JP2010217972A - 構造化文書生成装置及び構造化文書生成プログラム - Google Patents

Abstract

【課題】大量のテキスト文書からユーザが必要とする情報を効率的に抽出する。
【解決手段】構造化文書生成装置１０は、テキスト文書の各文章から論理構造要素を生成し、この論理構造要素に含まれる各文章の単語毎に品詞情報を設定し、テキスト文書に対する出力条件が品詞情報により定義された文書型定義ファイルに基づいて、品詞情報が設定された論理構造要素から新たな構造化文書を生成する。
【選択図】図１

Description

本発明は、大量のテキスト文書からユーザが必要とする情報を効率的に抽出し得る構造化文書生成装置及び構造化文書生成プログラムに関する。

近年、情報処理技術の進展に伴い、大量のテキスト文書から有用な情報を抽出して活用したいというニーズが生じている。このようなニーズに応えるために、テキスト文書のような平文から、データを抽出し構造化データを生成する方法が検討されている（例えば特許文献１・２参照）。

特許文献１には、テキスト文書やソースプログラムから、あらかじめ抽出したいデータの記述位置を定義し、そのデータを指定したＤＴＤ（document type definition）に基づいてＸＭＬ（extensible markup language）の要素に格納して出力する方法が記述されている。

また、特許文献２には、形態素解析を行ったテキスト文書から抽出されたデータをＸＭＬ形式で出力する方法が記述されている。

特開２００１−２９０８０１号公報 特開２００５−２３５０９９号公報

しかしながら、上述した従来の技術では、テキスト文書からユーザの指定する条件に適合する情報を精度よく抽出し、その抽出結果を指定した形式の構造化文書として出力することができない。

例えば、特許文献１に係る技術では、形態素解析など意味情報による抽出ができない。また、特許文献１に係る技術では、抽出条件となる記述位置の指定を文書ごとに手動で行なう必要がある。

また、特許文献２に係る技術では、抽出に用いる位置座標情報では文書内容による抽出ができず、同じ内容でも文書内の位置座標が異なれば抽出できない。さらに、特許文献２に係る技術では、ＤＴＤやＸＭＬスキーマのような文書型定義が用いられておらず、同様の内容を有する週報や報告書などから出力される構造化データの構造が異なるものになる。

本発明は、上記実情に鑑みてなされたものであり、大量のテキスト文書からユーザが必要とする情報を効率的に抽出し得る構造化文書生成装置及び構造化文書生成プログラムを提供することを目的とする。

本発明は上記課題を解決するために、複数の文章が記述されたテキスト文書を入力するためのテキスト文書入力手段と、前記テキスト文書の各文章から論理構造要素を生成する論理構造要素生成手段と、形態素解析される文章を構成する単語と品詞情報とを関連付けて記憶する形態素解析情報記憶手段と、前記論理構造要素を形態素解析し、該論理構造要素に含まれる各文章の単語毎に前記品詞情報を設定する形態素解析手段と、前記形態素解析手段により品詞情報が設定された論理構造要素を中間ファイルとして記憶する中間ファイル記憶手段と、前記テキスト文書に対する出力条件が前記品詞情報に基づいて定義された文書型定義ファイルを入力するための文書型定義ファイル入力手段と、前記文書型定義ファイルにより定義された出力条件を前記品詞情報に基づいて解析する文書型定義解析手段と、前記文書型定義解析手段により解析された出力条件に基づいて、前記中間ファイル記憶手段に記憶された中間ファイルから新たな構造化文書を生成する構造化文書生成手段とを備えた構造化文書生成装置を提供する。

＜作用＞
従って、本発明は以上のような手段を講じたことにより、テキスト文書の各文章から論理構造要素を生成し、この論理構造要素に含まれる各文章の単語毎に品詞情報を設定し、テキスト文書に対する出力条件が品詞情報により定義された文書型定義ファイルに基づいて、品詞情報が設定された論理構造要素から新たな構造化文書を生成するので、文書型定義ファイルの出力条件に応じて、大量のテキスト文書からユーザが必要とする情報を効率的に抽出することができる。

本発明によれば、大量のテキスト文書からユーザが必要とする情報を効率的に抽出できる。

本発明の第１の実施形態に係る構造化文書生成装置１０の構成を示す模式図である。 同実施形態に係る「テキスト文書」の一例を示す模式図である。 同実施形態に係る論理構造要素のデータの一例を示す模式図である。 同実施形態に係る形態素解析されたデータの一例を示す模式図である。 同実施形態に係る形態素解析後に補正されたデータの一例を示す模式図である。 同実施形態に係る「文書型定義ファイル」の一例を示す模式図である。 同実施形態に係る要素内容定義情報の一例を示す模式図である。 同実施形態に係る文書型定義解析部１８を説明するための模式図である。 同実施形態に係る「構造化文書」の一例を示す模式図である。 同実施形態に係る構造化文書生成装置１０の動作を説明するためのフローチャートである。 本発明の第２の実施形態に係る構造化文書生成装置１０Ｓの構成を示す模式図である。 同実施形態に係る「サンプル文書」の一例を示す模式図である。 同実施形態に係る「構造化文書の雛形」の一例を示す模式図である。 同実施形態に係る文書型定義ファイル雛形修正部３７が表示するＧＵＩ画面の一例を示す模式図である。 同実施形態に係る「文書型定義ファイルの雛形」の一例を示す模式図である。

以下、図面を参照して本発明の実施形態を説明する。

＜第１の実施形態＞
（構造化文書生成装置の構成）
図１は本発明の第１の実施形態に係る構造化文書生成装置１０の構成を示す模式図である。

構造化文書生成装置１０は、テキスト文書入力部１１・論理構造要素生成部１２・形態素解析辞書１３・形態素解析部１４・形態素解析補正部１５・中間ファイル記憶部１６・文書型定義ファイル入力部１７・文書型定義ファイル解析部１８・構造化文書生成部１９・構造化文書出力部２０を備えており、構造化文書としてＸＭＬ文書を生成する。

なお、構造化文書生成装置１０は、ハードウェア構成とソフトウェア構成との組合せにより実現可能である。ソフトウェア構成は、予めコンピュータ読み取り可能な記憶媒体またはネットワークから得られた「構造化文書生成プログラム」がコンピュータにインストールされることにより、構造化文書生成装置１０としての各機能を実現する。

テキスト文書入力部１１は、図２に示すような、複数の文章が記述された「テキスト文書」を入力するためのインタフェース装置である。このテキスト文書入力部１１は、入力されたテキスト文書を論理構造要素生成部１２に送出する。

論理構造要素生成部１２は、テキスト文書入力部１１により入力されたテキスト文書の各文章から「論理構造要素」を生成するものである。具体的には、論理構造要素生成部１２では、文の改行情報を基に段落や章などを抽出し、それぞれに識別情報（<para ID>，<chapter ID>）を属性値として持つタグを設定する。これにより、図３に示すような論理構造要素のデータが生成される。そして、論理構造要素生成部１２は、論理構造要素のデータを形態素解析部１４に送出する。

形態素解析辞書１３は、形態素解析される文章を構成する単語と「品詞情報」とを関連付けて記憶するメモリである。

形態素解析部１４は、形態素解析辞書１３を参照して論理構造要素を形態素解析し、論理構造要素に含まれる各文章の単語毎に品詞情報を設定するものである。ここでは、形態素解析部１４は、論理構造要素のタグで囲まれた部分の文章に対して、それぞれ形態素解析辞書１３を参照して、品詞の種類を表わす品詞ＩＤを属性値とするタグを設定する。これにより、図４に示すような、品詞情報が設定された論理構造要素のデータが得られる。また、形態素解析部１４は、このデータを形態素解析補正部１５に送出する。

形態素解析補正部１５は、形態素解析部１４による形態素解析結果の補正を行なうものである。形態素解析補正部１５では、補正ルール情報を記憶するメモリを内蔵しており（もちろん外部メモリに記憶していても良い）、この補正ルールに基づいて形態素解析の処理結果の補正を行なう。これにより、図５に示すような、データが得られる。ここでは、下線Ｌ１・Ｌ２の箇所に補正処理が実行されたことが示されている。なお、補正処理されたデータは、「中間ファイル」として、中間ファイル記憶部１６に書き込まれる。

補足すると、形態素解析部１４による形態素解析によって、品詞情報のタグ付けが行われると、実際に抽出したいデータよりも細かい形態素に分けられてしまう場合がある。そこで、このような細かく分けられてしまった形態素を抽出する際に指定され得るデータにするための補正が行なわれる。具体的には、“全体会議”のような複数の名詞を組み合わせた複合名詞などは、“全体”と“会議”のように最小の名詞に分割されてしまうため、本来抽出したい複合名詞の形に補正される。

なお、補正ルール情報としては、“http”から始まり英字、数字、記号を含む連続する品詞列は、１つのＵＲＬ情報として結合するといったルールや、複合名詞として登録されている場合、名詞に分類される、連続する品詞列を１つの要素として結合するといったルールが記述されている。

中間ファイル記憶部１６は、形態素解析補正部１５から送出されたデータを「中間ファイル」として記憶するメモリである。すなわち、品詞情報が設定された論理構造要素が中間ファイルとして記憶されている。

文書型定義ファイル入力部１７は、「文書型定義ファイル」を入力するためのインタフェース装置である。文書型定義ファイルには、テキスト文書に対する出力形式が品詞情報に基づいて定義されている。

詳しくは、文書型定義ファイルは、図６に示すように、ＸＭＬスキーマの仕様の他に独自定義の仕様で記述された抽出ルール及び出力フォーマットにより、テキスト文書に対する出力条件が記述されている。ＸＭＬスキーマの仕様により、正規表現、文字列の長さ、列挙値などによる要素の制約ファセットが抽出ルールとして定義されている。また、ＸＭＬスキーマの仕様により、組込みデータ型、単純型、複合型、要素の出現回数、属性値の指定などが出力フォーマットとして定義されている。これにより、組込みデータ型が指定されている場合には、指定したデータ型に正規化して出力することが可能となる。この場合、出力前に抽出データが正規化できる形であるかどうかを判定し、正規化可能である場合のみ正規化したデータを出力する。一方、独自定義の仕様により、単数や複数で用いられる品詞ＩＤ・品詞ＩＤ列や、予め品詞ＩＤ列に名前をつけて登録した要素内容定義情報が抽出ルールとして定義されている。図３〜図６のＸＭＬスキーマでは、品詞情報が“hid”と記述され、要素内容定義情報が“tag”と記述される。この独自定義の抽出ルールにより、抽出のための品詞ＩＤの指定や、ＵＲＬや日付、郵便番号、単位付きの数字などを抽出するための要素内容定義情報の指定が可能となる。さらに、テキスト文書中の抽出データの出現位置となる段落や章の識別情報を用いて、抽出したデータをグループ化し、ＸＭＬの同じ要素の子要素として出力することも可能となる。例えば、氏名と所属の組み合わせを抽出し、同じＸＭＬ要素の子要素として出力したい場合は、段落ＩＤが同じとなる氏名と所属を組み合わせるというルールを指定する。また、独自定義の仕様により、組み込みデータ型による出力データの正規化や、段落や章の識別情報による要素の組み合わせなどが出力フォーマットとして定義されている。図３〜図６のＸＭＬスキーマでは、段落の範囲が“pid_scope”、章の範囲が“cid_scope”と記述される。

文書型定義ファイル解析部１８は、文書型定義ファイルにより定義された出力条件を品詞情報に基づいて解析するものである。例えば、文書型定義ファイル解析部１８は、品詞情報として、品詞ＩＤ単独・品詞ＩＤ複数・品詞ＩＤ列単独・品詞ＩＤ列複数のいずれか、又は要素内容定義情報に基づいて出力条件を解析する。品詞ＩＤ単独とは、１つのＸＭＬ要素に対して、１つの品詞ＩＤが指定されているものである。品詞ＩＤ複数とは、１つのＸＭＬ要素に対して、複数の品詞ＩＤが指定されているものである。品詞ＩＤ列単独とは、１つのＸＭＬ要素に対して、１つの品詞ＩＤ列が指定されているものである。品詞ＩＤ列複数とは、１つのＸＭＬ要素に対して、複数の品詞ＩＤ列が指定されているものである。なお、品詞ＩＤ列とは、品詞ＩＤを複数連結したものである。指定した品詞ＩＤ列の順番で出現する品詞列を該当データとして抽出することが可能となる。一方、「要素内容定義情報」は、使用頻度が高い品詞ＩＤ列に名前をつけて予め定義しておき、品詞ＩＤ列を指定する代わりに使用するものである。これにより、指定した名前に対応する品詞列が抽出可能となる。要素内容定義情報は、図７に示すように、ＸＭＬで定義することが可能である。図７において、各品詞ＩＤ列の数値は、１：数詞、４：記号（空白含む）、３３：姓、３４：名、６５：助数詞をそれぞれ示している。

なお、文書型定義ファイル解析部１８は、文書型定義ファイルを解析する際、図８に示すように、文書型定義ファイルに記述されたＸＭＬスキーマを木構造に展開する。

構造化文書生成部１９は、文書型定義ファイル解析部１８により解析された出力条件に基づいて、中間ファイル記憶部１６に記憶された中間ファイルから、図９に示すような新たな構造化文書を生成するものである。例えば、構造化文書生成部１９は、品詞情報Ｈ１と単語Ｗ１とが関連付けられた中間ファイル（図４）から、出力条件Ｊ１が品詞情報Ｈ１により定義された文書型定義ファイル（図６）に基づいて、出力条件Ｊ１と単語Ｗ１とが関連付けられた構造化文書（図９）を生成する。

詳しくは、構造化文書生成部１９は、文書型定義ファイルに記述された抽出ルールにより、中間ファイルからデータを抽出し、そのデータを文書型定義ファイルの出力フォーマットに従った所定の位置に配置した構造化文書を生成する。抽出ルールに従った構造化文書を生成する際、文書型定義ファイルに、
<xsd:element name="name" type="xsd:string" xsf:hid="33,35"/>
と記述されている場合、構造化文書生成部１９は要素“name”の候補として品詞ＩＤが“33”と“35”のデータを抽出する。また、
<xsd:element name="date" type="dateType" xsf:tag="date"/>
と記述されている場合、要素“date”の候補として要素内容定義情報においてdateと定義された品詞ＩＤ列のデータを抽出する。なお、要素の型定義が“単純型（simpleType）”のものは、制約ファセットによる抽出も行なう。

また、構造化文書生成部１９は、出力フォーマットに従った構造化文書を生成する際、ＸＭＬスキーマに定義された要素の出現回数や出現位置による組み合わせ条件を加味して構造化文書を生成する。例えば、構造化文書生成部１９は、段落の範囲を示す識別情報“pid_scope”によるスコープ判定を行い、候補値を選定する。“pid_scope”が“１”の場合は同じ段落内に出現する候補値の組み合わせを出力対象とする。また、ＸＭＬスキーマの組込みデータ型である「date型」や「time型」のＸＭＬ要素の内容が日付や時刻を表すものであれば、date型を「1999-05-31」、time型を「13:20:00.000, 13:20:00.000-05:00」のように正規化して出力する。構造化文書生成部１９は、正規化可能なものがあれば正規化した構造化文書を生成する。

構造化文書出力部２０は、構造化文書生成部１９により生成された構造化文書を外部装置等に出力するものである。

（構造化文書生成装置の動作）
次に本実施形態に係る構造化文書生成装置１０の動作を図１０のフローチャートを用いて説明する。

まず、ユーザによるテキスト文書入力部１１の操作によりテキスト文書が入力される（ステップＳ１）。入力されたテキスト文書は論理構造要素生成部１２に送出される。

続いて、論理構造要素生成部１２によりテキスト文書から論理構造要素が生成される（ステップＳ２）。具体的には、論理構造要素生成部１２により、テキスト文書中の段落や章が抽出され、それらの文章が段落ＩＤや章ＩＤの属性を有するＸＭＬタグで囲まれる。“段落”は文書中の１つの改行、“章”は２つの改行をもとに抽出される。このようにして、論理構造要素が生成され、形態素解析部１４に送出される。

次に、形態素解析部１４において、論理構造タグで囲まれた部分の文章に対して、それぞれ形態素解析辞書１３を用いて形態素解析が行なわれる（ステップＳ３）。これにより、品詞ごとに品詞ＩＤのタグが設定される。

形態素解析によって、品詞ＩＤのタグ付けが行われると、実際に抽出したいデータよりも細かい形態素に分けられてしまう場合がある。そこで、形態素解析補正部１５により、細かく分けられてしまった形態素を抽出可能なデータにするための補正処理が行なわれる（ステップＳ４）。これにより、「○×記念会館」や「開発生産性」のような複数の名詞の組み合わせによる複合名詞などが得られることになる。

そして、形態素解析補正部１５により補正されたデータは、中間ファイルとして、中間ファイル記憶部１６に書き込まれる（ステップＳ５）。また、補正されなかったデータは、そのまま中間ファイルとして中間ファイル記憶部１６に書き込まれる。

この後、ユーザによる文書型定義ファイル入力部１７の操作により文書型定義ファイルが入力されると（ステップＳ６−Ｙｅｓ）、文書型定義ファイル解析部１８により品詞情報に基づいて出力条件が解析される（ステップＳ７）。解析された出力条件は構造化文書生成部１９に送出される。

次に、構造化文書生成部１９により、中間ファイルが中間ファイル記憶部１６から読み出される（ステップＳ８）。

続いて、構造化文書生成部１９により、文書型定義解析部１８から受け取った出力条件に基づいて、中間ファイルから該当するデータが抽出される。具体的には、形態素解析による品詞ＩＤの指定や、ＵＲＬ・日付・郵便番号・単位付きの数字などを抽出するための要素内容定義情報による指定、その他の文書型定義ファイルにおいて指定される要素内容の制約条件による指定等により中間ファイルからデータが抽出される。

そして、構造化文書生成部１９により、文書型定義ファイルの出力フォーマットに従った所定の位置に抽出結果が格納されて、新たな構造化文書が生成される（ステップＳ９）。この際、ＸＭＬスキーマで要素のデータ型が定義されている場合、そのデータ型に正規化された構造化文書が生成される。

構造化文書生成部１９により生成された構造化文書は、構造化文書出力部２０を介してディスプレイ等に出力される（ステップＳ１０）。

（構造化文書生成装置の効果）
以上説明したように、本実施形態に係る構造化文書生成装置１０によれば、テキスト文書の各文章から論理構造要素を生成し、この論理構造要素に含まれる各文章の単語毎に品詞情報を設定し、テキスト文書に対する出力条件が品詞情報により定義された文書型定義ファイルに基づいて、品詞情報が設定された論理構造要素から新たな構造化文書を生成するので、文書型定義ファイルの出力条件に応じて、大量のテキスト文書からユーザが必要とする情報を効率的に抽出することができる。

補足すると、構造化文書生成装置１０によれば、テキスト文書のような平文から、ユーザが文書型定義ファイルに記述した抽出ルールによりデータを抽出し、その文書型定義ファイルの出力フォーマットに準拠したＸＭＬ文書を得ることができる。例えば、構造化文書生成装置１０によれば、報告書やメイル、論文などの文書に対する情報（文書のメタデータ）を、文書中から精度よく抽出し、指定した形式の構造化文書として出力することが可能となる。

また、構造化文書生成装置１０によれば、文書型定義ファイルにおいて、論理構造の情報を用いた抽出データの組み合わせ、出現回数(抽出個数)、およびデータ型を指定することにより、機械処理が容易なデータを組み合わせた構造化文書を生成できる。これにより、一連の処理を自動化でき、抽出処理の省力化が可能になる。

また、構造化文書生成装置１０は形態素解析補正部１５を有しており、形態素解析の処理結果を補正するので、ユーザが必要とする情報を適切に得ることができる。

＜第２の実施形態＞
図１１は本発明の第２の実施形態に係る構造化文書生成装置１０Ｓの構成を示す模式図である。なお、既に説明した部分と同一部分には略同一符号を付し、特に説明がない限りは重複した説明を省略する。

本実施形態に係る構造化文書生成装置１０Ｓは、第１実施形態に係る構造化文書生成装置１０が文書型定義ファイルの作成支援機能を有したものである。具体的には、構造化文書生成装置１０Ｓは、サンプル文書入力部３０・論理構造要素生成部３１・形態素解析部３２・形態素解析補正部３３・構造化文書雛形入力部３４・形態素解析部３５・文書型定義ファイル雛形生成部３６・文書型定義ファイル雛形修正部３７・文書型定義ファイル出力部３８をさらに備えている。

サンプル文書入力部３０は、例えば図１２に示されるような、複数の文章が記述された「サンプル文書」を入力するためのインタフェース装置である。

論理構造要素生成部３１は、サンプル文書入力部３０により入力されたサンプル文書の各文章から論理構造要素を生成するものである。論理構造要素生成部３１は、サンプル文書の論理構造要素を形態素解析部３２に送出する。

形態素解析部３２は、サンプル文書の論理構造要素を形態素解析するものであり、品詞情報が設定されたサンプル文書の論理構造要素を生成する。この形態素解析部３２は、第１の実施形態に係る形態素解析部１４と同様の機能を有している。

形態素解析補正部３３は、第１の実施形態に係る形態素解析補正部１５と同様の機能を有しており、形態素解析部３２による処理結果を補正するものである。

構造化文書雛形入力部３４は、サンプル文書に対応する構造化文書を、「構造化文書の雛形」として入力するためのインタフェース装置である。ここでの構造化文書の雛形としては、例えば図１３に示すようなものが挙げられる。

形態素解析部３５は、第１の実施形態に係る形態素解析部１４と同様の機能を有しており、形態素解析辞書１３を参照して構造化文書の雛形を形態素解析するものである。

文書型定義ファイル雛形生成部３６は、品詞情報が設定されたサンプル文書の論理構造要素から、構造化文書の雛形を生成するための出力条件を解析し、文書型定義ファイルの雛形を生成するものである。まず、文書型定義ファイル雛形生成部３６は、構造化文書の雛形の構造解析を行い、階層構造や要素の出現回数などの情報を抽出する。次に、文書型定義ファイル雛形生成部３６は、構造化文書の雛形に記述された各要素のサンプル文書内の出現位置、構造化文書の構造、構造化文書の要素の品詞情報を取得し、要素の型定義がない文書型定義ファイルの雛形を生成する。

文書型定義ファイル雛形修正部３７は、文書型定義ファイル雛形生成部３６により生成された文書型定義ファイルの雛形を修正するためのものである。例えば図１４に示すように、文書型定義ファイル雛形修正部３７は、文書型定義ファイルの雛形をディスプレイ等に出力する。そして、ＧＵＩ（graphical user interface）で要素の型等の追加定義を可能にする。ＧＵＩ画面では、要素の型定義と出現回数の定義を支援するリストボックスとテキストボックス、ボタンの操作等が可能となっている。これにより、ユーザは、属性選択リストボックスや属性値選択リストボックスから該当するものを選択し、属性選択リストボックスの場合はその値を属性入力テキストボックスに入力することが可能となる。また、属性を追加したい場合には属性追加ボタンをクリックすることで、新たなリストボックスやテキストボックスを追加することができる。ここでは、“type”属性の値として、“simpleType”または“complexType”が選択された場合、リストボックスの編集が可能となり、ユーザは型名を入力できるようになる。また、文書型定義ファイルの文末に“simpleType”または“complexType”の定義が追加される。さらに、その内部の属性値や、要素の定義などをリストボックスやテキストボックスの表示に従い行なうことも可能である。そして、“出力”ボタンＢ１が押下されると、図１５に示されるような、修正された文書型定義ファイルの雛形が生成される。

文書型定義ファイル出力部３８は、文書型定義ファイル雛形修正部３７により修正された文書型定義ファイル、または文書型定義ファイル雛形生成部３６により生成された文書型定義ファイルを外部装置等に出力するものである。

上述した構成により、本実施形態に係る構造化文書生成装置１０Ｓによれば、サンプル文書の論理構造要素を形態素解析し、品詞情報が設定されたサンプル文書の論理構造要素を生成し、この品詞情報が設定されたサンプル文書の論理構造要素から、構造化文書の雛形を生成するための出力条件を解析し、文書型定義ファイルの雛形を生成するので、ユーザが必要とする情報を簡易に得ることができる。

補足すると、出力条件等を記述した文書型定義ファイルを生成するには専門的知識が必要とされる。これに対し、サンプル文書や、そこから生成される目標となる構造化文書の雛形は容易に作成することが可能である。そこで、本実施形態に係る構造化文書生成装置１０Ｓでは、文書型定義ファイルを直接生成せずに、サンプル文書と構造化文書の雛形とを元に文書型定義ファイルを生成することで、文書型定義ファイルを容易に生成できるようにしている。結果として、ユーザは、必要とする情報を簡易に得ることができる。

また、本実施形態に係る構造化文書生成装置１０Ｓは、ＧＵＩにより文書型定義ファイルを修正できるので、文書型定義ファイルの出力条件として、ユーザの意図に合った直観的な情報の組み合わせを得るように設定できる。

＜その他＞
なお、本発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態に構成要素を適宜組み合わせてもよい。

なお、上記実施形態に記載した手法は、コンピュータに実行させることのできるプログラムとして、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、光磁気ディスク（ＭＯ）、半導体メモリなどの記憶媒体に格納して頒布することもできる。

また、この記憶媒体としては、プログラムを記憶でき、かつコンピュータが読み取り可能な記憶媒体であれば、その記憶形式は何れの形態であっても良い。

また、記憶媒体からコンピュータにインストールされたプログラムの指示に基づきコンピュータ上で稼働しているＯＳ（オペレーティングシステム）や、データベース管理ソフト、ネットワークソフト等のＭＷ（ミドルウェア）等が上記実施形態を実現するための各処理の一部を実行しても良い。

さらに、本発明における記憶媒体は、コンピュータと独立した媒体に限らず、ＬＡＮやインターネット等により伝送されたプログラムをダウンロードして記憶または一時記憶した記憶媒体も含まれる。

また、記憶媒体は１つに限らず、複数の媒体から上記実施形態における処理が実行される場合も本発明における記憶媒体に含まれ、媒体構成は何れの構成であっても良い。

尚、本発明におけるコンピュータは、記憶媒体に記憶されたプログラムに基づき、上記実施形態における各処理を実行するものであって、パソコン等の１つからなる装置、複数の装置がネットワーク接続されたシステム等の何れの構成であっても良い。

また、本発明におけるコンピュータとは、パソコンに限らず、情報処理機器に含まれる演算処理装置、マイコン等も含み、プログラムによって本発明の機能を実現することが可能な機器、装置を総称している。

１０・１０Ｓ・・・構造化文書生成装置、１１・・・テキスト文書入力部、１２・・・論理構造要素生成部、１３・・・形態素解析辞書、１４・・・形態素解析部、１５・・・形態素解析補正部、１６・・・中間ファイル記憶部、１７・・・文書型定義ファイル入力部、１８・・・文書型定義ファイル解析部、１９・・・構造化文書生成部、２０・・・構造化文書出力部、３０・・・サンプル文書入力部、３１・・・論理構造要素生成部、３２・・・形態素解析部、３３・・・形態素解析補正部、３４・・・構造化文書雛形入力部、３５・・・形態素解析部、３６・・・文書型定義ファイル雛形生成部、３７・・・文書型定義ファイル雛形修正部、３８・・・文書型定義ファイル出力部。

Claims (6)

1. 複数の文章が記述されたテキスト文書を入力するためのテキスト文書入力手段と、
   前記テキスト文書の各文章から論理構造要素を生成する論理構造要素生成手段と、
   形態素解析される文章を構成する単語と品詞情報とを関連付けて記憶する形態素解析情報記憶手段と、
   前記論理構造要素を形態素解析し、該論理構造要素に含まれる各文章の単語毎に前記品詞情報を設定する形態素解析手段と、
   前記形態素解析手段により品詞情報が設定された論理構造要素を中間ファイルとして記憶する中間ファイル記憶手段と、
   前記テキスト文書に対する出力条件が前記品詞情報に基づいて定義された文書型定義ファイルを入力するための文書型定義ファイル入力手段と、
   前記文書型定義ファイルにより定義された出力条件を前記品詞情報に基づいて解析する文書型定義解析手段と、
   前記文書型定義解析手段により解析された出力条件に基づいて、前記中間ファイル記憶手段に記憶された中間ファイルから新たな構造化文書を生成する構造化文書生成手段と、
   を備えたことを特徴とする構造化文書生成装置。
2. 請求項１に記載の構造化文書生成装置において、
   前記形態素解析手段による処理結果の補正を行なう形態素解析補正手段
   を更に備えたことを特徴とする構造化文書生成装置。
3. 請求項１又は請求項２に記載の構造化文書生成装置において、
   複数の文章が記述されたサンプル文書を入力するためのサンプル文書入力手段と、
   前記サンプル文書に対応する構造化文書を、構造化文書の雛形として入力するための構造化文書雛形入力手段と、
   前記サンプル文書の各文章から論理構造要素を生成する手段と、
   前記サンプル文書の論理構造要素を形態素解析し、前記品詞情報が設定されたサンプル文書の論理構造要素を生成する手段と、
   前記品詞情報が設定されたサンプル文書の論理構造要素から、前記構造化文書の雛形を生成するための出力条件を解析し、前記文書型定義ファイルの雛形を生成する手段と、
   を備えたことを特徴とする構造化文書生成装置。
4. コンピュータを、
   複数の文章が記述されたテキスト文書を入力するためのテキスト文書入力手段、
   前記テキスト文書の各文章から論理構造要素を生成する論理構造要素生成手段、
   形態素解析される文章を構成する単語と品詞情報とを関連付けて記憶する形態素解析情報記憶手段、
   前記論理構造要素を形態素解析し、該論理構造要素に含まれる各文章の単語毎に前記品詞情報を設定する形態素解析手段、
   前記形態素解析手段により品詞情報が設定された論理構造要素を中間ファイルとして記憶する中間ファイル記憶手段、
   前記テキスト文書に対する出力条件が前記品詞情報に基づいて定義された文書型定義ファイルを入力するための文書型定義ファイル入力手段、
   前記文書型定義ファイルにより定義された出力条件を前記品詞情報に基づいて解析する文書型定義解析手段、
   前記文書型定義解析手段により解析された出力条件に基づいて、前記中間ファイル記憶手段に記憶された中間ファイルから新たな構造化文書を生成する構造化文書生成手段、
   として実現させる構造化文書生成プログラム。
5. 請求項４に記載の構造化文書生成プログラムにおいて、
   前記コンピュータを、
   前記形態素解析手段による処理結果の補正を行なう形態素解析補正手段、
   として実現させる構造化文書生成プログラム。
6. 請求項４又は請求項５に記載の構造化文書生成プログラムにおいて、
   前記コンピュータを、
   複数の文章が記述されたサンプル文書を入力するためのサンプル文書入力手段、
   前記サンプル文書に対応する構造化文書を、構造化文書の雛形として入力するための構造化文書雛形入力手段、
   前記サンプル文書の各文章から論理構造要素を生成する手段、
   前記サンプル文書の論理構造要素を形態素解析し、前記品詞情報が設定されたサンプル文書の論理構造要素を生成する手段、
   前記品詞情報が設定されたサンプル文書の論理構造要素から、前記構造化文書の雛形を生成するための出力条件を解析し、前記文書型定義ファイルの雛形を生成する手段、
   として実現させる構造化文書生成プログラム。

Images