JP2013509663A

JP2013509663A - 動的変動ネットワークを使用するシステムおよび方法

Info

Publication number: JP2013509663A
Application number: JP2012537458A
Authority: JP
Inventors: ウルブシャット、ハリー; マイアー、ラルフ; バンシュラ、トルステン; ハオスマン、ヨハンネス
Original assignee: BDGB Enterprise Software SARL
Current assignee: BDGB Enterprise Software SARL
Priority date: 2009-11-02
Filing date: 2010-10-29
Publication date: 2013-03-14
Anticipated expiration: 2030-10-29
Also published as: US9158833B2; WO2011051816A2; AU2010311066B2; CA2778303A1; EP2497039A2; CA2778303C; WO2011051816A3; AU2010311066A1; US20110103689A1; JP5774597B2

Abstract

少なくとも１つの文書中で、少なくとも１つのターゲットの少なくとも１つのターゲット値を決定する方法およびシステムは、少なくとも１つのトレーニング文書からの情報を利用する少なくとも１つのスコアリングアプリケーションを利用して、少なくとも１つの可能性あるターゲット値を決定することと、少なくとも１つの新たな文書上で、少なくとも１つのターゲットの少なくとも１つの値を決定するために、少なくとも１つのスコアリングアプリケーションを利用して、少なくとも１つの新たな文書に情報を適用することとを含む。
【選択図】図８

Description

関連出願への相互参照

本出願は、２００９年１１月２日に出願された米国特許出願第１２／６１０，９１５号の出願日に基づき、その利益を得る。本出願の内容全体は、そのすべてが参照によりここに組み込まれている。

図１は、１つの実施形態にしたがった、少なくとも１つの文書についての情報を取得するシステムを図示している。図２は、１つの実施形態にしたがった、動的変動ネットワーク（ＤＶＮ）を利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける方法を図示している。図３は、１つの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける方法を図示している。図４は、１つの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける方法を図示している。図５は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図６は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図７は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図８は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図９は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図１０は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図１１は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図１２は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図１３は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図１４は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図１５は、いくつかの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図１６は、１つの実施形態にしたがった、動的知覚マップ（ＤＳＭ）を利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける方法を図示している。図１７は、１つの実施形態にしたがった、ＤＳＭを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける方法を図示している。図１８は、１つの実施形態にしたがった、ＤＳＭを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける方法を図示している。図１９は、１つの実施形態にしたがった、ＤＳＭを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける例を図示している。図２０は、１つの実施形態にしたがった、少なくとも１つの文書についての情報を取得する方法を図示している。

発明の実施形態の詳細な説明

図１は、１つの実施形態にしたがった、少なくとも１つの文書についての情報を取得するシステムを図示している。１つの実施形態では、システム１００は、ハードウェアエレメントとソフトウェアエレメントとを接続する少なくとも１つの通信ネットワーク１０１を含むことができる。いくつかの実施形態では、ハードウェアは、ソフトウェアを実行することができる。

ハードウェアは、少なくとも１つの通信／出力ユニット１０５と、少なくとも１つのディスプレイユニット１１０と、少なくとも１つの中央処理装置（ＣＰＵ）１１５と、少なくとも１つのハードディスクユニット１２０と、少なくとも１つのメモリユニット１２５と、少なくとも１つの入力ユニット１３０とを備えることができる。通信／出力ユニット１０５は、例えば、スクリーン、プリンタ、ディスク、コンピュータ、および／またはアプリケーションに、抽出処理の結果を送ることができる。ディスプレイユニット１１０は、情報を表示することができる。ＣＰＵ１１５は、ハードウェアおよび／またはソフトウェアコンポーネントからの命令を翻訳して実行することができる。ハードディスクユニット１２０は、ＣＰＵ１１５、メモリユニット１２５、および／または入力１３０からの情報（例えば、文書、データ）を受信することができる。メモリユニット１２５は、情報を記憶することができる。入力ユニット１３０は、例えば、スクリーン、スキャナ、ディスク、コンピュータ、アプリケーション、キーボード、マウス、または他の人間的もしくは非人間的な入力デバイス、あるいは、これらの任意の組み合わせから、処理するための情報（例えば、文書画像または他のデータ）を受信することができる。

ソフトウェアは、１つ以上のデータベース１４５と、少なくとも１つの局所モジュール１５０と、少なくとも１つの画像処理モジュール１５５と、少なくとも１つのＯＣＲモジュール１６０と、少なくとも１つの文書入力モジュール１６５と、少なくとも１つの文書変換モジュール１７０と、少なくとも１つのテキスト処理統計分析モジュール１７５と、少なくとも１つの文書／出力後処理モジュール１８０と、少なくとも１つのシステムアドミニストレーションモジュール１８５とを含むことができる。データベース１４５は、情報を記憶することができる。画像処理モジュール１５５は、画像を処理できるソフトウェアを備えることができる。ＯＣＲモジュール１６０は、入力ユニット１３０（例えば、スキャナ）によりスキャンされた画像のテキスト表示を生成することができるソフトウェアを備えることができる。１つの実施形態では、複数のＯＣＲモジュール１６０を利用することができることに留意すべきである。文書入力モジュール１６５は、（例えば、システム１００またはその他の場所で予め処理された）予め処理された文書を扱って、（例えば、トレーニングに使用する）情報を取得できるソフトウェアを備えることができる。文書表示（例えば、画像および／またはＯＣＲテキスト）は、局所モジュール１５０に送ることができる。文書変換モジュール１７０は、文書をある形態から別の形態へ（例えば、ワードからＰＤＦへ）変換することができるソフトウェアを備えることができる。テキスト処理統計分析モジュール１７５は、テキストの情報を予め処理するための、発生されたテキストの統計分析を提供することができるソフトウェアを備えることができる。例えば、ワードの頻度等のような情報を提供することができる。文書／出力後処理モジュール１８０は、特定の形態（例えば、ユーザにより要求されたフォーマット）で結果としての文書を準備することができるソフトウェアを備えることができる。これは、さらなるフォーマットおよび処理のために、結果としての情報を外部アプリケーションまたは内部アプリケーションに送ることもできる。システムアドミニストレーションモジュール１８５は、アドミニストレータがソフトウェアおよびハードウェアを管理できるようにするソフトウェアを備えることができる。１つの実施形態では、（それらの特定のインターフェースを通して）接続することができるソフトウェアモジュールとして、個々のモジュールを実現することができ、それらの出力は、さらなる処理のための望ましいモジュールに送ることができる。記述したすべてのモジュールは、ＣＰＵ１１５のような記述した情報処理インフラストラクチャ内の、１つのもしくは多くの、ＣＰＵ上、仮想機械上、メインフレーム上、またはシェル上で実行することができる。データベース１４５は、ハードディスク駆動ユニット１２０に記憶させることができる。

局所モジュール１５０は、少なくとも１つの文書分類子、少なくとも１つの動的変動ネットワーク（ＤＶＮ）、少なくとも１つの動的知覚マップ（ＤＳＭ）、または少なくとも１つのファジーフォーマットエンジン、あるいは、これらの任意の組み合わせを利用することができる。文書分類子を使用して、例えば、クラス識別子（例えば、インボイス、送金額明細、船荷証券（bill of lading）、レター、ｅメール；または、送り主、売り主、もしくは受取人の身元により）を使用して、書類を分類できる。文書分類子は、学習セットを生成するのに、レビューする必要がある、または、考慮する必要がある文書を絞り込む助けができる。文書分類子は、新たな文書をレビューするときに、いずれのスコアリングアプリケーション（例えば、ＤＶＮ、ＤＳＭ、および／またはファジーフォーマットエンジン）を使用すべきかを識別する助けもできる。例えば、文書分類子が、新たな文書を、企業ＡＢＣからのインボイスとして識別する場合に、この情報を使用して、ＤＶＮ、ＤＳＭ、およびファジーフォーマットエンジンにより学習した情報を、企業ＡＢＣからの他のインボイスから引き出すことができる。学習した情報は、例えば、企業ＢＣＤからのインボイスから学習した情報よりもずっと妥当であるかもしれないので、この学習した情報は、その後、効率的な方法で、新たな文書に適用することができる。文書分類子は、図２０に関して、さらに詳細に記述する。

上述したように、局所モジュール１５０は、これらには限定されないが、ＤＶＮ、ＤＳＮ、またはファジーフォーマットエンジン、あるいはこれらの任意の組み合わせのような、数々のスコアリングアプリケーションを備えることができる。文書上の、または、文書の一部上の参照を使用して、任意のターゲットに対する可能性ある位置を決定することにより、可能性あるターゲット値を決定するために、ＤＶＮを使用することができる。ＤＶＮにより識別された各可能性あるターゲット値に対して、スコアを与えることができる。図２〜１５、および２０に関して、ＤＶＮを下記でさらに議論する。ターゲットに対する異なる既知のロケーションに基づいて、可能性あるターゲット値を決定するために、ＤＳＭを使用することもできる。ＤＳＭにより識別された各可能性あるターゲット値に対して、スコアを与えることができる。図１６〜２０に関して、ＤＳＭを下記でさらに議論する。加えて、任意のターゲットに対するフォーマットのファジーリストを使用することにより、可能性あるターゲット値を識別するために、ファジーフォーマットエンジンを利用することができる。ＤＶＮおよびＤＳＭのように、何らかの可能性あるターゲット値に対して、ファジーフォーマットエンジンはスコアを与えることができる。図２０に関して、ファジーフォーマットエンジンをより詳細に議論する。

局所モジュール１５０により発生させた情報は、データベース１４５に、または、外部入力（例えば、入力ユニット１３０、通信ネットワーク１０１、ハードディスクユニット１２０、アドミニストレーションモジュール１８５）に送ることができる。後処理モジュール１８０を使用して、または、後処理モジュール１８０を使用せずに、さまざまなコンポーネント（例えば、通信／出力ユニット１０５、ディスプレイユニット１１０、ハードディスクユニット１２０、メモリユニット１２５、通信ネットワーク１０１、変換モジュール１７０、データベース１４５、ＯＣＲモジュール１６０、統計分析モジュール１７５）における入力パラメータとして、局所モジュール１５０の、出力、または、出力の一部を、記憶、提示、または使用することができる。このようなフィードバックシステムは、反復改良を可能にすることができる。

［文書分類子］
上記で示したように、文書分類子を使用して、例えば、クラス識別子（例えば、インボイス、送金額明細、船荷証券、レター、ｅメール；または、送り主、売り主、もしくは受取人の身元により）を使用して文書を分類できる。文書分類子は、文書中のテキストに基づいて動作できる。文書分類子は、文書中のテキストについての位置情報に基づくこともある。文書分類子が、文書からのテキストについての、テキスト情報および／または位置情報の何らかの組み合わせを使用して、どのように文書を分類するかに関する詳細は、参照によりここに組み込まれている、以下の特許出願／特許においてより詳細に説明される：（すべて、“分類方法および装置”と題する）ＵＳ２００９／０２１６６９３、ＵＳ６，９７６，２０７、およびＵＳ７，５０９，５７８。

いったん、少なくとも１つのトレーニング文書に対して、テキスト情報およびテキスト位置情報が取得されると、この情報を使用して、新たな文書に対して適切なクラス識別子に戻すことができる。（人間または他のアプリケーションがこの情報を提供できることに留意すべきである。）例えば、企業ＡＢＣにより発行されたインボイスをレビューすることになる場合に、文書のトレーニングセット上で見つかる、特定のテキスト（例えば、“ＡＢＣ”）、または、テキスト位置情報（例えば、例えばＤＶＮまたはＤＳＭを使用して、トレーニング文書上に位置付けられる“ＡＢＣ”が見つかった場所）は、新たな文書上でサーチすることができ、新たな文書が企業ＡＢＣにより発行されたインボイスであるか否かを決定することを助ける。企業ＡＢＣにより発行されたインボイスとして識別された文書は、企業ＡＢＣの特定のＤＶＮ、ＤＳＭ、および／またはファジーサーチ機械によりレビューできる。

文書分類サーチは、ファジーな方法で実行できることに留意すべきである。例えば、句読点または分離文字は、先頭（leading）または後ろ（lagging）の英文字、ならびに、先頭または後ろの０と同様に、無視することができる。したがって、例えば、列“１２３４５”に対するファジーサーチが行われている場合に、“１２３−４５”、“１／２３４５”、“００１２３４５”、“ＩＮＲ１２３４／５”を見つけることができる。当業者は、多くのタイプの既知のファジーサーチングアプリケーションを使用して、文書分類サーチを実行できることが分かるだろう。ファジー表現の他の例、および、それらのそれぞれの分類は、参照によりここに組み込まれている、以下の特許出願／特許においてより詳細に説明される：（すべて、“連想メモリ”と題する）ＵＳ２００９／０１９３０２２、ＵＳ６，９８３，３４５、およびＵＳ７，４３３，９９７。

上記で説明したように、文書分類子は、レビューする必要がある文書を絞り込む助けができる。文書分類子は、新たな文書をレビューするときに、いずれのスコアリングアプリケーション（例えば、ＤＶＮ、ＤＳＭ、および／またはファジーフォーマットエンジン）を使用すべきかを識別する助けもできる。学習した情報は、例えば、企業ＢＣＤからのインボイスから学習した情報よりもずっと妥当であるかもしれないので、ＤＶＮ、ＤＳＭ、および／またはファジーフォーマットエンジンから学習したこの情報を、その後、効率的な方法で、新たな文書に適用できる。

図２０は、スコアリングアプリケーションとともに、文書分類子の例示的な使用を図示している。（文書を絞り込むために、文書分類子を使用する必要はないことに留意すべきである。また、多くの他のスコアリングアプリケーションを利用することができることに留意すべきである。さらに、他のアプリケーションを利用して、ターゲットについての情報を決定することができることに留意すべきである。）図２０を参照すると、２００５では、文書分類子を利用して、最も妥当なスコアリング情報を選択する。例えば、文書分類子が、新たな文書を企業ＡＢＣからのインボイスとして識別する場合に、この情報を使用して、ＤＶＮ、ＤＳＭ、およびファジーフォーマットエンジンにより学習された情報を、企業ＡＢＣからの他のインボイスから引き出すことができる。２０１０では、（例えば、企業ＡＢＣにより発行されたインボイスに関連する）妥当なＤＶＮ、ＤＳＭ、およびファジーフォーマット情報を、分類された文書に適用して、それぞれに対するスコアにしたがって、何らかの可能性あるターゲット値を取得できる。２０１５では、妥当性確認ルールを使用して、可能性あるターゲット値のセットを絞り込むことができる。例えば、公式ＮＥＴ＋ＶＡＴ＝ＴＯＴＡＬを満たす、ターゲットＮＥＴ、ＶＡＴ、およびＴＯＴＡＬに対する可能性あるターゲット値のみを、フィルタリングされた可能性あるターゲット値として戻すことができる。他の例示的な妥当性確認ルールは：文書の日付が２００５年１月１日より後でなければならないこと、または、オーダー番号が特定の範囲内である必要があることを含む可能性がある。２０２０では、フィルタリングされた可能性あるターゲット値は互いに比較され、最大スコアを持つフィルタリングされた可能性あるターゲット値をターゲット値として使用することができる。他の実施形態では、フィルタリングされたすべての可能性あるターゲット値、または、フィルタリングされていないすべての可能性あるターゲット値でさえも、人に示される可能性があり、または、別のアプリケーションに供給される可能性があることに留意すべきである。

［動的変動ネットワーク（ＤＶＮ）］
図２は、１つの実施形態にしたがった、ＤＶＮを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付ける方法２００を図示している。２０５では、トレーニングに対して、１つ以上の文書（または、文書の一部）を使用することができる。２１０では、文書のトレーニングセットからコンパイルされた情報から、少なくとも１つのＤＶＮを生成できる。ＤＶＮは、“キーワード”参照のセット（例えば、ワード、数、英数字シーケンス、トークン、ロゴ、テキストフラグメント、ブランクスペース等のような、何らかのテキスト／デジタル／文字のブロック）と、この参照のセットに対する参照ベクトルとであり得る。各参照ベクトルは、参照をターゲットに接続することができる。２１５では、ＤＶＮをトレーニングされていない文書に適用して、少なくとも１つのターゲットをトレーニングされていない文書上で局所化することができる。局所化は、トレーニングされていない文書のどこにターゲットの位置を予期すべきかを決定できる。これにより、（例えば、ターゲット“インボイス日付”に対するターゲット値１／１０／２００９のような）ターゲットについての情報を取得または確認する助けをする。例えば、ターゲットが日付のような文書フィールドである場合に、ターゲットにある値を抽出することができる。所定のターゲット位置において参照が存在しない場合に、ターゲットが文書上にないことを示すことになる。例示的なターゲットは、これらには限定されないが、チェックボックス、署名フィールド、スタンプ、アドレスブロック、フィールド（例えば、インボイスの総額、配達記録上のパッケージの重量、レシート上のクレジットカード番号）、マップ上に手動または自動で編集されたエントリ、テキスト／画像の混合文書中の画像関連コンテンツ、ページ番号等を含む。

上記の方法２００は、さらなる冗長および正確さを提供することができることに留意すべきである。すべての参照は、ターゲット局所化に対する潜在的な基礎であるので、各ターゲットに対してページごとに何百の参照アンカーが存在することがある。したがって、すべての典型的なキーワードが欠落している引き裂かれたページに対してでさえも、ターゲット局所化は見つけることができる。

加えて、特定の位置における、誤記、または、ＯＣＲエンジンによる認識違いによる参照は、どこで参照が見つかったかに基づいて、自動的にアンカーとして使用することができることに留意すべきである。したがって、いくつかの実施形態では、従来のキーワードを特定する、または、アンカー参照に何らかの限定を適用する必要はない。この方法で、厳密なおよび／またはファジーな一致を利用して、何らかの類似した参照を新たな文書中の少なくとも１つの参照に一致させることができる。

さらに、一致させるときに、参照の以下の特徴を考慮できる：フォント、フォントサイズ、スタイル、または任意のこれらの組み合わせ。加えて、参照は、少なくとも１つの他の参照と組み合わせることができる；および／または、少なくとも２つの参照に分けることができる。

図３は、１つの実施形態にしたがって、トレーニングセットからＤＶＮを生成する方法２１０の詳細を図示している。３０５では、トレーニングに使用する少なくとも１つの文書上で見つかった少なくとも１つの参照から、“キーワード”参照のセットを生成させることができる。３１０では、各参照に対して、少なくとも１つの参照ベクトルを生成させることができる。

図５は、灰色のエリア５１０が“キーワード”参照のセットとして使用する可能性がある異なる参照を示す、文章の図を図示している。参照ベクトル５１５は、各参照から特定のターゲット５５０へのラインである。灰色の異なる色彩は、異なるコンテンツを示すことができる。例えば、より暗い灰色は、ワードコンテンツであるコンテンツを表すことが可能である。別の例として、より明るい灰色は、数、または、数と文字との組み合わせであるコンテンツを表すことが可能である。コンテンツのさらなる例は、これらには限定されないが、数および句読点の列、ＯＣＲ−認識違い文字（例えば、画像上のスタンプの部分に対する“／（！＊７％８［］４＄２§”）、異なる言語でのワード、辞書で見つかったワード、辞書に見つからないワード、異なるフォントタイプ、異なるフォントサイズ、異なるフォントプロパティ等を含む。

３１５では、変動フィルタリングは、類似した参照ベクトルを選択することにより実行できる。変動フィルタリングは、学習セット中のすべての文書に対して、参照と参照ベクトルとを比較し、参照のタイプを比較して、類似した参照ベクトルを保つことができる。類似した参照ベクトルは、参照に対して、位置に関して類似している、コンテンツが類似している、および／またはタイプが類似しているとすることができる。参照は、通常、参照がページ上の１つ以上の特定の場所で見つかるときに、位置的に類似するとすることができる。コンテンツの類似は、同一のタイプのコンテンツを有する（例えば、参照がすべて同一のワードまたは類似したワードであるときの）参照に関連する。タイプの類似は、通常、特定のタイプである参照（例えば、数値、ワード、キーワード、フォントタイプ等）に関連する。類似タイプは、（例えば、参照が、タイプが類似している（例えば、すべてのタイプ“日付”）ときだけでなく、さらに参照がすべて、コンテンツが類似しているか、同一のワードであるか、または類似したワードであるときに、）他の類似タイプに結びつけられることがある。

参照の一貫性テストは、ファジーになり得ることに留意すべきである。位置的に類似した参照によるファジーテストの例は、規定されたＸおよびＹ座標スペース内のすべてを利用するとき、および、スペースパラメータを調整できるときである。コンテンツ一貫性の例は、ワードを比較することにより決定する。したがって、“Swine−Flu”、“swineflu”、“Schweinegrippe”、および“Ｈ１Ｎ１”は、特別な種類のファジー比較に対して同一であると仮定できる。“Invoice Number”、“Inv0!ce No.”、および“invoiceNr”は、別の種類のファジー比較に対して同一であると仮定できる。類似タイプのファジーテストの例は、１つより多いタイプ（例えば、日付に対して“数字”タイプと“数字／文字”タイプとの双方）を使用できるときである。

３２０では、類似した参照フィルタを使用して、ＤＶＮを生成する。例えば、図６は、６つの文書に対するＤＶＮ（すなわち、“キーワード”参照のための参照ベクトル）を図示している。６つの文書は、異なる文書にわたる参照および位置に関する変動性と、参照ベクトル上のその影響とを図示している。

図７は、図６からの６つすべての文書の変動フィルタリング３１５（例えば、オーバーレイ）を図示している。７０５は、１つのスタック上の図６中の参照ベクトルを図示している。参照ベクトルの変動性および一貫性は、ラインの濃さで示されている。図７上のラインが濃ければ濃いほど、文書をオーバーレイするときに、参照ベクトルがより頻繁に見つかった。７１０は、参照ベクトル上の一貫性フィルタの影響を図示している。参照ベクトルおよび文書にわたる一貫性の最小量は、設定可能とすることができ、１（すべての参照ベクトルが保たれていることを意味する）と、Ｎ（現在のセット中の文書の数であり、すべての文書上にある参照ベクトルのみが有益であると考えられることを意味する）との間の値を持つことができる。例えば、一貫性に対して選択した値が５であり、文書の数は７である場合に、特定の位置における１つの特定のワードに対する類似したベクトルは、この参照ベクトルを保つために、７つの文書中の５つの文書上で見つかるにちがいない。

特に、全体的に類似した参照ベクトルのみを使用するときに、参照の、コンテンツ、位置、およびタイプを使用して、参照ベクトルをフィルタリングして、ＤＶＮを構築することができることに留意すべきである。図９は、完全に類似した（例えば、学習セット中のすべての文書において、参照ベクトルが類似している（例えば、整列している）、または、ファジー方法において類似している（例えば、ほぼ整列している、“ほぼ”は予め設定された変動である））ときの例示的な結果を図示している。参照９０５は、最大の安定性（例えば、コンテンツ、位置、およびタイプが類似している）を有し、１つ実施形態では、第１の色彩で表すことが可能である。参照９１０は、位置およびタイプに関してのみ安定しており、１つの実施形態では、第２の色彩で示すことができる。位置、コンテンツ、タイプのどちらにおいても安定していない参照は、図９には示されていない。

小さな位置変更を持つ同一のコンテンツは、ワード読取可能にすることができるが、ぼやけさせるので、参照の画像はいくつかの状況でぼやけることがあり得ることに留意すべきである。コンテンツが同じではない（例えば、インボイス日付に対する数字、インボイス番号、オーダー日付、およびオーダー番号）ときは、コンテンツは、オーバーレイで読取可能であるかもしれない。図８に示されるように、８１０は、１つの実施形態にしたがって、コンテンツの変動性と、（例えば、学習セット中の各文書が互いにオーバーレイしているときの）変動フィルタリングにおけるその影響とを図示している。８１５では、低コンテンツ変動を持つワードの拡大バージョンを示している。８２０では、高コンテンツ変動を有するワードの拡大バージョンを示している。１つの実施形態では、変動を持たないコンテンツまたは低変動を持つコンテンツは、動的変動ネットワークを構築するために、コンテンツ安定性のために、より価値のある情報として考えることができる。より変動しやすいコンテンツ（例えば、日付）は、不安定な参照ポイントとして参照でき、重要性が低いとして考えることができる。

図４は、１つの実施形態にしたがって、トレーニングされていない文書２１５上のターゲット局所化に対する、ＤＶＮの適用の詳細を図示している。４０５では、処理することになる文書上のすべての参照は、ＤＶＮ“キーワード”参照リストと比較されて、どの参照が最も妥当であるかを決定する。ＤＶＮ“キーワード”リストは、トレーニングにより一貫して見つかる参照のリストである。１つの実施形態では、トレーニングに使用するすべての文書に見つかる参照のみを、ＤＶＮ“キーワード”参照リスト上で使用する。他の実施形態では、トレーニングに使用する文書のほとんどに見つかる参照を、使用することができる。

例えば、図７および８の７１０、８０５、および８１０の例を使用すると、トレーニングからの類似した参照は、（濃い灰色により指定された）以下のワードタイプの参照を含む可能性がある：“インボイス番号”、“インボイス日付”、“オーダー番号”、“オーダー日付”、“説明”、および“量”。これらの参照の変形（例えば、Order No.の代わりにOrder Number）を使用することもできる。トレーニングからの類似した参照は、（明るい灰色に指定された）数字の列、または、数字／レター文字の列の形態を含む可能性もある：（日付に対して）ＸＸ／ＸＸ／ＸＸ、（インボイス番号に対して）ＸＸＸＸＸＸＸＸＸＸ、（オーダー番号に対して）ＸＸＸＸＸＸ、および（オーダー日付に対して）ＸＸ／ＸＸ。

４１０では、“キーワード”参照に関連する参照ベクトルのすべてを使用して、ターゲットに向かってポイントすることができる。４１５では、参照ベクトルと参照キーワードとのすべてからのポインタ情報の統合を使用して、ターゲットを局所化（決定）できる。

例えば、図１０において、１００５では、文書に対するすべての参照を示している。１０１０では、位置的な一貫性フィルタが適用された後の参照を示している。１０１５では、さまざまな文書からのこれらの参照からの参照ベクトル情報を適用および比較する。１０２０では、類似した参照ベクトルを使用して、ターゲットの局所性を決定する。

いったん、ＤＶＮを使用して、何らかのターゲット局所性の可能性ある位置が見つかると、ターゲットに対する可能性ある値を見つけることができる（例えば、ターゲット“インボイス日付”に対する値としての１／１０／２００９）。ターゲットに対する各可能性ある値に、スコアを与えることができる。ターゲットにポイントしていない参照ベクトルに対するターゲットにヒットしている参照ベクトルの比により、スコアを決定することができる。さらに、学習した参照（例えば、テキスト）と局所化に使用した参照との間のファジー編集距離は、重みとして統合できる。例えば、文書上のすべての可能性ある参照ワードが、学習セット中に記憶されたものとして、ターゲットからの同じ相対位置で正確に見つかった場合に、最高スコアを戻すことができる。学習セット中に含まれていないさらなる参照、または、それぞれのターゲットに向かってポイントしているベクトルを持たない参照は、スコアを減少することができる。

多くのさらなるタスクのために、ＤＶＮを使用することができることに留意すべきである：多くのさらなるタスクは、これらには限定されないが、参照ベクトルの追加、参照訂正、文書分類、ページ区切り、文書修正の認識、文書要約、または文書比較、あるいは、これらの任意の組み合わせを含む。これらのタスクを下記でより詳細に説明する。

（参照ベクトルの追加および／または除去）ＤＶＮは、ターゲット局所化の後に動的に適応することができる。ターゲットを局所化するために、少なくとも１つの参照ベクトルを学習して使用したときに、他のすべての可能性ある参照ベクトルを生成させて、図２の２１０において学習したＤＶＮに動的に追加することができる。さらに、古くなったもの（例えば、長い時間使用されていない、すなわち、フィルタリングされていない参照）は、除去することができる。これにより、すべての処理文書からの参照ベクトルの継続的な更新が可能になる。このような継続的な更新手順は、文書処理の間に、ＤＶＮを更新して変更することができる。

（参照訂正）参照ベクトルは、参照訂正のために使用できる。図１１に例を図示している。１１０５において、１つのターゲット１１０７と、３つのアンカー参照（“９９１８２６”、“！８％！”、および“example”）を含む１つの学習文書を示している。参照からターゲットへのそれぞれの参照ベクトル１１１５も示している。学習の後に、異なる文書１１３０上で、参照ベクトル１１１５のセットが一致する。この文書１１３０上で、参照“example”は破損しており、“Exanp1e”とつづられている。しかしながら、そのロケーションのために、“Exanp1e”は、“example”に一致させて、１１４０で置換させることができる。この能力は、処理した文書上の参照訂正における結果を援助することができる。

参照訂正のために使用する参照ベクトルの別の例は、例えば、特定のタイプのターゲットを位置付けるために参照ベクトルが使用されるときである。潜在的に破損したターゲットを訂正するために、存在する追加の情報を使用することができる。例えば、参照ベクトルは、参照“29 Septenbr ”に向かってポイントしており、この参照が、最近取り出された文書からの日付フィールドターゲットであるとして知られている場合に、そのターゲットの“29 September ”への訂正が可能である。この訂正を行うために、“Septenbr”と“September”との間の高い類似性をファジーコンテンツ比較において使用することができ、日付であるエントリについての追加の情報を使用して、妥当であると思われる（設定可能な）期間に年度を訂正することができる。日付フィールドターゲットが明確に位置付けられている場合に、参照ベクトルがもとの潜在的なアンカー参照に従うことができることにも留意すべきである。例えば、このようなアンカー参照に対する位置情報が完璧にフィットする場合には、実際の参照がそこに存在するが、学習したＤＶＮ中にあるアンカー参照にフィットしていないものは、学習したＤＶＮからの１つにより置換することが可能である。例えば、インボイス番号フィールドターゲットが位置付けられた場合に、破損しており、“Inv0!ce Nunder”を示す周囲の典型的なキーワードは、学習したＤＶＮからこの位置に対して記憶された１つにより置換することが可能である。したがって、その訂正の後に、“Invoice Number”をその位置において読み取ることが可能である。

（文書分類）図１に関して先に説明したように、図１２に示すように、文書分類に対して、学習したＤＶＮも使用できる。文書のターゲット（１２１０ａおよび１２１０ｂ）上でアンカーされた参照を持つ２つの文書（１２０５ａおよび１２１０ｂ）が示されている。文書１２０５ａに対する参照ベクトルは、アンカー参照ワードをポイントする。文書１２０５ｂに対して、参照ベクトルのいくつかは、アンカー参照ホワイトスペースをポイントする。学習したＤＶＮのフィットの品質は、測定することができ、現在の文書が、学習したＤＶＮがトレーニングされた場所と同じ“カテゴリ”または“クラス”からのものであるか否かに関するインジケータとして、機能することができる。このようなアプリケーションに対する多くのクラスのシナリオでは、すべての訂正したＤＶＮに対して、１つのターゲットエリア上の参照ベクトルのオーバーラップを測定することができる。多くの参照ベクトルの高いオーバーラップは、アンカーワードが、１つまたは多くのターゲットに対して類似した相対位置に存在するかもしれないことを示す。この高いオーバーラップ情報は、ＤＶＮが、文書のどのクラスまたはセットから生成されたかを決定するための情報として使用することができる。

（ページ区切り）また、ページ区切りのために、アンカー参照に関する位置情報を使用することができる。たくさんの異なる文書（例えば、単一の文書、複数ページの文書）では、（“フィットの品質”とも呼ばれる）ＤＶＮ位置情報における変更は、新たな文書の開始ページについての情報を提供することができる。この方法を、例えば、文書の山を単一の文書に再パッケージ化するために使用することができる。

（文書修正の認識）ＤＶＮは、逆の方法（例えば、ターゲットを位置付けた後に、現在の文書上のアンカーワードが、ＤＶＮの学習したアンカーワードにいかによくフィットするかを調べること）で、文書修正を認識するために使用することもできる。例えば、図１３では、１つの文書（１３００ａ）が学習され（例えば、少なくとも１つのターゲットに対してＤＶＮが生成され）、その後、修正を検出するために、このＤＶＮは、潜在的に編集された文書（１３００ｂ）上で後ほど一致する。修正の３つの基本タイプが存在する：１）参照ベクトルが、同じ位置を有するが、コンテンツが変更されている参照をポイントする（１３１０）；２）参照ベクトルが、ホワイトスペースをポイントし、そこにある参照は削除または移動されたかもしれないことを示す（１３２０）；３）参照ベクトルを持たない参照が存在する（例えば、追加されたワード１２３０が存在するかもしれない）。このような修正は、これらには限定されないが、ワードの交換、ワードの言い換え、文書の一部の除去、文書レイアウト、フォントサイズ、またはフォントスタイルにおける変更を含むことができる。さらに、１つの文書上での異なるターゲットに対するいくつかのＤＶＮの比較は、本質的に、文書中の何らかの非典型的な変更を検出するローバスで過敏な方法を提供する、精密な“フィンガープリンティング”を可能にすることができる。例えば、契約書に対する改正番号における頻繁な変更は、無視できる一方で、表現における変更は、強調表示することができる。変更された場所およびものを元に戻すオプションを提供することができる。

（文書要約）ＤＶＮは、文書コンテンツを自動的に要約するためにも使用することができる。図１４でこのプロセスを図示している。この例では、入力として２つの文書（１４００ａおよび１４００ｂ）が使用され、２つのＤＶＮが生成され、これらの２つのＤＶＮは、これらの変動性に対して分析される。この変動は、１４２０において、２つのＤＶＮの（視覚的な補助のために）わずかにシフトしたオーバーラップとして示されている。参照の、位置的な、可能性あるコンテンツ変動性に注目する。このケースにも適用する、コンテンツ変動性に対する例が、図９で示されており、ここで、９０５は、安定したコンテンツを示し、９１０は、ある変動を持つコンテンツを示す。この情報に基づいて、２つの要約を構築することができる：類似した参照のみを保つ安定した要約（１４３０）、参照を変更し続ける変動性の要約（１４４０）。文書上の任意のターゲットに対する（低い変動の）安定した参照ベクトルは、文書の“形態”または“テンプレート”を表すことができる。（高い変動の）変動性の参照ベクトルは、文書ごとの個々の情報を示すことができ、したがって、自動的な要約に対して有用であるとすることができる。

（文書圧縮）ＤＶＮは、文書または文書のセットの圧縮のためにも使用することができる。図１５では、４つの異なる文書（１５００ａ、１５００ｂ、１５００ｃ、１５００ｄ）と、それらのそれぞれのＤＶＮとに対して、文書圧縮を図示している。圧縮されていないケース（１５０１）では、４つすべての文書を記憶しなければならない。圧縮されたケース（１５２０）では、（１５１０で示されている）安定したＤＶＮと、ＤＶＮマッピングされていないワードのそれぞれに対して、それぞれの位置を文書上に持つ、そのＤＶＮからの偏差（１５０５ａ、１５０５ｂ、１５０５ｃ、１５０５ｄ、１５０５ｅ）とのみを記憶しなければならない。例えば、１５０５ａは、文書の左上端に関連する文書配列＋１９０２ｘ＋９６２において、列“Management-Approved”である可能性がある。このような変動情報を１５０５ｂ、１５０５ｃ、１５０５ｄ、および１５０５ｅに対して記憶することができる。これは、ＤＶＮを基礎としたデルタ圧縮アルゴリズムのアプリケーションとして見ることができる。このシナリオでは、ＤＶＮとＤＶＮからの偏差とは、別々に記憶され、したがって、ＤＶＮの冗長が、多くの文書を介して記憶されることになるデータ量を減少させる。さらに、前述したすべてのＤＶＮアプリケーションを、それらを解凍する必要なく、圧縮された文書で同様に使用することができる。

［動的知覚マップ（ＤＳＭ）］
図１６は、１つの実施形態にしたがった、ＤＳＭを利用して、少なくとも１つの文書中で少なくとも１つのターゲットを位置付けるための方法を図示している。１６１０では、トレーニングのために１つ以上の文書（すなわち、文書の一部）を使用できる。１６２０では、トレーニングからコンパイルされた情報から、少なくとも１つのＤＳＭを生成できる。ＤＳＭは、少なくとも１つのターゲットに対する可能性あるロケーションのセットであり得る。２３０では、ターゲットを位置付けるために、ターゲットの可能性あるロケーションを使用して、ＤＳＭをトレーニングされていない文書に適用できる。

図１７は、１つの実施形態にしたがって、１６２０でＤＳＭを生成させることに関する詳細を図示している。１７１０では、少なくとも１つのターゲットを識別する。１７２０では、最も可能性のあるターゲットの位置に対する確率を決定する。ターゲットロケーションが、トレーニング文書のセット中の第１の文書からのものである場合に、あり得そうなターゲットのロケーションとして、このようなターゲットロケーションを使用することができる。トレーニング文書がさらに分析されると、可能性あるターゲットロケーションは増加して、他のロケーションを含むことになる。各可能性あるターゲットロケーションの確率は、そのロケーションにおいて見つかるターゲットの頻度（例えば、１０の文書中に７回）をカウントすることにより決定することもできる。各可能性あるターゲットロケーションに対する確率は、したがって、追加の文書がレビューされるときに、増加または減少され得る（例えば、類似する反学習、または、反例の取り込み）。

図１９は、ＤＳＭを生成することの例を図示している。３つの異なる文書（１９１０ａ、１９１０ｂ、１９１０ｃ）に対して、ターゲットのロケーション（１９４０ａ、１９４０ｂ、１９４０ｃ）を決定する。灰色のボックスは、文書上の、他の潜在的なターゲットまたは参照を示す。１９５０では、文書の境界を整列させるような方法で、３つの文書（１９１０ａ、１９１０ｂ、１９１０ｃ）がオーバーレイされている。１９７０には、それぞれのＤＳＭが示されている。ここで、１９８０の異なる灰色レベルは、ターゲット対する異なる可能性あるロケーションを示すことができる。１９７０のＤＳＭはまた、２つの異なる軸（１９８５および１９９０）を示しており、ターゲットの可能性あるロケーションを系統的な方法で（例えば、ｘ軸およびｙ軸上のそのそれぞれの位置を使用して）他の文書に使用することができる。例えば、インボイス上の“total amount”ターゲットに対して、１９８５の軸に沿った位置は、１９９０の軸に沿ったものより信頼できるものであると決定することができる。このタイプの情報は、抽出の間に、ターゲットに対する潜在的な候補をソートするための２次判定基準として考慮することができる。

図１８は、１つの実施形態にしたがって、１６３０中のＤＳＭを適用することに関する詳細を図示している。１８１０では、ＤＳＭは、ターゲットが局所化されることになる文書上にオーバーレイされる。１８２０では、（各可能性ある位置に対する確率に加えて）ターゲットの可能性ある位置をＤＳＭから取得する。１８３０では、これらの可能性ある位置をソートすることができ、最高確率を持つ位置が、ターゲットの位置であると考えられる。いったん、ターゲットの位置が決定すると、ターゲットについての情報（例えば、“total amount”フィールド中にリストされている量）を見つけることができる。

［ファジーフォーマットエンジン］
ファジーフォーマットエンジンは、トレーニング文書から、少なくとも１つのターゲットに対するファジーフォーマットのリストを収集することができる。抽出フェーズの間に、ファジーフォーマットエンジンは、学習したフォーマットを潜在的なターゲットに一致させるスコアを算出することができる。例えば、量タイプのターゲットに対して、ターゲット値“１０２．６５＄”である場合に、ファジーフォーマットエンジンは、トレーニング文書から、表現“ｄｄｄ．ｄｄＲ”において、ｄは、数字を表し、Ｒは通貨信号を表すことを学習することができる。そして、ファジーフォーマットエンジンが、列“８７６．２７＄”を見つける場合に、この列は、非常に高いスコア（例えば、１０）を持つ潜在的なターゲット値であると決定することができる。しかしながら、列“１８７２,１２＄”が見つけられる場合に、スコアは、８のスコアにおいて、追加の数字に対して１つ減少され、ピリオドの代わりのカンマに対して別の１つが減少されている可能性がある。別の例として、ファジーフォーマットエンジンは、“ＩＮＶＮＲ−１０２３４”は、“ＣＣＣＣ−ｄｄｄｄｄ”として表されている可能性があり、ここで、Ｃは、大文字を表し、ｄは数字を表すことを学習することができる。多くのタイプのファジーフォーマットエンジンを使用することができ、多くのタイプのスコアリングを利用できることも、当業者は理解するだろう。他の可能性あるスコアリングシステムの例は、例えば、欠損した、または、追加の文字および数字の異なる取り扱い（例えば、欠損した、または、追加の文字に対して０．１２５スコアペナルティを持つことに対して、欠損した、または、追加の数字に対して０．２５ペナルティを持つこと）；参照によりここに組み込まれている以下の特許出願／特許に記述されているように取得できる文字列類似性測定である：（すべて“相関メモリ”と題する）ＵＳ２００９／０１９３０２２、ＵＳ６，９８３，３４５、ＵＳ７，４３３，９９７。

本発明のさまざまな実施形態を上述してきたが、それらは実例として提示されており、限定するものではないことを理解すべきである。本発明の精神および範囲から逸脱することなく、形態および詳細におけるさまざまな変更を本発明に行うことができることは、当業者にとって明らかになるだろう。したがって、本発明は、上述した例示的な実施形態の何らかのものにより限定されるべきではない。

さらに、本発明の機能性および利益を強調表示する上述した図面は、例示的な目的のためのみに表されていることを理解すべきである。本発明のアーキテクチャは、これを図面中に示したもの以外の方法により利用できるように、十分適応性があり、設定可能である。

さらに、本開示の要約の目的は、米国特許商標庁、ならびに、一般的には公衆、特に、特許もしくは法律用語または専門語に精通していない科学者、技術者、および当業者が、簡単な検討から、本出願の技術開示の特質および本質を素早く決定できるようにすることである。本開示の要約は、何らかの方法で、本発明の範囲に関して限定することを意図してはいない。

最後に、“する手段”または“するステップ”という明示された言い回しを含む請求項のみを、米国特許法第１１２条第６パラグラフの規定の下で解釈すべきであるというのが出願人の意図である。“する手段”または“するステップ”というフレーズを明示的に含まない請求項は、米国特許法第１１２条第６パラグラフの規定の下で解釈すべきではない。

Claims

少なくとも１つの文書で、少なくとも１つのターゲットの少なくとも１つのターゲット値を決定する方法において、
少なくとも１つのトレーニング文書からの情報を利用する少なくとも１つのスコアリングアプリケーションを利用して、少なくとも１つの可能性あるターゲット値を決定することと、
少なくとも１つの新たな文書上で、前記少なくとも１つのターゲットの少なくとも１つの値を決定するために、前記少なくとも１つのスコアリングアプリケーションを利用して、前記少なくとも１つの新たな文書に前記情報を適用することと、
を含む方法。
前記情報は、ターゲット位置情報を含む、請求項１記載の方法。
（ａ）少なくとも１つのトレーニング文書中の少なくとも１つのターゲットの少なくとも１つの位置を含む情報、
（ｂ）前記少なくとも１つのトレーニング文書中の少なくとも１つのターゲットに対する、フォーマット情報および可能性あるバリエーションのフォーマット情報、または、
（ｃ）これらの任意の組み合わせ、
を利用する少なくとも１つの追加のスコアリングアプリケーションをさらに含む、請求項２記載の方法。
少なくとも１つの文書分類子を前記少なくとも１つの文書に適用することをさらに含む、請求項１記載の方法。
前記ターゲット位置情報は、少なくとも１つの参照と、各参照を前記少なくとも１つのターゲットに結び付ける少なくとも１つの参照ベクトルとを含む、請求項２記載の方法。
前記少なくとも１つの局所モジュールを利用して、前記少なくとも１つの参照を見つけることにより、
前記少なくとも１つの局所モジュールを利用して、各参照に対して、前記少なくとも１つの参照ベクトルを生成することにより、
すべての文書から、何らかの類似した参照と何らかの類似した参照ベクトルとを取得するために、前記少なくとも１つの局所モジュールを利用して、各文書からの、前記少なくとも１つの参照に、および、前記少なくとも１つの参照ベクトルに、変動フィルタリングを実行することにより、
少なくとも１つの動的変動ネットワーク（ＤＶＮ）を生成するために、前記少なくとも１つの局所モジュールを利用して、何らかの類似した参照と何らかの類似した参照ベクトルとを使用することにより、
前記少なくとも１つのターゲット位置情報を利用することをさらに含み、
前記少なくとも１つのＤＶＮは、少なくとも１つの参照と、各参照を前記少なくとも１つのターゲットに結び付ける少なくとも１つの参照ベクトルとを含む、請求項５記載の方法。
前記変動フィルタリングは、
何らかの一致する参照が存在するか否かを決定するために、前記少なくとも１つの局所モジュールを利用して、何らかの類似した参照を、少なくとも１つの新たな文書上の少なくとも１つの参照と比較することと、
前記少なくとも１つの新たな文書上で前記少なくとも１つのターゲットを決定するために、前記少なくとも１つの局所モジュールを利用して、何らかの一致する参照に対応する何らかの類似した参照ベクトルを使用することと、
をさらに含む、請求項６記載の方法。
前記少なくとも１つの参照は、
少なくとも１つの文字列；
少なくとも１つのワード；
少なくとも１つの数字；
少なくとも１つの英数字表現；
少なくとも１つのトークン；
少なくとも１つのブランクスペース；
少なくとも１つのロゴ；または、
少なくとも１つのテキストフラグメント；あるいは、
これらの任意の組み合わせを含む、請求項５記載の方法。
前記少なくとも１つのターゲットの少なくとも１つのロケーションを使用して、前記ターゲットについての情報を取得および／または確認する、請求項１記載の方法。
前記少なくとも１つの参照は、タイプミス、ＯＣＲ誤り、または代替スペリング、あるいは、これらの任意の組み合わせを含むが、前記少なくとも１つの参照は、依然として、前記少なくとも１つの参照のロケーションのために、参照として使用される、請求項５記載の方法。
前記類似した参照ベクトルは、位置的に類似しているか、コンテンツが類似しているか、またはタイプが類似しているか、あるいは、これらの任意の組み合わせであるとすることができる、請求項６記載の方法。
前記参照と前記参照ベクトルとにわたる類似点は、設定可能である、請求項６記載の方法。
厳密なおよび／またはファジーな一致を利用して、何らかの類似した参照を、前記少なくとも１つの新たな文書中の少なくとも１つの参照に一致させることができる、請求項６の方法。
前記少なくとも１つの参照のうちの以下の特性：フォント；フォントサイズ；スタイル；またはこれらの任意の組み合わせ；が考慮される、請求項１３記載の方法。
前記少なくとも１つの参照は、少なくとも１つの他の参照と組み合わされる、および／または、少なくとも２つの参照に分けられる、請求項５記載の方法。
前記少なくとも１つのＤＶＮは、文書処理の間に動的に適応される、請求項６記載の方法。
前記少なくとも１つのＤＶＮは、
参照訂正；
文書分類；
ページ区切り；
文書修正の認識；
文書要約；または、
文書圧縮；あるいは、
これらの何らかの組み合わせ、に対して使用する、請求項６記載の方法。
前記情報は、
前記少なくとも１つのターゲットの少なくとも１つの位置に関連する位置情報、
各参照を前記少なくとも１つのターゲットに結び付ける少なくとも１つの参照ベクトルに関連する位置情報、
フォーマット情報、および、前記フォーマット情報の可能性あるバリエーション、
前記少なくとも１つのターゲットに関連するキーワード情報、あるいは、
これらの任意の組み合わせ、
を含む、請求項１記載の方法。
少なくとも１つの文書で、少なくとも１つのターゲットの少なくとも１つのターゲット値を決定するシステムにおいて、
少なくとも１つのプロセッサを含み、
前記少なくとも１つのプロセッサは、
少なくとも１つのトレーニング文書からの情報を利用する少なくとも１つのスコアリングアプリケーションを利用して、少なくとも１つの可能性あるターゲット値を決定し、
少なくとも１つの新たな文書上で、少なくとも１つのターゲットの少なくとも１つの値を決定するために、前記少なくとも１つのスコアリングアプリケーションを利用して、前記少なくとも１つの新たな文書に前記情報を適用するように構成されている、システム。
前記情報は、ターゲット位置情報を含む、請求項１９記載のシステム。
前記プロセッサは、
（ａ）少なくとも１つのトレーニング文書中の少なくとも１つのターゲットの少なくとも１つの位置を含む情報、
（ｂ）前記少なくとも１つのトレーニング文書中の少なくとも１つのターゲットに対する、フォーマット情報および可能性あるバリエーションのフォーマット情報、または、
（ｃ）これらの任意の組み合わせ、
に対する少なくとも１つの追加のスコアリングアプリケーションを利用するようにさらに構成されている、請求項２０記載のシステム。
少なくとも１つの文書分類子を前記少なくとも１つの文書に適用することをさらに含む、請求項１９記載のシステム。
前記ターゲット位置情報は、少なくとも１つの参照と、各参照を前記少なくとも１つのターゲットに結び付ける少なくとも１つの参照ベクトルとを含む、請求項２０記載のシステム。
前記プロセッサは、
前記少なくとも１つの局所モジュールを利用して、前記少なくとも１つの参照を見つけることにより、
前記少なくとも１つの局所モジュールを利用して、各参照に対して、前記少なくとも１つの参照ベクトルを生成させることにより、
すべての文書から、何らかの類似した参照と何らかの類似した参照ベクトルとを取得するために、前記少なくとも１つの局所モジュールを利用して、各文書からの、前記少なくとも１つの参照に、および、前記少なくとも１つの参照ベクトルに、変動フィルタリングを実行することにより、
少なくとも１つの動的変動ネットワーク（ＤＶＮ）を生成させるために、前記少なくとも１つの局所モジュールを利用して、何らかの類似した参照と何らかの類似した参照ベクトルとを使用することにより、
前記少なくとも１つのターゲット位置情報を利用するようにさらに構成され、
前記少なくとも１つのＤＶＮは、少なくとも１つの参照と、各参照を前記少なくとも１つのターゲットに結び付ける少なくとも１つの参照ベクトルとを含む、請求項２３記載のシステム。
前記変動フィルタリングは、
何らかの一致する参照が存在するか否かを決定するために、前記少なくとも１つの局所モジュールを利用して、何らかの類似した参照を、少なくとも１つの新たな文書上の少なくとも１つの参照と比較することと、
前記少なくとも１つの新たな文書上で前記少なくとも１つのターゲットを決定するために、前記少なくとも１つの局所モジュールを利用して、何らかの一致する参照に対応する何らかの類似した参照ベクトルを使用することと、
をさらに含む、請求項２４記載のシステム。
前記少なくとも１つの参照は、
少なくとも１つの文字列；
少なくとも１つのワード；
少なくとも１つの数字；
少なくとも１つの英数字表現；
少なくとも１つのトークン；
少なくとも１つのブランクスペース；
少なくとも１つのロゴ；または、
少なくとも１つのテキストフラグメント；あるいは、
これらの任意の組み合わせを含む、請求項２３記載のシステム。
前記少なくとも１つのターゲットの少なくとも１つのロケーションを使用して、前記ターゲットについての情報を取得および／または確認する、請求項１９記載のシステム。
前記少なくとも１つの参照は、タイプミス、ＯＣＲ誤り、または代替スペリング、あるいは、これらの任意の組み合わせを含むが、前記少なくとも１つの参照は、依然として、前記少なくとも１つの参照のロケーションのために、参照として使用される、請求項２３記載のシステム。
前記類似した参照ベクトルは、位置的に類似しているか、コンテンツが類似しているか、またはタイプが類似しているか、あるいは、これらの任意の組み合わせであるとすることができる、請求項２４記載のシステム。
前記参照と前記参照ベクトルとにわたる類似点は、設定可能である、請求項２４記載のシステム。
厳密なおよび／またはファジーな一致を利用して、何らかの類似した参照を、前記少なくとも１つの新たな文書中の少なくとも１つの参照に一致させることができる、請求項２４のシステム。
前記少なくとも１つの参照のうちの以下の特性：フォント；フォントサイズ；スタイル；またはこれらの任意の組み合わせ；が考慮される、請求項３１記載のシステム。
前記少なくとも１つの参照は、少なくとも１つの他の参照と組み合わされる、および／または、少なくとも２つの参照に分けられる、請求項２３記載のシステム。
前記少なくとも１つのＤＶＮは、文書処理の間に動的に適応される、請求項２４記載のシステム。
前記少なくとも１つのＤＶＮは、
参照訂正；
文書分類；
ページ区切り；
文書修正の認識；
文書要約；または、
文書圧縮；あるいは、
これらの何らかの組み合わせ、に対して使用する、請求項２４記載のシステム。
前記情報は、
前記少なくとも１つのターゲットの少なくとも１つの位置に関連する位置情報、
各参照を前記少なくとも１つのターゲットに結び付ける少なくとも１つの参照ベクトルに関連する位置情報、
フォーマット情報、および、前記フォーマット情報の可能性あるバリエーション、
前記少なくとも１つのターゲットに関連するキーワード情報、あるいは、
これらの任意の組み合わせ、
を含む、請求項１９記載のシステム。