JP2011232943A5 - 検索装置、検索方法、ならびに、コンピュータプログラム - Google Patents

Description

本発明は、複数の文書から、指定された検索文字列を含む文書を絞り込む検索装置、検索方法、ならびに、コンピュータプログラムに関する。

本発明は、以上のような課題を解決するためのものであり、複数の文書から、指定された検索文字列を含む文書を効率的に絞り込むのに好適な検索装置、検索方法、ならびに、コンピュータプログラムを提供することを目的とする。

Claims (15)

1. 検索対象の複数の文書データから抽出された「Ｎ文字の文字列であるＮグラム（Ｎは自然数）」のそれぞれについて、前記複数の文書データ中の出現位置と出現頻度とを構成要素とする転置インデックスを記憶する記憶手段と、
   検索文字列からＮグラムを抽出するＮグラム抽出手段と、
   前記転置インデックスの出現頻度情報に基づいて、前記検索文字列から抽出されたＮグラムのうち、前記複数の文書データに関して最少出現頻度を有するＮグラムを導出する最少頻度導出手段と、
   前記検索文字列を被覆し、かつ、前記導出された最少出現頻度を有するＮグラムを含む複数の検索Ｎグラムを、前記検索文字列から抽出されたＮグラムのうちから選定する検索Ｎグラム選定手段と、
   前記選定された複数の検索Ｎグラムについて、前記転置インデックスの出現位置情報に基づいて、前記複数の文書データのうちから前記検索文字列を含む文書データを特定する文書特定手段と、
   を備えることを特徴とする検索装置。
2. 前記検索Ｎグラム選定手段は、前記検索文字列を被覆する最小限度の数または最小限度の数に１を加えた数の検索Ｎグラムを、前記検索文字列から抽出されたＮグラムのうちから選定する、
   ことを特徴とする請求項１に記載の検索装置。
3. 前記検索Ｎグラム選定手段は、前記複数の検索Ｎグラムとして、前記検索文字列から抽出されたＮグラムのうち、
   （ａ）まず、前記検索文字列の先頭の文字から順に、Ｎ文字単位で重複しないように分割し、分割されたそれぞれのＮ文字列で構成されるＮグラムを選定し、
   （ｂ）次に、前記選定されたＮグラムで前記検索文字列を被覆できない場合には、前記検索文字列の末尾の文字を含むＮグラムを追加して選定し、
   （ｃ）最後に、選定されたＮグラム中に前記最少出現頻度を有するＮグラムが含まれていない場合には、前記最少出現頻度を有するＮグラムを追加して選定する、
   ことを特徴とする請求項２に記載の検索装置。
4. 前記検索Ｎグラム選定手段は、前記複数の検索Ｎグラムとして、前記検索文字列から抽出されたＮグラムのうち、
   （ａ）まず、前記検索文字列の先頭および／又は末尾の文字を含むＮグラムを選定し、
   （ｂ）次に、前記最少出現頻度を有するＮグラムを追加して選定し、
   （ｃ）最後に、前記検索文字列における、前記最少出現頻度を有するＮグラムを構成する文字列の位置を基準に、前方および／又は後方へ、Ｎ文字単位で重複しないように分割し、分割されたそれぞれのＮ文字列で構成されるＮグラムを追加して選定する、
   ことを特徴とする請求項２に記載の検索装置。
5. 前記文書特定手段は、前記転置インデックスの出現頻度情報に基づいて、前記選定された複数の検索Ｎグラムのうち、出現頻度の少ない検索Ｎグラムから順に、文書データの特定に用いる、
   ことを特徴とする請求項１から４のいずれか１項に記載の検索装置。
6. 検索対象の複数の文書データから抽出された「Ｎ文字の文字列であるＮグラム（Ｎは自然数）」のそれぞれについて、前記複数の文書データ中の出現位置と出現頻度とを構成要素とする転置インデックスを記憶する記憶手段を備えるコンピュータを、
   検索文字列からＮグラムを抽出するＮグラム抽出手段、
   前記転置インデックスの出現頻度情報に基づいて、前記検索文字列から抽出されたＮグラムのうち、前記複数の文書データに関して最少出現頻度を有するＮグラムを導出する最少頻度導出手段、
   前記検索文字列を被覆し、かつ、前記導出された最少出現頻度を有するＮグラムを含む複数の検索Ｎグラムを、前記検索文字列から抽出されたＮグラムのうちから選定する検索Ｎグラム選定手段、
   前記選定された複数の検索Ｎグラムについて、前記転置インデックスの出現位置情報に基づいて、前記複数の文書データのうちから前記検索文字列を含む文書データを特定する文書特定手段、
   として機能させるためのコンピュータプログラム。
7. 前記検索Ｎグラム選定手段は、前記検索文字列を被覆する最小限度の数または最小限度の数に１を加えた数の検索Ｎグラムを、前記検索文字列から抽出されたＮグラムのうちから選定する、
   ことを特徴とする請求項６に記載のコンピュータプログラム。
8. 前記検索Ｎグラム選定手段は、前記複数の検索Ｎグラムとして、前記検索文字列から抽出されたＮグラムのうち、
   （ａ）まず、前記検索文字列の先頭の文字から順に、Ｎ文字単位で重複しないように分割し、分割されたそれぞれのＮ文字列で構成されるＮグラムを選定し、
   （ｂ）次に、前記選定されたＮグラムで前記検索文字列を被覆できない場合には、前記検索文字列の末尾の文字を含むＮグラムを追加して選定し、
   （ｃ）最後に、選定されたＮグラム中に前記最少出現頻度を有するＮグラムが含まれていない場合には、前記最少出現頻度を有するＮグラムを追加して選定する、
   ことを特徴とする請求項７に記載のコンピュータプログラム。
9. 前記検索Ｎグラム選定手段は、前記複数の検索Ｎグラムとして、前記検索文字列から抽出されたＮグラムのうち、
   （ａ）まず、前記検索文字列の先頭および／又は末尾の文字を含むＮグラムを選定し、
   （ｂ）次に、前記最少出現頻度を有するＮグラムを追加して選定し、
   （ｃ）最後に、前記検索文字列における、前記最少出現頻度を有するＮグラムを構成する文字列の位置を基準に、前方および／又は後方へ、Ｎ文字単位で重複しないように分割し、分割されたそれぞれのＮ文字列で構成されるＮグラムを追加して選定する、
   ことを特徴とする請求項７に記載のコンピュータプログラム。
10. 前記文書特定手段は、前記転置インデックスの出現頻度情報に基づいて、前記選定された複数の検索Ｎグラムのうち、出現頻度の少ない検索Ｎグラムから順に、文書データの特定に用いる、
    ことを特徴とする請求項６から９のいずれか１項に記載のコンピュータプログラム。
11. 検索対象の複数の文書データから抽出された「Ｎ文字の文字列であるＮグラム（Ｎは自然数）」のそれぞれについて、前記複数の文書データ中の出現位置と出現頻度とを構成要素とする転置インデックスを記憶する記憶手段を備えた検索装置における検索方法であって、
    検索文字列からＮグラムを抽出するＮグラム抽出工程と、
    前記転置インデックスの出現頻度情報に基づいて、前記検索文字列から抽出されたＮグラムのうち、前記複数の文書データに関して最少出現頻度を有するＮグラムを導出する最少頻度導出工程と、
    前記検索文字列を被覆し、かつ、前記導出された最少出現頻度を有するＮグラムを含む複数の検索Ｎグラムを、前記検索文字列から抽出されたＮグラムのうちから選定する検索Ｎグラム選定工程と、
    前記選定された複数の検索Ｎグラムについて、前記転置インデックスの出現位置情報に基づいて、前記複数の文書データのうちから前記検索文字列を含む文書データを特定する文書特定工程と、
    を備えることを特徴とする検索方法。
12. 前記検索Ｎグラム選定工程では、前記検索文字列を被覆する最小限度の数または最小限度の数に１を加えた数の検索Ｎグラムを、前記検索文字列から抽出されたＮグラムのうちから選定する、
    ことを特徴とする請求項１１に記載の検索方法。
13. 前記検索Ｎグラム選定工程では、前記複数の検索Ｎグラムとして、前記検索文字列から抽出されたＮグラムのうち、
    （ａ）まず、前記検索文字列の先頭の文字から順に、Ｎ文字単位で重複しないように分割し、分割されたそれぞれのＮ文字列で構成されるＮグラムを選定し、
    （ｂ）次に、前記選定されたＮグラムで前記検索文字列を被覆できない場合には、前記検索文字列の末尾の文字を含むＮグラムを追加して選定し、
    （ｃ）最後に、選定されたＮグラム中に前記最少出現頻度を有するＮグラムが含まれていない場合には、前記最少出現頻度を有するＮグラムを追加して選定する、
    ことを特徴とする請求項１２に記載の検索方法。
14. 前記検索Ｎグラム選定工程では、前記複数の検索Ｎグラムとして、前記検索文字列から抽出されたＮグラムのうち、
    （ａ）まず、前記検索文字列の先頭および／又は末尾の文字を含むＮグラムを選定し、
    （ｂ）次に、前記最少出現頻度を有するＮグラムを追加して選定し、
    （ｃ）最後に、前記検索文字列における、前記最少出現頻度を有するＮグラムを構成する文字列の位置を基準に、前方および／又は後方へ、Ｎ文字単位で重複しないように分割し、分割されたそれぞれのＮ文字列で構成されるＮグラムを追加して選定する、
    ことを特徴とする請求項１２に記載の検索方法。
15. 前記文書特定工程では、前記転置インデックスの出現頻度情報に基づいて、前記選定された複数の検索Ｎグラムのうち、出現頻度の少ない検索Ｎグラムから順に、文書データの特定に用いる、
    ことを特徴とする請求項１１から１４のいずれか１項に記載の検索方法。