証憑や関連文書を確実に保管しておく必要がでてきており、紙文書の電子化の流れはますます強くなっている。

文書量が膨大になると、それをどのように管理し、効率的に検索するかが課題となる。解決手段のひとつとして、文書中の属性情報やキーワード（これをメタデータとよぶ）を抽出し、それを文書と紐付けて管理する方法がある。営業証票を例に取れば、文書中に書かれた案件名・取引先会社名・契約日・受付番号などがメタデータである。メタデータを用いて検索することで、ある案件で取り交わした全文書の取得や、過去にX社と取り交わした文書の取得など様々な切り口による検索が実現できる。

文書からのメタデータ抽出技術では、（１）あらかじめ文書ごとに、文書の形状と文書上の取得したいメタデータの領域の場所を記録しテンプレートとして登録しておき、（２）文書入力時には、入力文書と同じテンプレートがないかを調べ、同じテンプレートがある場合にはテンプレートに記録されたメタデータの領域を参照して入力文書からメタデータを読み取る、というステップで行われる。

メタデータ領域の場所の指定方法としては、例えば非特許文献１に開示されているように、文書画像上の座標値による指定が一般的であり、多くの製品が出ている。しかしながらこの方法では、登録時のテンプレートと入力時の文書画像のズレ（傾き、位置ズレなど）やＦＡＸなどによる若干の文書の形の伸縮変化があると正しいメタデータ領域を抽出することができないという問題点があった。この問題を回避するために、特許文献１では、文書のフォームのうち罫線とユーザが指定したメタデータ領域との相対位置情報をテンプレート登録しておき、入力文書に対してテンプレートの照合を行い、対応する罫線を特定し、その罫線から上記相対位置情報を用いて入力文書のメタデータ領域を抽出している。また特許文献２では、サンプル文書の画像中でメタデータ領域となる箇所を包含するように矩形で囲み、矩形内のレイアウト特徴（座標・レイアウト・文字サイズ・フォントが強調されているか否かなど）を設定し、テンプレート登録する。文書入力時にはテンプレートと照合し、レイアウト特徴の情報からメタデータ項目を抽出する。

OnBase（登録商標）（https://www.onbase.com/japan/） 特開平１０−２８９２５３号公報 特開２００１−５６８３７号公報

しかしながら、企業で取り交わされる実際の帳票・証票文書をみると、テンプレート登録文書と入力文書とは、画像ズレ以外にも多くの差異がみられる。というのも、帳票や証票を作成するときは、多くの場合、以前作成した文書データのオフィスファイルを編集して新たに作成するから（以前に作成した文書データを使いまわしているから）である。

例えば、図１に示す証票「御見積書」をテンプレート登録したとする。この証票には見積No.や日付、あて先（AAA株式会社）、品名（データベースサーバPQR）などが記述されている。

図２に別の「御見積書」の例を示す。図２の証票は図１の証票を参照元として作成している。図２ではあて先として、「BBB株式会社 東京支店マーケティング企画部 御中」とあるが、図１のように複数行とせず一行で書いている。また図１では差出人として郵便番号から記述されているが、図２では郵便番号はない。さらに、図１では、表の中で「データベースサーバPQR」という品名に相当する情報が、図２では「文書管理システムの機器一式および保守サービス（３年分）」となっているが、図２では上記品名を書き込むエリアが小さいので、表の罫線をずらしてセルを広げて入力している。このように、通常、帳票や証票類を作成する際は、フォームの大まかな構造は変えないものの、細かいレベルで、文字列の追加・削除・編集が行われており、元々の参照文書からの差異が生ずる。

したがって、このようにテンプレートと入力文書に差異がある場合、非特許文献１のような座標値によるメタデータ領域の指定を行う方法は、テンプレートで定めたメタデータの座標領域が他の入力文書に当てはまるとは限らないので、適用させることは困難である。また、特許文献１では入力文書と罫線との相対位置情報をテンプレートと比較することでメタデータを抽出するものであるが、上述のように、罫線と記載情報との相対情報をテンプレート登録しておいても、罫線と入力文書との相対位置が一定でないときがあるので、これも適用するのは難しい。またそもそも罫線のない文書には適用することできない。一方、特許文献２では、文書を論理的な構造（レイアウト構造）で解釈するので、上記に述べたテンプレートと入力文書のズレは吸収できる。

しかしながら、テンプレートと入力文書との照合を文字サイズや場所などのレイアウト情報だけで行うため、別種類の文書で類似したレイアウト構造を持つものを同じと判定してしまう恐れがある。実際、そのような類似したレイアウト構造をもつ異なる種類の文書は多い。

本発明は上記問題に鑑みてなされたものであり、一部に共通構造を有し全体的には自由に編集可能な半固定的帳票等の非定型文書からでも、レイアウト情報を使わずに、キーワード・メタデータを抽出する。

本発明のメタデータ抽出装置およびその方法では、GUI上で文書を表示し、文書種別に特徴的な領域と領域内の文字列とメタデータ箇所を囲むように広く領域を登録し、それに従ってメタデータを抽出する。

すなわち、本発明のメタデータ抽出装置は、一部に共通構造を有し全体的には自由に編集可能な非定型文書からメタデータを抽出するメタデータ抽出装置であって、前記非定型文書の基準型となる参照文書を種別する特徴的な１つ以上の文字列と該文字列を取り囲む所定の領域とをテンプレートに登録するテンプレート作成処理部と、前記メタデータを抽出する対象となる入力文書に対して前記テンプレートに登録された領域内部の文字列を読取り、前記入力文書にテンプレートに登録された前記文字列が含まれるか否かを判別することで文書種別を判定するテンプレート照合処理部と、前記判定の結果に基づき、前記テンプレートを用いて前記入力文書から文字列をメタデータとして抽出するメタデータ抽出処理部と、を有する。

また、本発明のメタデータ抽出方法は、一部に共通構造を有し全体的には自由に編集可能な非定型文書からメタデータを抽出するメタデータ抽出方法であって、テンプレート作成処理部が、前記非定型文書の基準型となる参照文書データを種別する特徴的な１つ以上の文字列と該文字列を取り囲む領域とをテンプレートに登録するテンプレート登録ステップと、テンプレート照合処理部が、前記メタデータを抽出する対象となる入力文書に対して前記テンプレートに登録された領域内部の文字列を読取り、前記入力文書にテンプレートに登録された前記文字列が含まれるか否かを判別することで文書種別を判定する入力文書判定ステップと、メタデータ抽出処理部が、前記判定の結果に基づき、前記テンプレートを用いて前記入力文書から文字列をメタデータとして抽出するメタデータ抽出ステップと、を有する。

上記の場合において、前記テンプレート作成処理部は、さらに、前記参照文書内にある１つ以上のメタデータを含む領域と該メタデータの記述形式とを前記テンプレートに登録し、前記テンプレート照合処理部は、前記テンプレートを用いて前記入力文書に対して前記入力文書の種別を判定してもよい。

あるいは、前記テンプレート作成処理部は、さらに、前記メタデータが表内のセルに記載された文字列か表外に記載された文字列かを前記テンプレートに登録し、前記メタデータ抽出処理部は、前記メタデータが表内のセルに記載された文字列の場合、前記セルのうち前記メタデータ領域と交わる面積が最大となるものからメタデータを抽出、前記セルのうち前記メタデータ領域の中心座標が含まれるものに記述されたメタデータを抽出、前記セルのうち前記メタデータ領域と交わる面積の割合が最大となるものに記述されたデータを抽出、のうちいずれか１つの抽出処理を行い、メタデータが表外に記載された文字列の場合、前記メタデータ領域の中に文字列のブロックが完全に納められたものだけを抽出、前記メタデータ領域内に含まれる文字列だけを抽出、前記メタデータ領域と交わる文字列ブロックごとに抽出、のうちいずれか１つの抽出処理を行ってもよい。

一部に共通構造を有し全体的には自由に編集可能な半固定的帳票等の非定型文書において、文書の書き手によってフォームが上下左右に揺らぐ場合でも、レイアウト情報を使わずに、キーワード・メタデータを抽出できる。

以下、添付図面を参照して本発明の実施形態に係るメタデータ抽出方法について説明する。ただし、本実施形態は本発明を実現するための一例にすぎず、本発明の技術的範囲を限定するものではないことに注意すべきである。また、各図において共通の構成には同一の参照番号が付されている。

はじめに本発明のメタデータ抽出システムの動作概要について述べ、続いて本発明のメタデータ抽出システムの操作のためのGUI画面、ユーザがGUI画面に従って操作する際にコンピュータが実行する動作処理、の順で説明する。

＜メタデータ抽出システムの動作概要＞
本発明は、あらかじめユーザがGUI上で文書の“種別”（「御見積書」や「請求書」など）に特異的な領域（タイトル部分など）を囲み、その領域座標と領域内の“文字列”をテンプレート化して登録しておく。そして、入力文書との照合時には、入力文書内で登録済みの領域内に登録済みの文字列が書いてあるかどうかで、文書の種別を選択する。

まず、ユーザはGUI上で文書中の“メタデータ領域”を矩形で囲み、その“領域座標”を登録することについて説明する。ここで注意すべきは、ユーザは、メタデータ領域を矩形で囲むときは、帳票ごとにデータの座標位置がずれるのを考慮し、矩形を左右および上下に広げて登録するようにすることである。

テンプレート作成用の文書を想定したものを図３に示す。この文書が見積書であることをシステムで判断させるために、領域３０１の中に「御見積書」が、領域３０２の中に「見積No.」があるという情報を特異的事項として選択する。

そして、この文書から抽出したいメタデータとして、領域３０３にある「あて先」、領域３０４にある「日付」、領域３０５にある「品名」の内容（データベースサーバPQRが書かれた箇所）、領域３０６にある「見積番号」を選択し、登録する。

メタデータの領域を登録するときは、それが表外にあるデータなのか、表内のセルのデータなのかを予め登録する。表外のデータの場合は、上記メタデータ領域から文字列を取得する場合、(i)文字ブロックが完全にメタデータ領域内に含まれるものだけを読み出す、(ii)メタデータ領域内の全ての文字列を読み出す、(iii)文字ブロックでメタデータ領域と重なりがあるものを読み出す、のいずれかの方法で読む。表内のセルデータであるならば、メタデータの書かれたセルを正しく選ぶことができるように、(i)登録済み領域と表内のセルで重なる面積が最大のセルをメタデータの書かれたものとして選択する、(ii)登録済み領域の中心点が入るセルをメタデータの書かれたものとして選択する、(iii)登録済み領域と表内のセルで重なる面積がセル全体の面積に占める割合を計算し、それが最大のセルをメタデータの書かれたものとして選択する、のいずれかの方法で選択する。

また、あて先は「御中」で終わるもの、日付は年月日が書かれてあるものとして、記述形式に関する条件を設定する。
以上の選択および設定事項をテンプレートとして登録しておく。

このようにすることで、一部に共通構造を有し全体的には自由に編集可能な非定型文書からメタデータを抽出することができる。矩形を広げすぎるとメタデータとは関係のない文字列まで抽出するが、抽出データに対する記述形式（４桁の数であるとか、「御中」で終わる文字列など）を予め定義しておくことで、関係のないデータを取ることを防ぐ。

次に、上記テンプレートに記載された“種別”と入力文書の“種別”との照合でマッチした入力文書に対して、テンプレートに登録されたメタデータ領域に相当する領域を入力文書から抽出し、それを入力文書のメタデータとすることについて説明する。

入力文書を想定したものを図４に示す。ここで領域４０１〜４０６は、図３の３０１〜３０６と同じ座標位置に位置している。まず、この入力文書がどのような文書かを判定するために、システム内で作成済みのテンプレートを参照する。図３で作成したテンプレートとの照合では、領域４０１の内部に「御見積書」という文字列があるかどうか、領域４０２の内部に「見積No.」という文字列があるかどうかを判定する。図４の場合は両方とも登録済みの文字列が存在しているので、これを見積書であると判定する。なお、入力文書の領域４０１の内部に記載された「御見積書」のように、対応するテンプレートの領域３０１の記載位置とは異なっていても、矩形内に包含されているため判定可能である。

次に、領域４０３の中から「御中」で終わる文字列、領域４０４の中から年月日表記で書かれた文字列を読み出しこれをメタデータとする。領域４０５については、４０５の矩形領域と表内のセルで最も重なりが大きいセルを選択し、セル内のデータを読み出し、これをメタデータとする。ここで、表外にあるメタデータに対しては、文字ブロックが完全にメタデータ領域内に含まれるものだけを読み出す方法とし、表内に書かれたメタデータに対しては、登録済み領域と表内のセルとが重複する面積が最大となるセルからメタデータを抽出するものとする。

こうすることで、図３と図４では、あて先の長さが違っていたり、表の位置が上下にずれていたり、表内の罫線位置がずれていたりするが、本方法によってそのような揺らぎも吸収でき、メタデータを抽出することができる。

以上が本発明のメタデータ抽出システムの動作概要である。以下、本発明のメタデータ抽出システムの詳細を説明する。

はじめに、本発明のテンプレート作成、テンプレート更新、メタデータ抽出、のそれぞれの段階で用いられるGUI画面について図１３〜１８を参照して説明する。

＜テンプレート作成画面＞
テンプレートの作成中の画面を示した図を図１３に示す。テンプレート対象の文書を文書表示エリア１３０１に表示している。テンプレートを新規に作成するには、メニューバー１３０２で「テンプレートの新規作成」を選択し、テンプレート名称を入力して開始する。まずこの文書に特徴的な領域を設定する。例えば、文書のタイトルである「御見積書」をマウス等で選択する。すると、画面上に領域１３０３で示したような矩形が表示される。次に、矩形領域の文字抽出ボタン１３０４を押す。するとテキストボックス１３０５にその領域の文字列が入る。ユーザはこの文字列を編集することができる。この情報を取り消して最初から入力処理を始めるなら「キャンセル」ボタン１３０６、領域情報や文字列を登録するなら「次へ」ボタン１３０７を押下する。

テンプレート作成中に現れるダイアログ画面を図１４に示す。この画面は、図１３のボタン１３０７を押下したときに現れるものである。文書に特徴的な領域をさらに追加するならば「はい」ボタン１４０１を選択する。すると図１３の画面になり、追加できる状態になる。また、領域をこれ以上設定しないならば「いいえ」ボタン１４０２を選択する。

図１４でボタン１４０２を押下した後に現れるテンプレート作成中の画面を図１５に示す。ここではメタデータとして抽出したい領域を選択する。マウスなどでメタデータを取り囲む形で領域を選択すると、領域１５０１に示したような矩形を表示する。次に、このメタデータに関する情報を入力する。テキストボックス１５０２にこのメタデータの項目名称を入力し、ラジオボタン１５０３でこのメタデータが表内のデータか表外のデータかを選択し、テキストボックス１５０４にこのメタデータに関する記述形式を入力する。これらの情報を取り消して最初から入力処理を始めるなら「キャンセル」ボタン１５０５、情報を登録するなら「次へ」ボタン１５０６を押下する。

図１５のボタン１５０６を押下したときに現れるダイアログ画面を図１６に示す。文書に特徴的な領域をさらに追加するならば「はい」ボタン１６０１を選択する。すると図１５の画面になり、追加できる状態になる。また、領域をこれ以上設定しないならば「いいえ」ボタン１６０２を選択する。すると情報を登録したテンプレートファイルが作成される。

＜テンプレート更新画面＞
テンプレート更新中の画面を図１７に示す。テンプレートの更新処理ではメニューバー１７０１で「テンプレート更新」を選択し、テンプレートファイルを選択して開始する。図１７は見積書テンプレートを選択した例である。ユーザが選択すると、テンプレートに登録されている領域情報を読み出し、矩形１７０２のように画面上に表示する。さらに、文書に特徴的な文字列と、メタデータの文字列を１７０３のように強調表示する。図１７の例では、あて先が強調表示されていない。このような場合、自動的に、メタデータを囲むような領域を１７０４に示すように表示する。ユーザはこのような表示によって、テンプレートにどのような更新を行うかを視覚的に判断できる。

この文書に対してさらに特徴的な領域を追加する場合は、「特徴的な領域の追加」ボタン１７０５を押下する。すると図１３のような画面に遷移し、特徴的な領域を追加することができる。同様に、この文書に対してメタデータ領域を追加する場合は、「メタデータ領域の追加」ボタン１７０６を押下する。すると図１５のような画面に遷移し、メタデータを追加することができる。

また、領域の情報を削除する場合は、マウスなどで文書画面上の領域を選択し、「領域情報の削除」ボタン１７０７を押下する。

また、領域情報の編集を行うときは、マウスなどで文書画面上の領域を選択すると、登録済みのメタデータ項目名称がテキストボックス１７０８に、このメタデータが表内のデータか表外のデータかの選択結果がラジオボタン１７０９に、メタデータに関する記述形式がテキストボックス１７１０に入るので、それを編集する。もしくは、文書画面上から領域の矩形をマウスでドラッグすることで再設定することもできる。編集が終われば「更新」ボタン１７１１を押してテンプレートファイルを更新する。

＜メタデータ抽出画面＞
メタデータ抽出の画面を図１８に示す。メニューバー１８０１で「メタデータ抽出」を選択すると、表示中の文書に対してテンプレートの照合を行い（この図の場合は見積書テンプレートを照合した）、メタデータを自動抽出する。抽出結果はメタデータ表示エリア１８０２に表示される。このエリアは編集可能になっており、間違って取得したデータは編集を加えることができる。

また、メタデータを新たに追加したい場合は「追加」ボタン１８０３を押下することによって追加する。

メタデータを削除したい場合は、メタデータ表示エリアから削除対象のメタデータを選んで「削除」ボタン１８０４を押下する。

メタデータに対する編集・追加・削除などの処理を終えたら、「メタデータの登録」ボタン１８０５を押下してメタデータを登録する。

次に、本発明のメタデータ抽出システムの構成および動作処理について図５〜１１を参照して説明する。

＜メタデータ抽出システムの構成＞
本発明のメタデータ抽出システムの内部構造を概略的に示した構成図を図５に示す。このシステムは、見積書や契約書などの文書が蓄積された文書DB５０１、文書種別を判定しメタデータを抽出するために、文書種別に特徴的な情報や文書のメタデータ領域の情報を記述したテンプレートファイルを格納したテンプレートDB５０２、文書から抽出したメタデータを格納するメタデータDB５０３、文書や文書上のメタデータ領域を表示するための表示装置５０４、メタデータ領域の入力やデータの編集、メニューの選択などの操作を行うためのキーボード５０５とマウスなどのポインティングデバイス５０６、必要な演算処理、制御処理等を行う中央処理装置５０７を備える。ここで文書DB５０１は、DBとしての実体が物理的に一つではなく複数である場合も対象としている。

中央処理装置５０７には、テンプレートファイルの作成処理を行うテンプレート作成処理部５０８、既存のテンプレートファイルに対して更新処理を行うテンプレート更新処理部５０９、テンプレートと入力文書を照合し文書種別を判定するとともに、テンプレートと合致した入力文書に対してメタデータを抽出するテンプレート照合及びメタデータ抽出処理部５１０、文書やメタデータ領域など全ての画面表示に関する処理を行う表示処理部５１１からなる。以上に述べた処理部・データ・処理部等で用いられるプログラム等は、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＭＯ、フロッピーディスク、ＵＳＢメモリ等の記録媒体に格納して提供することもできる。

＜テンプレートファイルの内容＞
テンプレートDB５０２に含まれるテンプレートファイルの一例を図６に示す。このファイルはXMLで記述されている。また、このファイルは、文書種別ごとに、文書種別に特徴的な情報や文書内のメタデータ領域に関する情報が記述されており、文書種別を判定しメタデータを抽出するためのものである。

ルート要素<doc_template>は、このテンプレートファイルのテンプレート名称を表す子要素<name>、文書種別に関する特徴的な情報について記述されている子要素<featureList>、文書内のメタデータ領域に関する情報が記述されている子要素<metaRegList>を有する。

まず、<featureList>要素は、子要素となる<feature>を有し、文書種別を特定する文字列領域を領域ごとに設定する。図１、図２では、文書内の「御見積書」と「見積No.」の二つの文字列が、御見積書の種別を特定するものとして挙げられる。したがってこのテンプレートファイルの例では、「御見積書」と「見積No.」の二つの<feature>要素を子要素としてもつ。<feature>要素は、文書に特徴的な文字列である<string>と、その文字列を含む領域の情報<region>を子要素として有する。<region>要素は、４つの数字がカンマで区切られて記述されており、数字左から文字列の矩形領域の左上のx座標、y座標、右下のｘ座標、ｙ座標を表している（ここでは文書の左上の頂点を原点座標として、右向き、下向きをｘ座標とｙ座標の正の方向としている）。

次に、<metaRegList>要素では、文書中でメタデータが現れる領域を、領域ごとに<metaReg>として表している。<metaReg>は子要素として、<item>、<region>、<type>、<format>を有する。<item>要素はメタデータの項目名称であり、後述するメタデータ抽出結果で用いられる。<region>要素はメタデータが現れる箇所の領域を示しており、<feature>要素の<region>子要素と同様に、矩形領域の座標を４つのカンマ区切りの数字で表している。<type>要素はメタデータの表示領域に関する情報である。メタデータ領域が表の中にある場合はcellを、表の外にある場合はstringをここに記述する。<format>はメタデータに対する記述形式の条件である。<region>で指定される領域の文字列の中には、本来のメタデータと関係のない文字列が含まれているかもしれないが、それを削るためにメタデータの記述形式を設定する。つまり、<region>で指定された領域の文字列に対し、この条件に合致したものだけをメタデータとして取り出す。この例では記述形式を正規表現で与えている。

メタデータの抽出結果をまとめたメタデータファイルの一例を図７に示す。このファイルはメタデータDB５０３に含まれるものであり、XMLで記述されている。メタデータを使った検索を行うときはこのファイルを用いるか、またはこのファイルを検索システムに読み込ませて、文書とメタデータとを紐付けておく。ルート要素<document>には、該当ファイルのファイルパスを示す子要素<fileLoc>、メタデータを抽出するために用いたテンプレートのテンプレート名称（図６のテンプレートファイルの<name>要素の内容）である子要素<doc_template_name>、そして文書のメタデータを示す子要素<metainfo>を有する。<metainfo>は、文書内のメタデータの各々に対して<metadata>という子要素を有する。<metadata>は<item>と<val>という子要素を有しており、<item>はメタデータの項目名（図６）のテンプレートファイルの<item>要素の内容）、<val>はメタデータの値である。

次に、上記のように構成されたメタデータ抽出システムにおいて行われる処理について説明する。

＜テンプレート作成処理＞
まず、文書からのメタデータ抽出技術において、あらかじめ文書ごとに、文書の形状と文書上の取得したいメタデータの領域の場所を記録しテンプレートとして登録するため、テンプレートを作成する処理について説明する。ここでの処理は、ユーザが上述のテンプレート作成画面(図１３、１５)を見ながら操作する際に裏で行われる処理である。選択テンプレート作成処理の流れを概略的に示すフローチャートを図８に示す。以下、特に記載の無い処理の動作主体は、テンプレート作成処理部５０８である。

まず、テンプレートの対象とする文書をユーザが選択すると、表示処理部５１１がその文書を表示する。そして、テンプレート名称の入力を受け付けた後、テンプレートファイルの<name>要素として登録する。ここで、入力された名称が既にテンプレートDB５０２に登録済みのテンプレートのテンプレート名称として定義済みの場合は、警告メッセージを表示し、異なる名称で入力するよう促す（ステップ８０１、８０２）。

次に、文書の種別を判別するための情報を登録する。表示中の文書に対して、ユーザは文書種別に特異的な文字列領域を取り囲むように、マウス５０６などを用いて指定する。文書種別に特異的な文字列領域を受け付けた後、表示処理部５１１は入力領域の矩形を画面上に表示し、入力領域内の文字列を読み取って表示する。入力文書が文字コード情報のないイメージデータである場合は、入力領域に対してOCR処理で文字認識を行った後、表示する（ステップ８０３，８０４）。読み取った文字は編集できるようにしておき、編集操作があればそれを受け付ける（ステップ８０５）。矩形領域として、文書の種別に特徴的な文字列を含むように大きく指定した場合、ステップ８０４で不必要な文字列までも読み取ることが起こり得る。そこで、この編集操作によって、矩形領域には必要な文字列だけを残す。この領域をテンプレートとして登録すると決まれば、領域座標と文字列をテンプレートファイルの<featureList>の子要素<feature>を作成し、<feature>の子要素<region>と<string>にそれぞれ登録する（ステップ８０６，８０７）。もしこの領域を登録しない場合はステップ８０３に戻り、再度、登録処理を実行する。また、文書に特徴的な領域を更に追加する場合は、ステップ８０３に戻り、別の領域に対する登録処理を実行する（ステップ８０８）。

ユーザは、文書に特徴的な領域をできるだけ多く設定することで、文書種別がテンプレートDB内で排他的に一意に決まるようにしなければならない。たとえば同じ御見積書でも、自社で作成し他社に提示する御見積書と、他社が作成し自社に提示する御見積書で文書のフォームが異なる場合がある。このときそれぞれの御見積書に対してテンプレートを作成しなければならないが、文書の上部の領域にある「御見積書」の文字列だけを特徴としてテンプレートを設定すると、自社が作成したフォームか他社が作成したフォームかどちらかが判別できなくなる恐れがある。自社の御見積書フォームならではの文字列、他社の御見積書フォームならではの文字列をテンプレートに追加し、テンプレート照合の際の誤認識を防ぐようにする。たとえばこのステップ８０８で、テンプレートDB内のテンプレートファイルと比較し、現在設定しているテンプレートと重複するものはないかを確認する実施形態もある。

ステップ８０８で、他の領域を指定しないならば、次のメタデータ領域の指定処理に進む。メタデータ領域の指定処理では、まず、メタデータの場所を取り囲むようにユーザが領域を指定する。システムでは、その入力を受け付け、入力領域の矩形を画面上に表示する（ステップ８０９）。次に、指定したメタデータ領域に対して、メタデータの項目名称を受け付け、メタデータ領域が表内のセルデータであるか否かの選択も受け付ける（ステップ８１０，８１１）。また、メタデータの記述形式に関する条件があれば、その入力を受け付ける。この記述形式の条件を満足する文字列を、メタデータとして抽出するためである（ステップ８１２）。以上の情報を登録する場合は、テンプレートファイルの<metaRegList>に子要素<metaReg>を追加し、<item>にメタデータ項目名称を、<region>にメタデータ領域の座標を、<type>にセルデータの場合はcell、セルデータではないならばstringを、<format>にメタデータの記述形式を登録する。これらの情報を登録しない場合は、ステップ８０９に戻って再度、メタデータ領域に関する登録処理を行う（ステップ８１３，８１４）。さらに他のメタデータ領域を登録する場合はステップ８１５に戻って処理を再開する。全てのメタデータ領域を登録したら、処理を終了する（ステップ８１５）。

＜テンプレート更新処理＞
次に、上記で登録済みのテンプレートを更新する処理について説明する。ここでの処理は、ユーザが上述のテンプレート更新画面(図１７)を見ながら操作する際に裏で行われる処理である。

テンプレートを更新する処理のフローを概略的に示すフローチャートを図９に示す。ここでの動作主体は、特に記載がないものについては、テンプレート更新処理部５０９である。従来のテンプレートではメタデータを取得できない場合に、ユーザはテンプレートの更新処理を行う。まず新たにテンプレート対象とする文書を表示する（ステップ９０１）。

次に、更新対象のテンプレートファイルを読み込み、テンプレートファイルに書かれた全ての領域情報を表示する。すなわち、<featureList>要素のうち全ての<feature>要素に対して、その子要素<region>に書かれた領域の矩形と、<metaRegList>要素のうち全ての<metaReg>要素に対し、その子要素<region>に書かれた領域の矩形を画面上に表示する（ステップ９０２）。

次に、テンプレートを用いて抽出されるメタデータの領域を画面表示する。すなわち、<metaReg>の子要素<region>の中の文字列であって、<format>要素にある記述形式の条件に合致した文字列の領域を表示する。この条件がない場合は、領域内の全ての文字列を表示する。また、テンプレートによってメタデータが取れない場合は、メタデータが取得できるように拡張した領域を表示する。

ここでメタデータが取れない場合を、図１０を用いて説明する。図１０(i)に示すように、領域内にある文字列のブロック（図１０の例では「BBB株式会社製品企画本部マーケティング企画部御中」と「ご照会の件、下記の通り御見積もり申し上げます」がブロックである）で、領域内に完全に含まれるものがない場合や、(ii)に示すように、メタデータの記述形式に関する条件（<format>の条件。図１０(ii)では「御中」で終わる文字列を条件としている）を満たす文字列が領域内に完全に含まれない場合を指す。このようにメタデータを取れない場合は、取れるように領域を自動的に拡張する。つまり(i)(ii)とも「BBB株式会社製品企画本部マーケティング企画部御中」を完全に含むように領域を拡張する。そして拡張した領域を画面上に表示する（ステップ９０３）。

また、文書に特徴的な領域（テンプレートファイルの<feature>要素の子要素<region>）の中に、登録済み文字列（<feature>要素の子要素<string>の文字列）がない場合は、文字列が取得できるように領域を拡張したものを表示する（ステップ９０４）。

文書に特徴的な領域（テンプレートファイルにおける<feature>要素）を新たにテンプレートに追加する場合は、文書に特徴的な領域に関する登録処理を行う（ステップ９０５，９０６）。ステップ９０６の処理は、具体的には図８のステップ８０３から８０８と同じである。これでテンプレートの更新処理を終えるならば、処理を終了する。更新処理がまだ続くならば、ステップ９０２に戻って、更新処理を続ける（ステップ９０７）。

メタデータ領域を新規に追加する場合は、メタデータ領域の登録処理を行う（ステップ９０８、９０９）。ステップ９０９の処理は、具体的には図８のステップ８０９から８１５と同じである。ステップ９０９の処理の後は、ステップ９０７に進む。

領域の情報を削除する場合は、ユーザが選択した削除対象の矩形領域を受け付け、テンプレートファイルから対応する領域の情報（領域が、文書種別に特徴的な領域であるならばこの領域に対応するテンプレートファイル内の<feature>要素、メタデータ領域ならば領域に対応する<metaReg>要素）を削除する（ステップ９１０，９１１，９１２）。削除処理が終われば、ステップ９０７に進む。

領域の情報を編集する場合は、ユーザは編集対象の領域を選択し、その入力を受け付ける（ステップ９１３）。そして、選択された領域の関連情報（領域が文書種別に特徴的な文字列領域のときは領域に対応する文字列<string>、領域がメタデータ領域のときはメタデータ項目名称<item>、セルデータか否かの選択結果<type>、メタデータの記述形式F<format>）を表示し、これらの関連情報に関する編集を受け付ける（ステップ９１４）。

また、領域の大きさに関する編集操作の入力を受け付ける。たとえば、ユーザが画面上の矩形領域をマウス５０６などで変更する。また、ステップ９０３や９０４で（メタデータを取得するために）拡張した領域が画面上に表示されているならば、拡張された領域を選択することで領域の大きさを変更する方法もある（ステップ９１５）。以上の変更内容をテンプレートに反映させて、ステップ９０７に進む（ステップ９１６）。

＜テンプレート照合およびメタデータ抽出処理＞
次に、入力文書とテンプレートとを照合し、メタデータを抽出する処理について説明する。ここでの処理は、ユーザが上述のメタデータ抽出画面(図１８)を見ながら操作する際に裏で行われる処理である。テンプレート照合およびメタデータ抽出処理のフローを概略的に示すフローチャートを図１１に示す。ここでの動作主体は、特に記載がないものについては、テンプレート照合およびメタデータ抽出処理部５１０である。

まず、入力文書を読み込み、それを画面上に表示する（ステップ１１０１）。
次に入力文書とテンプレートDB５０２内のテンプレートファイルとの照合を行う。iを１とし、NをテンプレートDB５０２に蓄積されたテンプレートファイルの総数とする（ステップ１１０２）。ここでi はテンプレートファイルのカウンタとして用いる。i 番目のテンプレートとの照合処理では、テンプレートファイル内の<futureList>の全<feature>要素に対して、その子要素<region>に書かれた領域を、入力文書内から読み出す。入力文書が文字コード情報のないイメージデータである場合は、入力領域に対してOCR処理で文字認識を行って読み出す（ステップ１１０３）。

読み出した文字列が、同じ<feature>要素内の子要素<string>に書かれた文字列を含んでいるかを判定する（ステップ１１０４）。文字列がない場合は、i番目のテンプレートは当てはまらないことを意味している。次にi とNが等しいかどうかを判定する（ステップ１１０５）。iとNが等しければ全てのテンプレートファイルを照合したことになるので、マッチするテンプレートがないメッセージを表示し、手動によるメタデータ登録を受け付ける（ステップ１１０６）。

その後、後述するステップ１１１８に移動する。ステップ１１０５でi とNが等しくなければ、iを１つインクリメントし、ステップ１１０３に戻る。すなわち次のテンプレートファイルに対して処理を続行するようにする（ステップ１１０７）。一方、ステップ１１０４で文字列が含まれている場合は、入力文書がi番目のテンプレートと照合したことを示している。

テンプレートとの照合が成功した後は、i番目のテンプレートの情報にもとづいてメタデータを抽出する。ｊを１とし、Mをi番目のテンプレートファイルの<metaRegList>要素の子要素<metaReg>の数とする。すなわちMは文書から抽出するメタデータ領域の数である（ステップ１１０８）。

次に、メタデータがどのような形で文書上に書かれているか判別するために、j番目の<metaReg>要素の子要素<type>の値を参照する。これがstringであるならば、同じ<metaReg>要素の子要素<region>に対応する領域を入力文書内から（必要ならばOCR処理を施して）読み出す（ステップ１１０９、１１１０）。ここで読み出す文字列としては、文字列のブロックとして<region>の領域内に完全に含まれる文字列を抽出する。したがって、図１０の(i)のような場合は何も文字列として抽出されず、(ii)の場合は「受付番号：１２３」のみが抽出されることになる。

その後、読み出した文字列に対して、j番目の<metaReg>要素の子要素<format>に書かれている条件を満足する文字列のみを抽出する。<format>に何も指定がないならばここでは何も行わない（ステップ１１１１）。

また、ステップ１１０９において、j番目の<metaReg>要素の子要素<type>の値がcellであった場合、j番目の<metaReg>要素の子要素<region>の領域が入力文書内の表とオーバーラップしているかを判定する（ステップ１１１２）。表とオーバーラップしているのであれば、表のセルの中で<region>の領域とオーバーラップしている範囲が最も大きいセルを探索する（ステップ１１１３）。例えば図１２ではテンプレートで指定されたメタデータ領域に対して、表内の８つのセルとオーバーラップしているが、オーバーラップの面積が一番大きいセルは１２０５なので、それが選択される。ここで選択されたセルに対し、そのセル内のデータを（必要ならばOCR処理を施して）読み出す（ステップ１１１４）。

読み出したデータに対して、ステップ１１１１の処理を実行する。ステップ１１１１が終わるとメタデータが抽出される。jがMと等しいかを判定し（すなわちテンプレートファイルにある全てのメタデータ領域を読み取ったかどうかを判定し）、等しくないならばjを１つインクリメントし、ステップ１１０９から次の<metaReg>要素に対して処理を続行する（ステップ１１１５，１１１６）。

また、ステップ１１１２で、表と領域がオーバーラップしていないならば、メタデータを取ることが不可能なので、直接ステップ１１１５に移動する。ステップ１１１５にて、jとMが等しいならば、全てのメタデータ領域に対する処理を行ったことになる。これまでに読み取ったメタデータを表示し、メタデータに対する編集を受け付ける（ステップ１１１７）。メタデータの編集が終われば、これらのメタデータをメタデータファイルに登録し（ステップ１１１８）、処理を終了する。メタデータの登録は、具体的には、入力ファイルのファイルパスを<fileLoc>に、テンプレートファイルの<name>要素のデータを<doc_template_name>に、また<metainfo>の中に子要素<metadata>を作り、テンプレートファイルの<metaReg>要素の子要素<item>のデータを<metadata>の子要素<item>に、抽出したメタデータを<val>にそれぞれ登録する。

なお、図１１の処理フローでは、<featureList>の全ての子要素<feature>に対して、その<region>の領域に<string>の文字列があるときにテンプレートと照合したとみなしているが（ステップ１１０３、１１０４に相当）、<featureList>の子要素<feature>のうちの“どれか一つ”に対して、その<region>の領域に<string>の文字列があるときにテンプレートと照合したとみなすという実施形態もある。すなわち<feature>のAND条件ではなくOR条件で照合するという実施形態である。

また、他の実施形態として、入力文書について、テンプレートファイルで指定されるメタデータの領域（<metaReg>の子要素<region>の領域）の中にメタデータが存在しない場合、テンプレートファイルが違うものとして別のテンプレートファイルを参照するように処理を行う実施形態もある。つまり、図１１のステップ１１１０や１１１４で読み出した文字列が存在しない場合、またはステップ１１１１でformatの条件を満足する文字列が存在しない場合、ステップ１１０５に進み次のテンプレートファイルを適用するのである。

また、他の実施形態として、ステップ１１１０では<region>の領域内の文字列のブロックで領域内に完全に含まれる文字列のみを抽出するとしたが、<region>の領域内の全ての文字列を抽出する方法もある。この場合、図１０の(i)では「BBB株式会社愛知支店製品企画本部マーケティング」と「ご紹介の件、下記の通り御」が抽出文字列となる。

また、他の実施形態として、ステップ１１１０では<region>の領域内の文字列のブロックで領域内に完全に含まれる文字列のみを抽出するとしたが、<region>の領域と重なるすべての文字列ブロックを抽出する方法もある。この場合、図１０の(i)では「BBB株式会社愛知支店製品企画本部マーケティング企画部御中」と「ご紹介の件、下記の通り御見積もり申し上げます。」が抽出文字列となる。

また、他の実施形態として、ステップ１１１３で表内のセルを選択する際に、「オーバーラップの面積が最大のセル」として表の中のセルを選択しているが、「テンプレートで指定されたメタデータ領域の中心座標が含まれるセル」として表の中のセルを選択するような方法もある。

また、他の実施形態として、ステップ１１１３で表内のセルを選択する際に、「オーバーラップの面積が最大のセル」として表の中のセルを選択しているが、「セル内の全面積に対するオーバーラップの領域の面積の割合が最大のセル」として表の中のセルを選択するような利用形態もある。例えば、図１２のセル１２０２についてみると、オーバーラップしている領域の面積はセル全体の約２０％を占めているが、これと同じことを全てのセルに対して計算し、割合が最大のセルを選択するのである（この方法の場合、セル１２０５は割合が１００％なので、１２０５が選択される）。

以上説明したように、本実施の形態によれば、文書種別に特徴的な領域と領域内の文字列とメタデータ箇所の領域を登録し、それに従ってメタデータを抽出する。メタデータ箇所を囲むように広く領域を設定するので、文書の書き手によってフォームが上下左右に揺らぐような半固定的帳票等の非定型文書でも、メタデータを抽出することができる。

御見積書の一例を表す図である。 御見積書の一例を表す図である。 本発明の概要を表す説明図で、文書上に文書種別の特徴的な領域とメタデータ領域を指定する図である。 本発明の概要を表す説明図で、図３で指定した領域の情報を用いて、文書の判定およびメタデータを取得する図である。 本発明の実施の形態に係るシステムの概要図である。 テンプレートファイルの一例である。 メタデータファイルの一例である。 テンプレート作成処理の流れを示すフローチャートである。 テンプレート更新処理の流れを示すフローチャートである。 文書内で領域内の文字列ブロックに対する処理の説明をするための図である。 テンプレート照合とメタデータ抽出処理の流れを示すフローチャートである。 表内のセルデータを選択する処理の説明をするための図である。 テンプレートの作成過程で文書種別に特徴的な領域を設定する画面の例である。 テンプレートを作成する画面（ダイアログ）の例である。 テンプレートの作成過程でメタデータ領域を設定する画面の例である。 テンプレートを作成する画面（ダイアログ）の例である。 テンプレートの更新処理を示す画面の例である。 文書からメタデータを抽出する画面の例である。

符号の説明

３０１…文書中で「御見積書」を含む文書の特徴領域
３０２…文書中で「見積No.」を含む文書の特徴領域
３０３…文書中であて先を含むメタデータ領域
３０４…文書中で日付を含むメタデータ領域
３０５…文書中で品名の内容を含むメタデータ領域
３０６…文書中で見積番号を含むメタデータ領域
４０１…文書中で「御見積書」を含む文書の特徴領域
４０２…文書中で「見積No.」を含む文書の特徴領域
４０３…文書中であて先を含むメタデータ領域
４０４…文書中で日付を含むメタデータ領域
４０５…文書中で品名の内容を含むメタデータ領域
４０６…文書中で見積番号を含むメタデータ領域
５０１…文書DB
５０２…テンプレートDB
５０３…メタデータDB
５０４…表示装置
５０５…キーボード
５０６…マウス
５０７…中央処理装置
５０８…テンプレート作成処理部
５０９…テンプレート更新処理部
５１０…テンプレート照合及びメタデータ抽出処理部
５１１…表示処理部
１３０１…文書表示エリア
１３０２…メニューバー
１３０３…選択領域
１３０４…矩形領域の文字抽出ボタン
１３０５…文字抽出結果が入力されるテキストボックス
１３０６…キャンセルボタン
１３０７…次へボタン
１４０１…はいボタン
１４０２…いいえボタン
１５０１…選択領域
１５０２…メタデータ項目名を入力するテキストボックス
１５０３…表外データか表内データかを選択するラジオボタン
１５０４…メタデータの記述形式を入力するテキストボックス
１５０５…キャンセルボタン
１５０６…次へボタン
１６０１…はいボタン
１６０２…いいえボタン
１７０１…文書表示エリア
１７０２…メニューバー
１７０３…テンプレートに登録された領域
１７０４…テンプレートを用いて認識された文字領域
１７０５…特徴的な領域の追加ボタン
１７０６…メタデータ領域の追加ボタン
１７０７…領域情報を削除ボタン
１７０８…メタデータ項目名を入力するテキストボックス
１７０９…表外データか表内データかを選択するラジオボタン
１７１０…メタデータの記述形式を入力するテキストボックス
１７１１…更新ボタン
１８０１…メニューバー
１８０２…メタデータ表示エリア
１８０３…追加ボタン
１８０４…削除ボタン
１８０５…メタデータの登録ボタン

Claims (6)

1. 一部に共通構造を有し全体的には自由に編集可能な非定型文書からメタデータを抽出するメタデータ抽出装置であって、
   前記非定型文書の基準型となる参照文書を種別する特徴的な１つ以上の文字列と該文字列を取り囲む所定の領域とをテンプレートに登録するテンプレート作成処理部と、
   前記メタデータを抽出する対象となる入力文書に対して前記テンプレートに登録された領域内部の文字列を読取り、前記入力文書にテンプレートに登録された前記文字列が含まれるか否かを判別することで文書種別を判定するテンプレート照合処理部と、
   前記判定の結果に基づき、前記テンプレートを用いて前記入力文書から文字列をメタデータとして抽出するメタデータ抽出処理部と、
   を有することを特徴とするメタデータ抽出装置。
2. 請求項１に記載のメタデータ抽出装置において、
   前記テンプレート作成処理部は、さらに、前記参照文書内にある１つ以上のメタデータを含む領域と該メタデータの記述形式とを前記テンプレートに登録し、
   前記テンプレート照合処理部は、前記テンプレートを用いて前記入力文書に対して前記入力文書の種別を判定することを特徴とするメタデータ抽出装置。
3. 請求項２に記載のメタデータ抽出装置において、
   前記テンプレート作成処理部は、さらに、前記メタデータが表内のセルに記載された文字列か表外に記載された文字列かを前記テンプレートに登録し、
   前記メタデータ抽出処理部は、
   前記メタデータが表内のセルに記載された文字列の場合、前記セルのうち前記メタデータ領域と交わる面積が最大となるものからメタデータを抽出、前記セルのうち前記メタデータ領域の中心座標が含まれるものに記述されたメタデータを抽出、前記セルのうち前記メタデータ領域と交わる面積の割合が最大となるものに記述されたデータを抽出、のうちいずれか１つの抽出処理を行い、
   メタデータが表外に記載された文字列の場合、前記メタデータ領域の中に文字列のブロックが完全に納められたものだけを抽出、前記メタデータ領域内に含まれる文字列だけを抽出、前記メタデータ領域と交わる文字列ブロックごとに抽出、のうちいずれか１つの抽出処理を行うことを特徴とするメタデータ抽出方法。
4. 一部に共通構造を有し全体的には自由に編集可能な非定型文書からメタデータを抽出するメタデータ抽出方法であって、
   テンプレート作成処理部が、前記非定型文書の基準型となる参照文書データを種別する特徴的な１つ以上の文字列と該文字列を取り囲む領域とをテンプレートに登録するテンプレート登録ステップと、
   テンプレート照合処理部が、前記メタデータを抽出する対象となる入力文書に対して前記テンプレートに登録された領域内部の文字列を読取り、前記入力文書にテンプレートに登録された前記文字列が含まれるか否かを判別することで文書種別を判定する入力文書判定ステップと、
   メタデータ抽出処理部が、前記判定の結果に基づき、前記テンプレートを用いて前記入力文書から文字列をメタデータとして抽出するメタデータ抽出ステップと、
   を有することを特徴とするメタデータ抽出方法。
5. 請求項４に記載のメタデータ抽出方法において、
   前記テンプレート登録ステップは、さらに、前記参照文書内にある１つ以上のメタデータを含む領域と該メタデータの記述形式とを前記テンプレートに登録し、
   前記入力文書判定ステップは、前記テンプレートを用いて前記入力文書に対して前記入力文書の種別を判定することを特徴とするメタデータ抽出方法。
6. 請求項５に記載のメタデータ抽出方法において、
   前記テンプレート登録ステップは、さらに、前記メタデータが表内のセルに記載された文字列か表外に記載された文字列かを前記テンプレートに登録し、
   前記メタデータ抽出ステップは、
   前記メタデータが表内のセルに記載された文字列の場合、前記セルのうち前記メタデータ領域と交わる面積が最大となるものからメタデータを抽出する方法、前記セルのうち前記メタデータ領域の中心座標が含まれるものに記述されたメタデータを抽出する方法、前記セルのうち前記メタデータ領域と交わる面積の割合が最大となるものに記述されたデータを抽出する方法、のうちいずれか１つの方法を有し、
   メタデータが表外に記載された文字列の場合、前記メタデータ領域の中に文字列のブロックが完全に納められたものだけを抽出する方法、前記メタデータ領域内に含まれる文字列だけを抽出する方法、前記メタデータ領域と交わる文字列ブロックごとに抽出する方法、のうちいずれか１つの方法を有することを特徴とするメタデータ抽出方法。

Images