JP2013033452A

JP2013033452A - 文書検索装置および方法

Info

Publication number: JP2013033452A
Application number: JP2012133641A
Authority: JP
Inventors: Bo Liu; ボリウ; Yubo Koe; ユーボコウ; Jianqiang Li; ジェンチャンリイ; Yu Zhao; ユウジャオ
Original assignee: NEC China Co Ltd
Current assignee: NEC China Co Ltd
Priority date: 2011-08-01
Filing date: 2012-06-13
Publication date: 2013-02-14
Anticipated expiration: 2032-06-13
Also published as: CN102915304A; JP5497105B2; CN102915304B

Abstract

【課題】文書内で黙示される意味的関連度情報を使用して文書検索を実行するための文書検索装置を提供する。
【解決手段】対象文書セットのある１つの文書に含まれる暗黙の意味的情報を記述するために、当該文書に関するハイパーグラフを構築するように構成されたハイパーグラフ構築ユニットと、ハイパーグラフ構築ユニットによって構築されたハイパーグラフに基づいて、対象文書セット内で、ある特定クエリに対応する文書を検索し、検索された文書をランキングするように構成された文書ランキングユニットとを備える。
【選択図】図１

Description

本発明は情報検索の分野に関し、特に、文書検索装置および方法に関する。

情報時代の到来に伴い、検索可能な文書の数は増加の一途を辿っている。そのため、膨大な文書の中から有益な情報を効果的に見つけ出すことは極めて重要となっている。

情報検索（ＩＲ：ＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌ）とは、一連の文書（文書セット）の中から特定の情報を検索する技術である。情報検索技術はさらに、文書に含まれる情報の検索、文書自体の検索、文書について記述するメタデータの検索、データベースの検索に分類される。データベースの検索では、リレーショナル・スタンドアロン型データベースや、Ｅｔｈｅｒｎｅｔ、コンテンツ／文書管理システム等のネットワーク型ハイパーテキストデータベースに対して、テキスト・音声・画像・データの検索が実行される。

文書検索が実行される場合、文書検索システムが担う主なタスクは、１）ユーザクエリに関連する文書を発見すること、２）照合結果を評価し、関連度に基づいて文書をランキングすること、の２つである。従来の多くの文書検索システムでは、キーワード検索が重要な役割を果たしている。これらのシステムでは、文書内におけるクエリ語の出現頻度と出現場所、文書をポイントするハイパーリンク、文書アクセス情報といった、いくつかの特定の要因を考慮して文書の検索が実行される。

最近では、いわゆる「意味的Ｗｅｂ（ＳＷ：ＳｅｍａｎｔｉｃＷｅｂ）」技術が提案されている。これは、機械が情報の意味（すなわち「セマンティクス」）を理解できるようにするための技術である。リソース・ディスクリプション・フレームワーク（ＰＤＦ：ＲｅｓｏｕｒｃｅＤｅｓｃｒｉｐｔｉｏｎＦｒａｍｅｗｏｒｋ）やＷｅｂオントロジ語（ＯＷＬ：ＷｅｂＯｎｔｏｌｏｇｙＬａｎｇｕａｇｅ）に代表されるＳＷ技術は、所与の知識ドメイン内に、概念と関係の形式的記述を提供することを主眼とする。そのため、ＳＷ技術を使用することにより文書検索の精度を高めることができる。

近年、オントロジの使用によって検索精度を高めるための手法がいくつか開発されている。オントロジは、機械に理解可能な方法で、情報の意味を形式的に記述するものである。これにより、クエリおよび文書内で黙示される意味のマイニングが容易になり、ひいては、自然言語の多義性と同義性の問題に対処し、かつクエリや文書内における概念の文脈情報を理解することが可能になる。

非特許文献１（Ｐ．Ｃａｓｔｅｌｌｓ．Ｍ．Ｆｅｒｎａｎｄｅｓ，ａｎｄＤ．Ｖａｌｌｅｔ，“ＡｎＡｄａｐｔａｔｉｏｎｏｆｔｈｅＶｅｃｔｏｒ−ＳｐａｃｅＭｏｄｅｌｆｏｒＯｎｔｏｌｏｇｙ−ＢａｓｅｄＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌ（オントロジベース情報検索のためのベクトル空間モデルの１つの適応）”，ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＫｎｏｗｌｅｄｇｅａｎｄＤａｔａＥｎｇｉｎｅｅｒｉｎｇ，２００７）では、文書に関連度スコアを付与する方法が提案されている。この方法は、１）文書およびクエリから概念を抽出する、２）ベクトル空間モデルを使用して文書とクエリ間の類似度を計算する、および３）前のステップで取得されたスコアを、キーワードベースのアルゴリズムによって計算された類似度スコアと結合する、という３つのステップで構成される。

非特許文献２（ＴｕｕｋｋａＲｕｏｔｓａｌｏａｎｄＥｅｒｏＨｙｖｏｎｅｎ，“ＡＭｅｔｈｏｄｆｏｒＤｅｔｅｒｍｉｎｉｎｇＯｎｔｏｌｏｇｙ−ＢａｓｅｄＳｅｍａｎｔｉｃＲｅｌｅｖａｎｃｅ（オントロジベース意味的関連度の決定方法）”，ＰｒｏｃｅｅｄｉｎｇｏｆＤＥＸＡ２００７）では、基礎となるドメインオントロジを使用して、注釈の相互の関連度を計算し、それによりＴｅｒｍＦｒｅｑｕｅｎｃｙ−ＩｎｖｅｒｓｅＤｏｃｕｍｅｎｔＦｒｅｑｕｅｎｃｙ法（以下、略して「ＴＦ−ＩＤＦ法」）を拡張する方法が提案されている。

特許文献１（ＷＯ２００６００１９０６Ａ３）では、グラフベースのランキングアルゴリズムが提案されている。これは、自然言語処理技術とドメインオントロジを使用して各文書に関するグラフを構築し、その後、曖昧性除去やキーワード抽出等のテキスト処理を実行するためにノードをランキングするアルゴリズムである。

ＷＯ２００６００１９０６Ａ３

Ｐ．Ｃａｓｔｅｌｌｓ．Ｍ．Ｆｅｒｎａｎｄｅｓ，ａｎｄＤ．Ｖａｌｌｅｔ，"ＡｎＡｄａｐｔａｔｉｏｎｏｆｔｈｅＶｅｃｔｏｒ−ＳｐａｃｅＭｏｄｅｌｆｏｒＯｎｔｏｌｏｇｙ−ＢａｓｅｄＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌ（オントロジベース情報検索のためのベクトル空間モデルの１つの適応）"，ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＫｎｏｗｌｅｄｇｅａｎｄＤａｔａＥｎｇｉｎｅｅｒｉｎｇ，２００７ＴｕｕｋｋａＲｕｏｔｓａｌｏａｎｄＥｅｒｏＨｙｖｏｎｅｎ，"ＡＭｅｔｈｏｄｆｏｒＤｅｔｅｒｍｉｎｉｎｇＯｎｔｏｌｏｇｙ−ＢａｓｅｄＳｅｍａｎｔｉｃＲｅｌｅｖａｎｃｅ（オントロジベース意味的関連度の決定方法）"，ＰｒｏｃｅｅｄｉｎｇｏｆＤＥＸＡ２００７

上記の従来技術による方法では、主にクエリと文書から取得されたオントロジの概念（クラスとインスタンス）を使用して文書検索を行うのみで、文書内で黙示されるリッチな意味的情報は考慮されないため、文書検索の精度に劣る。事実、文書とクエリ間の関連度を決定する際には、文書内の概念だけでなく、これらの概念間における暗黙の意味的情報も、重要な役割を果たす。クエリと文書内の概念を考慮するだけでは、検索におけるユーザの真の要求を示すことは不可能である。

上記の問題を解決するため、本発明は、文書内で黙示される意味的関連度情報を使用して文書検索を実行するための文書検索装置および方法を提供する。
具体的には、本発明による文書検索装置および方法は、まず、文書内で黙示される意味的情報を記述するハイパーグラフを構築し、その後、ドメインオントロジを使用してこのハイパーグラフを精緻化する。この方法により、ある特定のクエリに関して文書検索を実行する際には、ハイパーグラフに基づいて当該特定のクエリに関連する文書の関連度スコアを計算し、その関連度スコアを使用して文書をランキングすることが可能になる。

本発明の１つの態様によれば、文書検索装置であって、対象文書セットのある１つの文書に含まれる暗黙の意味的情報を記述するために、当該文書に関するハイパーグラフを構築するように構成されたハイパーグラフ構築ユニットと、ハイパーグラフ構築ユニットによって構築されたハイパーグラフに基づいて、対象文書セット内で、ある特定クエリに対応する文書を検索し、検索された文書をランキングするように構成された文書ランキングユニットとを備える文書検索装置が提供される。

ハイパーグラフ構築ユニットは、ドメインオントロジ情報を使用して文書から概念を抽出し、当該概念の重みを計算するように構成された概念抽出サブユニットと、当該文書の初期ハイパーグラフを構築するように構成されたハイパーグラフ構築サブユニットと、ドメインオントロジ情報を使用して当該初期ハイパーグラフを精緻化するように構成されたハイパーグラフ精緻化サブユニットと、精緻化されたハイパーグラフのノードおよびエッジに重みを付与するように構成された重み付与サブユニットとを備えるのが望ましい。

ハイパーグラフ構築サブユニットは、当該文書に含まれる概念セットの各々についてノードを作成してノードセットを形成し、当該文書の各文に含まれる概念セットによって形成されるエッジを付加してエッジセットを形成し、当該ノードセットと当該エッジセットとから構成される初期ハイパーグラフを構築するように構成されるのが望ましい。

ハイパーグラフ精緻化サブユニットは、初期ハイパーグラフ内の２個のノードに対応する概念がドメインオントロジにおいて同じ意味を有する場合には、当該２個のノードをマージし、これらのノードに対応する概念がドメインオントロジにおいて直接関連付けられている場合には、初期ハイパーグラフ内の任意の個数のノードを連結するエッジを付加し、２個のエッジに対応する概念がドメインオントロジまたは初期ハイパーグラフ内において距離が近い場合には、初期ハイパーグラフ内において当該２個のエッジをマージするように構成されるのが望ましい。

重み付与サブユニットは、文書内におけるある特定の概念の出現頻度に基づいて、当該特定の概念に対応するノードに重みを付与し、文書内におけるあるエッジの概念の出現頻度と、文書内における当該エッジの出現頻度と、当該エッジ内の任意の２個のノードにおける意味的関連度の新規性の総和であるエッジの新規性とに基づいて、当該エッジに重みを付与するように構成されるのが望ましい。

２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での２個のノード間の意味的距離が、エッジ内のノード数マイナス１に相当する数を超えない場合は１とし、それ以外の場合には、２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での当該２個のノード間の意味的距離を、エッジ内のノード数と１との差に相当する数で除算して得られる数とするのが望ましい。

文書ランキングユニットは、ハイパーグラフ構築ユニットによって構築されたハイパーグラフを用いてある特定のクエリに関する最小スパニングツリーを生成するように構成された最小スパニングツリー生成サブユニットと、生成された最小スパニングツリーの意味的関連度スコアを計算するように構成された関連度計算サブユニットと、当該意味的関連度スコアに基づいて文書をランキングするように構成された文書ランキングサブユニットとを備えるのが望ましい。

最小スパニングツリー生成サブユニットは、欲張りアルゴリズムを使用して最小スパニングツリーを生成するように構成されるのが望ましい。

関連度計算サブユニットは、意味的関連度スコアとして、最小スパニングツリーにおけるすべてのエッジの重みの平均を計算するように構成されるのが望ましい。

本発明の他の態様によれば、文書検索方法であって、対象文書セットのある１つの文書に含まれる暗黙の意味的情報を記述するために、当該文書に関するハイパーグラフを構築するステップと、構築されたハイパーグラフに基づいて、当該対象文書セット内で特定クエリに対応する文書を検索し、検索された文書をランキングするステップとを備える文書検索方法が提供される。

構築ステップは、ドメインオントロジ情報を使用して１つの文書から概念を抽出し、当該概念に関する重みを計算するステップと、当該文書に関する初期ハイパーグラフを構築するステップと、ドメインオントロジ情報を使用して初期ハイパーグラフを精緻化するステップと、精緻化されたハイパーグラフのノードおよびエッジに重みを付与するステップとを備えるのが望ましい。

当該文書に関する初期ハイパーグラフを構築するステップは、当該文書に含まれる概念セットの各々についてノードを作成してノードセットを形成するステップと、当該文書の各文に含まれる概念セットによって形成されるエッジを付加してエッジセットを形成するステップと、当該ノードセットと当該エッジセットとから成る初期ハイパーグラフを構築するステップとを備えるのが望ましい。

初期ハイパーグラフを精緻化するステップは、初期ハイパーグラフ内の２個のノードに対応する概念がドメインオントロジにおいて同じ意味を有する場合には、当該２個のノードをマージするステップと、初期ハイパーグラフ内の任意の個数のノードに対応する概念がドメインオントロジにおいて直接関連付けられている場合には、これらのノードを連結するエッジを付加するステップと、２個のエッジに対応する概念がドメインオントロジまたは初期ハイパーグラフ内において距離が近い場合には、初期ハイパーグラフ内において当該２個のエッジをマージするステップとを備えるのが望ましい。

重みを付与するステップは、文書内におけるある特定の概念の出現頻度に基づいて、当該特定の概念に対応するノードに重みを付与するステップと、文書内におけるあるエッジの概念の出現頻度と、文書内における当該エッジの出現頻度と、（すなわち、当該エッジ内の任意の２個のノードにおける意味的関連度の新規性の総和であるエッジの新規性とに基づいて、当該エッジに重みを付与するステップとを備えるのが望ましい。

検索およびランキングを行うステップは、構築されたハイパーグラフを用いてある特定のクエリに関する最小スパニングツリーを生成するステップと、生成された最小スパニングツリーの意味的関連度スコアを計算するステップと、当該意味的関連度スコアに基づいて文書をランキングするステップを備えるのが望ましい。

最小スパニングツリーを生成するステップは、欲張りアルゴリズムを使用して最小スパニングツリーを生成するステップを備えるのが望ましい。

意味的関連度スコアを計算するステップは、意味的関連度スコアとして、最小スパニングツリーにおけるすべてのエッジの重みの平均を計算するステップを備えるのが望ましい。

本発明によって提案される文書検索装置および方法では、文書内で黙示されるリッチな意味的情報を利用し、当該文書に関するハイパーグラフを構築して特定のクエリに関する当該文書の関連度スコアを計算し、かつ計算された関連度スコアに基づいて当該文書をランキングすることによって、文書検索の精度が高められる。そのため、検索におけるユーザの真の要求をより効果的に満たすことが可能となる。

本発明の上記および他の特徴は、添付図面を参照しながら以下の詳細な説明を読むことで、より明らかになるであろう。

本発明の一実施例による文書検索装置を示すブロック図である。本発明の一実施例による文書検索装置におけるハイパーグラフ構築ユニットを示すブロック図である。ハイパーグラフ構築サブユニットによって構築されるハイパーグラフを示す概略図である。図３に示すハイパーグラフ上におけるノードマージ操作の実行前と実行後の状態を示す概略図である。図３に示すハイパーグラフ上におけるエッジ付加操作の実行前と実行後の状態を示す概略図である。図３に示すハイパーグラフ上におけるエッジマージ操作の実行前と実行後の状態を示す概略図である。本発明の一実施例による文書検索装置における文書ランキングユニットを示すブロック図である。本発明の一実施例による文書検索方法を示すフローチャートである。本発明の一実施例による文書検索方法の詳細なステップを示すフローチャートである。

以下では、本発明の原理と実施がさらに明らかになるよう、本発明による特定の実施例について添付図面を参照しながら説明する。本発明は以下で説明する特定の実施例に限定されないことに留意されたい。なお、説明の煩雑化を避けるため、本発明には直接関係のない、よく知られた技法の詳細は省略する。

最初に、表１において、説明で使用する用語の意味を示す。

図１は、本発明の一実施例による文書検索装置１０を示すブロック図である。図１に示すように、本実施例の文書検索装置１０は、ハイパーグラフ構築ユニット１１０と文書ランキングユニット１２０とを備える。ハイパーグラフ構築ユニット１１０は、対象文書セット内の各文書について、当該文書に含まれる暗黙的意味をモデル化するためのハイパーグラフを構築する。文書ランキングユニット１２０は、ハイパーグラフ構築ユニット１１０によって構築されたハイパーグラフに基づいて、特定のクエリに対応して対象文書セット内の文書を処理し、文書検索の結果を取得する。以下では、図２〜５を参照して、ハイパーグラフ構築ユニット１１０と文書ランキングユニット１２０の構造および動作について詳細に説明する。

図２は、図１に示す文書検索装置１０内のハイパーグラフ構築ユニット１１０を示すブロック図である。図示するように、ハイパーグラフ構築ユニット１１０は、概念抽出サブユニット１１１０と、ハイパーグラフ構築サブユニット１１２０と、ハイパーグラフ精緻化サブユニット１１３０と、重み付与サブユニット１１４０とを備える。

概念抽出サブユニット１１１０は、概念認識技術により、ドメインオントロジに基づいて対象文書から概念を抽出し、その後これらの概念に対する重みを計算する。概念抽出サブユニット１１１０は、例えば既知のＴＦ−ＩＤＦ法を使用して概念に対する重みを計算してもよい。

ハイパーグラフ構築サブユニット１１２０は、特定の文書に関する初期ハイパーグラフを構築する。１つの文書内において、同じ文脈の中に多数の概念が出現する場合には、当該概念間に直接的な意味的関連度があると考えられる。直接的な意味的関連度は、当該文書内の暗黙の意味的情報とみなすことができる。本発明において「同じ文脈」とは、まったく同一の文を意味する。

以下では、ハイパーグラフ構築サブユニット１１２０の動作について説明する。最初に、１つの文書内で認識された概念セットＣに関して、ハイパーグラフ構築サブユニット１１２０が各概念に対応するノードｖを作成して、ノードセットＶを形成する。当該文書内の各文は概念セット｛Ｃ_１，Ｃ_２，…，Ｃ_ｎ｝（ｎはその文に含まれるノード（概念）の個数）を含むと想定される。次に、その各文について、ハイパーグラフ構築サブユニット１１２０が概念セット｛Ｃ_１，Ｃ_２，…，Ｃ_ｎ｝によって形成されるエッジｅを付加し、エッジセットＥを形成する。最後に、ハイパーグラフ構築サブユニット１１２０は、Ｇ（Ｖ，Ｅ）と表されるハイパーグラフを形成する。

図３は、ハイパーグラフ構築サブユニット１１２０によって構築されるハイパーグラフの例を示す概略図である。図３に示すハイパーグラフの例は、７個のノード（ノード(1)〜(7)）と５個のエッジ（ノード(1)〜(7)を囲む閉曲線）とを含む。具体的には、この５個のエッジとは、ノード(1)とノード(2)とで構成されるエッジ、ノード(1)とノード(3)とで構成されるエッジ、ノード(2)とノード(4)とで構成されるエッジ、ノード(3)とノード(5)とノード(6)とで構成されるエッジ、ノード(3)とノード(5)とノード(7)とノードとで構成されるエッジである。上述したように、ハイパーグラフにおいて、１個のエッジで任意の数のノードを連結することができる。

通常、文書の著者は、よく知られていると想定される意味的情報を文書内に記録しない（つまり、文書から省略する）ので、ハイパーグラフ構築サブユニット１１２０によって構築されたハイパーグラフは完全ではないことが多い。そこで本発明では、構築されたハイパーグラフをコンピュータによって処理できるようにするために、ハイパーグラフ精緻化サブユニット１１３０を使用して、省略された情報をハイパーグラフに付加する。ハイパーグラフ精緻化サブユニット１１３０は、ドメインオントロジを使用して、ハイパーグラフ構築サブユニット１１２０によって構築された初期ハイパーグラフを精緻化する。具体的には、ハイパーグラフ精緻化サブユニット１１３０は、ノード操作とエッジ操作という２種類の動作を実行する。

ノード操作（マージ）とは、ハイパーグラフ内の２個のノードをマージし、当該２個のノードに対応する概念がドメインオントロジ内で同じ意味を有する場合には、当該２個のノードのエッジをマージすることを意味する。図４（ａ）に、図３に示すハイパーグラフ上でのノード操作の実行例を示す。図４（ａ）に示すように、ノード(1)(2)がハイパーグラフ内で同じ意味を有する場合には、ハイパーグラフ精緻化サブユニット１１３０はノード(1)(2)をマージしてノード(1)を形成し、さらにそれに対応してノード(1)(2)のエッジをマージする。ノード操作後のハイパーグラフは、図４（ａ）の右側に示すように、６個のノードと４個のエッジしか含んでいない。

エッジ操作（付加およびマージ）とは、任意の個数のノードに対応する概念がドメインオントロジ内で隣り合っている場合（すなわち、ドメインオントロジ内で直接関連付けられている場合）には、これらのノードを連結するエッジをハイパーグラフ内で付加し、さらには、２個のエッジに対応する概念がドメインオントロジ内または初期ハイパーグラフ内において互いに距離が近い場合には、ハイパーグラフ内でこれら２個のエッジをマージすることを意味する。図４（ｂ）に、図３に示すハイパーグラフ上でのエッジ操作の実行例を示す。図４（ｂ）に示すように、ノード(4)とノード(7)とがオントロジ内で直接関連付けられている場合には、ノード(4)とノード(7)とを連結するエッジが付加される。したがって、エッジ操作（付加）後のハイパーグラフは、７個のノードと６個のエッジを含む。

図４（ｃ）は、ハイパーグラフ上におけるエッジ操作の実行例を示す概略図である。図４（ｃ）に示すように、ハイパーグラフは当初、２個のエッジ（すなわちノード(1)とノード(2)とで構成されるエッジとノード(1)とノード(3)とで構成されるエッジ）を含んでいる。ノード(2)とノード(3)が直接関連付けられている（すなわち、隣り合っている）ことがドメインオントロジから判断される場合には、ノード(1)とノード(2)とで構成されるエッジと、ノード(1)とノード(3)とで構成されるエッジとをマージして、ノード(1)とノード(2)とノード(3)とで構成されるエッジを形成することができる。

重み付与サブユニット１１４０は、文書内における意味的情報の重要度に基づいて、精緻化されたハイパーグラフのノードとエッジに重みを付与する。具体的には、重み付与サブユニット１１４０は、以下の動作を実行する。

（i）ある特定の概念に対応するノードついて、当該概念の文書内における出現頻度（出現回数）に基づいて、当該ノードに重みを付与する。例えば、ノードｖに関して、その重みは式ｗｅｉｇｈｔ（ｖ）＝Ｆｒｅｑ（ｔ）として表される。ここで、ｔはノードｖに対応する概念、Ｆｒｅｑ（ｔ）は文書内における概念ｔの出現頻度（出現回数）である。

（ii）ある特定のエッジｅについて、文書内における当該エッジｅに対応する概念ｔの出現頻度（出現回数）（「Ｆｒｅｑ_ｔｅｒｍ（ｅ）」とする）と、文書内における当該エッジｅの出現頻度（出現回数）（「Ｆｒｅｑ_{ｒｅｌａｔｉｏｎ}（ｅ）」とする）と、当該エッジｅの新規度（「Ｎｏｖ（ｅ）」とする）とに基づいて、当該エッジｅに重みを付与する。

例えば、各エッジｅ（ｅ＝｛ｖ_１，ｖ_２、…、ｖ_ｋ｝）（ここで、ｋは当該エッジ内に含まれるノードの総数を表す）について、その重みは以下の式で表される。
ｗｅｉｇｈｔ（ｅ）＝Ｆｒｅｑ_ｔｅｒｍ（ｅ）＊Ｆｒｅｑ_{ｒｅｌａｔｉｏｎ}（ｅ）＊Ｎｏｖ（ｅ），
ここで、
Ｆｒｅｑ_ｔｅｒｍ（ｅ）＝（ｗｅｉｇｈｔ（ｖ_１）＋ｗｅｉｇｈｔ（ｖ_２）＋…＋ｗｅｉｇｈｔ（ｖ_ｋ））／ｋ
であり、さらに、１つの文書および２つの概念を所与とすると、新規度とは、当該文書が当該２つの概念の意味的距離をどの程度短縮できるかを意味する。Ｎｏｖ（ｅ）＝ΣＮｏｖ（｛ｖ_ｉ，ｖ_ｊ｝），０＜ｉ，ｊ≦ｋであり、ここで任意の２つの概念ｖ_ｉ，ｖ_ｊにおいて、その意味的距離（「Ｄ（｛ｖｉ，ｖｊ｝」として表される）がｋ−１以下の長さの場合はＮｏｖ（｛ｖ_ｉ、ｖ_ｊ｝）＝１であり、それ以外の場合はＮｏｖ（｛ｖ_ｉ、ｖ_ｊ｝）＝Ｄ（｛ｖ_ｉ、ｖ_ｊ｝）／（ｋ−１）である。新規な情報は２つの概念間の意味的距離を短縮する可能性があるため、新規度Ｎｏｖ（ｅ）は重大な意味を持つ。

図５は、図１に示す文書検索装置１０内の文書ランキングユニット１２０を示すブロック図である。図５に示すように、文書ランキングユニット１２０は、最小スパニングツリー生成サブユニット１２１０と、関連度計算サブユニット１２２０と、文書ランキングサブユニット１２３０とを備える。

最小スパニングツリー生成サブユニット１２１０は、ハイパーグラフ構築ユニット１２１０によって構築されたハイパーグラフを用いて、最小スパニングツリーを生成する。最小スパニングツリー生成サブユニット１２１０は、例えば欲張りアルゴリズムを使用して最小スパニングツリーを生成してもよい。欲張りアルゴリズムにおいては、任意の２個のノードが最短のパスによって連結される。所与のすべてのノードが連結されると、アルゴリズムは終了する。

関連度計算サブユニット１２２０は、生成された最小スパニングツリーの意味的関連度スコアを計算する。一例を挙げれば、文書Ｄｏｃ１とクエリ（ｑ_１，ｑ_２，…．，ｑ_ｎ）を所与とすると、最小スパニングツリー生成サブユニット１２１０が当該クエリに関して計算する最小スパニングツリーはＴ＝｛ｒ、（ｑ_１，ｑ_２，…．，ｑ_ｎ）｝である（ここで、ｒはＴのルート、ｍはＴのエッジ数を表す）。その後、関連度計算サブユニット１２２０は以下の式により、文書Ｄｏｃ１の当該クエリに関する意味的関連度スコアを計算する。

Ｓｃｏｒｅ（Ｄｏｃ１）＝Σ（ｗｅｉｇｈｔ（ｅ_１）＋ｗｅｉｇｈｔ（ｅ_２）＋…＋ｗｅｉｇｈｔ（ｅ_ｍ））／ｍ．

文書ランキングサブユニット１２３０は、計算された文書の意味的関連度スコアに基づいて、対象文書をランキングし、文書検索の最終結果を取得する。

以下では、文書検索装置１０の具体的な用途例を示す。

対象文書Ｄｏｃ１は“Ｔｈｅｃｏｍｐｕｔｅｒｓｃｉｅｎｃｅｆｉｅｌｄｏｆｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌｓｔｕｄｉｅｓｈｏｗｔｏｓｔｏｒｅ，ｉｎｄｅｘ，ｒｅｔｒｉｅｖｅａｎｄｒａｎｋｄｏｃｕｍｅｎｔｓ（コンピュータサイエンスの情報検索とは、文書の格納、索引付け、検索、およびランキングについて研究する分野である）”という文を含み、別の対象文書Ｄｏｃ２は““Ｉｎｔｈｉｓｐａｐｅｒ，ｇｒａｐｈｍａｔｃｈｉｎｇｔｅｃｈｎｉｑｕｅｓａｒｅｕｔｉｌｉｚｅｄｔｏｅｎｈａｎｃｅｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ（本論文では、情報検索の精度を高めるためにグラフ照合技術が利用されている）”という文を含む。ユーザは、文書をグラフとして表現することにより情報検索のパフォーマンスを向上させる方法に関連する文献を見つけようと、３つのキーワード（“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ（情報検索）”、“ｄｏｃｕｍｅｎｔ（文書）”、“ｇｒａｐｈ（グラフ）”）を含むクエリを入力する。この場合、従来技術の文書検索装置は、Ｄｏｃ１とＤｏｃ２の当該クエリに関連するスコアは同じであるという結果を返す。それは、Ｄｏｃ１におけるキーワード“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”と“ｄｏｃｕｍｅｎｔ”との絶対距離が、Ｄｏｃ２におけるキーワード“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”と“ｇｒａｐｈ”との絶対距離と同じだからである。

本発明による文書検索装置１０は、これとは異なる結果を返す。それは、Ｄｏｃ１におけるキーワード“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”および“ｄｏｃｕｍｅｎｔ”と、Ｄｏｃ２におけるキーワード“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”および“ｇｒａｐｈ”とでは、その絶対距離は同じであっても相対距離は異なるからである。具体的には、Ｄｏｃ１におけるキーワード“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”と“ｄｏｃｕｍｅｎｔ”との相対距離はＤ（“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”，“ｄｏｃｕｍｅｎｔ”）＝１と判定され、Ｄｏｃ２におけるキーワード“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”と“ｇｒａｐｈ”との相対距離はＤ（“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”，“ｇｒａｐｈ”）＝５と判定される。それは、第１キーワードグループと第２キーワードグループの概念出現頻度とエッジ出現頻度はいずれも１であるが、第１キーワードグループの新規度は１であるのに対し、第２キーワードグループの新規度は５であるためである。その結果、Ｄｏｃ１とＤｏｃ２の意味的関連度スコアは以下のようになる。

Ｓｃｏｒｅ（Ｄｏｃ１）＝Ｗｅｉｇｈｔ（ｅ（“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”，“ｄｏｃｕｍｅｎｔ”））＝１；
Ｓｃｏｒｅ（Ｄｏｃ１）＝Ｗｅｉｇｈｔ（ｅ（“ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ”，“ｇｒａｐｈ”））＝５．

したがって、本発明による文書検索装置１０の検索結果において、Ｄｏｃ２はＤｏｃ１よりも高いランクになる。換言すれば、ユーザが求める文書はＤｏｃ２であると判定される。

図６は、本発明の一実施例による文書検索方法６０を示すフローチャートである。図６に示すように、方法６０はステップＳ６１０から始まる。

ステップＳ６２０において、対象文書セット内の各文書に関して、当該文書に含まれる暗黙的意味を記述するためのハイパーグラフが構築される。図７（ａ）に、ハイパーグラフを構築するプロセスの具体例を示す。図７に示すように、ステップＳ６２１０において、概念認識技術により、ドメインオントロジに基づいて対象文書から概念が抽出され、その後これらの概念に対する重みが計算される。概念に対する重みは、例えば既知のＴＦ−ＩＤＦ法を使用して計算してもよい。

次に、ステップＳ６２２０において、各文書のハイパーグラフが構築される。１つの文書内において、同じ文脈に多数の概念が出現する場合には、これらの概念の間には直接的な意味的関連度があると判定される。具体的には、ある特定の文書における概念セットＣについて、各概念に対応するノードｖが作成されて、ノードセットＶが形成される。次に、概念セット｛Ｃ_１，Ｃ_２，…，Ｃ_ｎ｝を含むと推定される文書内の各文について、概念セット｛Ｃ_１，Ｃ_２，…，Ｃ_ｎ｝によって形成されるエッジｅが付加され、エッジセットＥが形成される。これにより、Ｇ（Ｖ，Ｅ）と表されるハイパーグラフが形成される。

続いて、ステップＳ６２３０において、ドメインオントロジを用いて初期ハイパーグラフが精緻化される。具体的には、初期ハイパーグラフは、上記において図４を参照して説明したノード操作とエッジ操作を実行することにより精緻化される。

最後に、ステップＳ６２４０において、文書内における意味的情報の重要度に基づいて、精緻化されたハイパーグラフのノードとエッジに重みが付与される。例えば、ある特定の概念に対応するノードに対して、文書内における当該概念の出現頻度（出現回数）に基づいて重みを付与し、さらには、あるエッジに対して、当該エッジの概念の出現頻度（出現回数）と、文書内における当該エッジの出現頻度（出現回数）と、当該エッジの新規性とに基づいて重みを付与することができる。

ここで図６に戻ると、ステップＳ６２０の完了後、ステップＳ６３０において、ステップＳ６２０で生成されたハイパーグラフに基づいて、ある特定のクエリに対応する文書が検索される。図７（ｂ）に、文書を検索するプロセスの具体例を示す。図７に示すように、ステップＳ６３１０においてまず、ステップＳ６２０で生成されたハイパーグラフを用いて最小スパニングツリーが生成される。この最小スパニングツリーは、例えば、欲張りアルゴリズムを用いて生成することができる。欲張りアルゴリズムにおいては、任意の２個のノードが最短のパスで連結される。所与のすべてのノードが連結されると、アルゴリズムは終了する。

次に、ステップＳ６３２０において、生成された最小スパニングツリーの意味的関連度スコアが計算される。一例を挙げれば、文書Ｄｏｃ１とクエリ（ｑ_１，ｑ_２，…．，ｑ_ｎ）を所与とすると、最小スパニングツリー生成サブユニット１２１０が当該クエリに関して計算する最小スパニングツリーはＴ＝｛ｒ、（ｑ_１，ｑ_２，…．，ｑ_ｎ）｝である（ここで、ｒはＴのルート、ｍはＴのエッジ数を表す）。その後、関連度計算サブユニット１２２０は以下の式により、文書Ｄｏｃ１の当該クエリに関する意味的関連度スコアを計算する。

Ｓｃｏｒｅ（Ｄｏｃ１）＝Σ（ｗｅｉｇｈｔ（ｅ_１）＋ｗｅｉｇｈｔ（ｅ_２）＋…＋ｗｅｉｇｈｔ（ｅ_ｍ））／ｍ．

最後に、ステップＳ６３３０において、計算された意味的関連度スコアに基づいて文書がランキングされ、文書検索の最終結果が取得される。

図６に戻ると、方法６０はステップＳ６３０の完了後、ステップＳ６４０において終了する。

本発明による文書検索装置および方法では、文書内で黙示されるリッチな意味的情報を利用し、当該文書に関するハイパーグラフを構築して特定のクエリに関する当該文書の関連度スコアを計算し、かつ計算された関連度スコアに基づいて当該文書をランキングすることによって、文書検索の精度が高められる。そのため、検索におけるユーザの真の要求をより効果的に満たすことができる。

上記では、好適な実施例を参照して本発明を説明してきたが、本発明の精神および範囲から逸脱することなく、様々な変更、置換、改変が可能であることは当業者には理解されるであろう。したがって、本発明は上記の実施例に限定されず、添付請求項およびその等価物によってのみ限定される。

さらに、上記実施形態の一部又は全部は、以下の付記のようにも記載されうるが、これに限定されない。

（付記１）
対象文書セットのある１つの文書に含まれる暗黙の意味的情報を記述するために、当該文書に関するハイパーグラフを構築するように構成されたハイパーグラフ構築ユニットと、
前記ハイパーグラフ構築ユニットによって構築されたハイパーグラフに基づいて、前記対象文書セット内で、ある特定クエリに対応する文書を検索し、検索された文書をランキングするように構成された文書ランキングユニットとを備えることを特徴とする文書検索装置。

（付記２）
前記ハイパーグラフ構築ユニットは、
ドメインオントロジ情報を使用して文書から概念を抽出し、当該概念の重みを計算するように構成された概念抽出サブユニットと、
前記文書の初期ハイパーグラフを構築するように構成されたハイパーグラフ構築サブユニットと、
前記ドメインオントロジ情報を使用して前記初期ハイパーグラフを精緻化するように構成されたハイパーグラフ精緻化サブユニットと、
精緻化されたハイパーグラフのノードおよびエッジに重みを付与するように構成された重み付与サブユニットとを備えることを特徴とする付記１に記載の文書検索装置。

（付記３）
前記ハイパーグラフ構築サブユニットは、
前記文書に含まれる概念セットの各々についてノードを作成してノードセットを形成し、
前記文書の各文に含まれる概念セットによって形成されるエッジを付加してエッジセットを形成し、当該ノードセットと当該エッジセットとから構成される初期ハイパーグラフを構築するように構成される
ことを特徴とする付記２に記載の文書検索装置。

（付記４）
前記ハイパーグラフ精緻化サブユニットは、
前記初期ハイパーグラフ内の２個のノードに対応する概念がドメインオントロジにおいて同じ意味を有する場合には、当該２個のノードをマージし、
これらのノードに対応する概念がドメインオントロジにおいて直接関連付けられている場合には、前記初期ハイパーグラフ内の任意の個数のノードを連結するエッジを付加し、
前記２個のエッジに対応する概念がドメインオントロジまたは初期ハイパーグラフ内において距離が近い場合には、初期ハイパーグラフ内において当該２個のエッジをマージするように構成される
ことを特徴とする付記２に記載の文書検索装置。

（付記５）
前記重み付与サブユニットは、
前記文書内におけるある特定の概念の出現頻度に基づいて、当該特定の概念に対応するノードに重みを付与し、
前記文書内におけるあるエッジの概念の出現頻度と、前記文書内における当該エッジの出現頻度と、当該エッジ内の任意の２個のノードにおける意味的関連度の新規性の総和であるエッジの新規性とに基づいて、当該エッジに重みを付与するように構成されることを特徴とする付記２に記載の文書検索装置。

（付記６）
２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での２個のノード間の意味的距離が、エッジ内のノード数マイナス１に相当する数を超えない場合は１とし、それ以外の場合には、２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での当該２個のノード間の意味的距離を、エッジ内のノード数と１との差に相当する数で除算して得られる数とすることを特徴とする付記５に記載の文書検索装置。

（付記７）
前記文書ランキングユニットは、
前記ハイパーグラフ構築ユニットによって構築されたハイパーグラフを用いてある特定のクエリに関する最小スパニングツリーを生成するように構成された最小スパニングツリー生成サブユニットと、
生成された最小スパニングツリーの意味的関連度スコアを計算するように構成された関連度計算サブユニットと、
前記意味的関連度スコアに基づいて文書をランキングするように構成された文書ランキングサブユニットと
を備えることを特徴とする付記１に記載の文書検索装置。

（付記８）
前記最小スパニングツリー生成サブユニットは、欲張りアルゴリズムを使用して最小スパニングツリーを生成するように構成されることを特徴とする付記７に記載の文書検索装置。

（付記９）
前記関連度計算サブユニットは、意味的関連度スコアとして、最小スパニングツリーにおけるすべてのエッジの重みの平均を計算するように構成されることを特徴とする付記７に記載の文書検索装置。

（付記１０）
対象文書セットのある１つの文書に含まれる暗黙の意味的情報を記述するために、当該文書に関するハイパーグラフを構築するステップと、
構築されたハイパーグラフに基づいて、前記対象文書セット内で特定クエリに対応する文書を検索し、検索された文書をランキングするステップと
を備えることを特徴とする文書検索方法。

（付記１１）
前記構築ステップは、
ドメインオントロジ情報を使用して１つの文書から概念を抽出し、当該概念に関する重みを計算するステップと、
前記文書に関する初期ハイパーグラフを構築するステップと、
ドメインオントロジ情報を使用して初期ハイパーグラフを精緻化するステップと、
精緻化されたハイパーグラフのノードおよびエッジに重みを付与するステップと
を備えることを特徴とする付記１０に記載の文書検索方法。

（付記１２）
前記文書に関する初期ハイパーグラフを構築するステップは、
前記文書に含まれる概念セットの各々についてノードを作成してノードセットを形成するステップと、
前記文書の各文に含まれる概念セットによって形成されるエッジを付加してエッジセットを形成するステップと、
前記ノードセットと当該エッジセットとから成る初期ハイパーグラフを構築するステップと
を備えることを特徴とする付記１１に記載の文書検索方法。

（付記１３）
前記初期ハイパーグラフを精緻化するステップは、
前記初期ハイパーグラフ内の２個のノードに対応する概念がドメインオントロジにおいて同じ意味を有する場合には、当該２個のノードをマージするステップと、
前記初期ハイパーグラフ内の任意の個数のノードに対応する概念がドメインオントロジにおいて直接関連付けられている場合には、これらのノードを連結するエッジを付加するステップと、
２個のエッジに対応する概念がドメインオントロジまたは初期ハイパーグラフ内において距離が近い場合には、初期ハイパーグラフ内において当該２個のエッジをマージするステップと
を備えることを特徴とする付記１１に記載の文書検索方法。

（付記１４）
前記重みを付与するステップは、
前記文書内におけるある特定の概念の出現頻度に基づいて、当該特定の概念に対応するノードに重みを付与するステップと、
前記文書内におけるあるエッジの概念の出現頻度と、文書内における当該エッジの出現頻度と、当該エッジ内の任意の２個のノードにおける意味的関連度の新規性の総和であるエッジの新規性とに基づいて、当該エッジに重みを付与するステップと
を備えることを特徴とする付記１１に記載の文書検索方法。

（付記１５）
前記２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での２個のノード間の意味的距離が、エッジ内のノード数マイナス１に相当する数を超えない場合は１とし、それ以外の場合には、２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での当該２個のノード間の意味的距離を、エッジ内のノード数と１との差に相当する数で除算して得られる数とすることを特徴とする付記１４に記載の文書検索方法。

（付記１６）
前記検索およびランキングを行うステップは、
構築されたハイパーグラフを用いてある特定のクエリに関する最小スパニングツリーを生成するステップと、
生成された最小スパニングツリーの意味的関連度スコアを計算するステップと、当該意味的関連度スコアに基づいて文書をランキングするステップと
を備えることを特徴とする付記１０に記載の文書検索方法。

（付記１７）
前記最小スパニングツリーを生成するステップは、欲張りアルゴリズムを使用して最小スパニングツリーを生成するステップを備えることを特徴とする付記１６に記載の文書検索方法。

（付記１８）
前記意味的関連度スコアを計算するステップは、意味的関連度スコアとして、最小スパニングツリーにおけるすべてのエッジの重みの平均を計算するステップを備えることを特徴とする付記１６に記載の文書検索方法。

１０：文書検索装置
１１０：ハイパーグラフ構築ユニット
１２０：文書ランキングユニット
１１１０：概念抽出サブユニット
１１２０：ハイパーグラフ構築サブユニット
１１３０：ハイパーグラフ精緻化サブユニット
１１４０：重み付与サブユニット
１２１０：最小スパニングツリー生成サブユニット
１２２０：関連度計算サブユニット
１２３０：文書ランキングサブユニット

Claims

対象文書セットのある１つの文書に含まれる暗黙の意味的情報を記述するために、当該文書に関するハイパーグラフを構築するように構成されたハイパーグラフ構築ユニットと、
前記ハイパーグラフ構築ユニットによって構築されたハイパーグラフに基づいて、前記対象文書セット内で、ある特定クエリに対応する文書を検索し、検索された文書をランキングするように構成された文書ランキングユニットとを備えることを特徴とする文書検索装置。
前記ハイパーグラフ構築ユニットは、
ドメインオントロジ情報を使用して文書から概念を抽出し、当該概念の重みを計算するように構成された概念抽出サブユニットと、
前記文書の初期ハイパーグラフを構築するように構成されたハイパーグラフ構築サブユニットと、
前記ドメインオントロジ情報を使用して前記初期ハイパーグラフを精緻化するように構成されたハイパーグラフ精緻化サブユニットと、
精緻化されたハイパーグラフのノードおよびエッジに重みを付与するように構成された重み付与サブユニットとを備えることを特徴とする請求項１に記載の文書検索装置。
前記ハイパーグラフ構築サブユニットは、
前記文書に含まれる概念セットの各々についてノードを作成してノードセットを形成し、
前記文書の各文に含まれる概念セットによって形成されるエッジを付加してエッジセットを形成し、当該ノードセットと当該エッジセットとから構成される初期ハイパーグラフを構築するように構成される
ことを特徴とする請求項２に記載の文書検索装置。
前記ハイパーグラフ精緻化サブユニットは、
前記初期ハイパーグラフ内の２個のノードに対応する概念がドメインオントロジにおいて同じ意味を有する場合には、当該２個のノードをマージし、
これらのノードに対応する概念がドメインオントロジにおいて直接関連付けられている場合には、前記初期ハイパーグラフ内の任意の個数のノードを連結するエッジを付加し、
前記２個のエッジに対応する概念がドメインオントロジまたは初期ハイパーグラフ内において距離が近い場合には、初期ハイパーグラフ内において当該２個のエッジをマージするように構成される
ことを特徴とする請求項２に記載の文書検索装置。
前記重み付与サブユニットは、
前記文書内におけるある特定の概念の出現頻度に基づいて、当該特定の概念に対応するノードに重みを付与し、
前記文書内におけるあるエッジの概念の出現頻度と、前記文書内における当該エッジの出現頻度と、当該エッジ内の任意の２個のノードにおける意味的関連度の新規性の総和であるエッジの新規性とに基づいて、当該エッジに重みを付与するように構成されることを特徴とする請求項２に記載の文書検索装置。
２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での２個のノード間の意味的距離が、エッジ内のノード数マイナス１に相当する数を超えない場合は１とし、それ以外の場合には、２個のノードにおける意味的関連度の新規度は、ドメインオントロジ内での当該２個のノード間の意味的距離を、エッジ内のノード数と１との差に相当する数で除算して得られる数とすることを特徴とする請求項５に記載の文書検索装置。
前記文書ランキングユニットは、
前記ハイパーグラフ構築ユニットによって構築されたハイパーグラフを用いてある特定のクエリに関する最小スパニングツリーを生成するように構成された最小スパニングツリー生成サブユニットと、
生成された最小スパニングツリーの意味的関連度スコアを計算するように構成された関連度計算サブユニットと、
前記意味的関連度スコアに基づいて文書をランキングするように構成された文書ランキングサブユニットと
を備えることを特徴とする請求項１に記載の文書検索装置。
前記最小スパニングツリー生成サブユニットは、欲張りアルゴリズムを使用して最小スパニングツリーを生成するように構成されることを特徴とする請求項７に記載の文書検索装置。
前記関連度計算サブユニットは、意味的関連度スコアとして、最小スパニングツリーにおけるすべてのエッジの重みの平均を計算するように構成されることを特徴とする請求項７に記載の文書検索装置。
対象文書セットのある１つの文書に含まれる暗黙の意味的情報を記述するために、当該文書に関するハイパーグラフを構築するステップと、
構築されたハイパーグラフに基づいて、前記対象文書セット内で特定クエリに対応する文書を検索し、検索された文書をランキングするステップと
を備えることを特徴とする文書検索方法。