JP2014211739A - 代表ページ選択装置及び代表ページ選択プログラム - Google Patents

Abstract

【課題】大量の文書群の収集・インデクシングを必要とすることなく、指定された地域との地理的な近さが考慮され、ページの代表らしさが考慮された代表ページを選択すること。
【解決手段】指定された地域と文書に含まれる地名との地理的尺度に基づき、指定されたキーワードと地域に関連する文書を記憶手段に記憶されている一部の文書群から検索し、検索された文書が参照している参照先を代表ページ候補とし、キーワードと各代表ページ候補との文字列の近似度と、参照元の文書に含まれる地名に該当する地域の重要度に基づいて付与された当該文書のスコア、順位、又は数のうちいずれか１つ以上に基づき、１つ以上の代表ページを選択する。
【選択図】図１

Description

本発明は、指定されたキーワードと地域を代表する代表ページを選択する技術に関する。

指定されたキーワードと地域から、その地域におけるキーワードに関する代表ページを文書群から選択し、提示する技術が求められている。例えば、キーワードとして「ラーメン」、地域として「横浜」近辺が指定された場合、横浜近辺でラーメンが有名な店舗のメニューや店舗への経路や地図が記載された公式ページを代表ページとして提示する等である。

このような代表ページの選択・提示方法としては、インターネット上の一般的な検索エンジンを利用する方法がある。地域を地名等の文字列に変換したものをキーワードに加えてクエリとして入力し、検索結果で得られた複数のページから上位のページを選択して提示する方法である。

また、特許文献１によれば、指定されたキーワードと位置から、文書内に出現する地名との地理的距離や地名が含まれる小領域の重要度に基づいて文書群から文書を検索する地理的文書検索方法を提案しており、この検索結果から得られた文書の上位を選択して提示する方法もある。

特許第５０８７３７７号公報

しかしながら、一般的な検索エンジンを利用する場合、クエリとして入力される地名は、指定されたキーワードと同様に単なるキーワードの一つとして扱われるため、文書内に出現する地名との地理的な近さが考慮されないという課題があった。

これについて前述の地理的文書検索方法では、文書内に出現する地名との地理的距離に基づいて文書を検索するため、この方法を利用することにより、指定された地域との地理的な近さが考慮された文書を検索できる。しかし、それ以外では単にキーワードと位置に関する重要度に基づいて文書を順位付けるため、必ずしも代表に適した文書を検出することはできない。つまり、この方法を利用したとしてもページの代表らしさは考慮されないという課題があった。

また、それら両者に共通する問題として、大量のウェブページを収集してインデックスを作成しておく必要があるという課題もあった。

本発明は、上記事情を鑑みてなされたものであり、大量の文書群の収集・インデクシングを必要とすることなく、指定された地域との地理的な近さが考慮され、ページの代表らしさが考慮された代表ページを選択することを目的とする。

請求項１記載の代表ページ選択装置は、指定された地域と文書に含まれる地名との地理的尺度に基づき、指定されたキーワードと地域に関連する文書を、記憶手段に記憶されている一部の文書群から検索する検索手段と、前記文書が参照している参照先を代表ページ候補とし、前記キーワードと各代表ページ候補との文字列の近似度と、参照元の文書に含まれる地名に該当する地域の重要度に基づいて付与された当該文書のスコア、順位、又は数のうちいずれか１つ以上に基づき、１つ以上の代表ページを選択する選択手段と、を有することを要旨とする。

請求項２記載の代表ページ選択装置は、請求項１記載の代表ページ選択装置において、前記選択手段は、前記文字列の近似度を編集距離を用いて計算することを要旨とする。

請求項３記載の代表ページ選択装置は、請求項１又は２記載の代表ページ選択装置において、前記キーワードに関連する関連ページのＵＲＬと前記各代表ページ候補のＵＲＬとの合致度に基づき、前記代表ページ候補の数を少なくすることを要旨とする。

請求項４記載の代表ページ選択装置は、請求項３記載の代表ページ選択装置において、前記関連ページには、前記キーワードに関連のある関連キーワードに関連する関連ページが含まれることを要旨とする。

請求項５記載の代表ページ選択プログラムは、コンピュータを請求項１乃至４のいずれかに記載の代表ページ選択装置として機能させることを要旨とする。

以上より、本発明によれば、指定された地域と文書に含まれる地名との地理的尺度に基づき、指定されたキーワードと地域に関連する文書を文書群から検索するため、指定された地域との地理的な近さが考慮された代表ページを選択できる。

また、本発明によれば、指定されたキーワードと地域に関連する文書を一部の文書群から検索するため、大量の文書群を収集してインデクシングしておく処理の必要性を無くすることができる。

また、本発明によれば、検索された文書が参照している参照先を代表ページ候補とし、指定されたキーワードと各代表ページ候補との文字列の近似度と、参照元の文書に含まれる地名に該当する地域の重要度に基づいて付与された当該文書のスコア、順位、又は数のうちいずれか１つ以上に基づき、１つ以上の代表ページを選択するため、ページの代表らしさが考慮された代表ページを選択できる。

本発明によれば、大量の文書群の収集・インデクシングを必要とすることなく、指定された地域との地理的な近さが考慮され、ページの代表らしさが考慮された代表ページを選択できる。

代表ページ選択装置の機能ブロック構成を示す図である。 代表ページ選択装置の動作フローを示す図である。 キーワードＤＢの例を示す図である。 キーワード関連ページＤＢの例を示す図である。 文書取得結果の例を示す図である。 参照先ページＤＢの例を示す図である。 代表ページ候補の絞り込み結果の例を示す図である。 第１代表ページスコアの例を示す図である。 第２代表ページスコアの例を示す図である。

以下、本発明を実施する一実施の形態について図面を用いて説明する。

図１は、代表ページ選択装置１００の機能ブロック構成を示す図である。代表ページ選択装置１００は、ユーザによって指定されたキーワード情報と地域情報を入力とし、その地域におけるキーワードに関する代表ページを選択して画面上に表示する装置である。

尚、キーワードとは、ユーザが興味を持ち、知りたいと考える事物や情報を検索するために手掛かりとなる語である。また、地域とは、行政区や座標で分割された地図上の範囲である。また、代表ページとは、キーワードに関する詳細な情報が記載されているような、キーワードを代表するページである。

この代表ページ選択装置１００は、図１に示したように、関連キーワード取得部１と、キーワード関連ページ取得部２と、文書取得部３と、代表ページ候補取得部４と、代表ページ候補絞り込み部５と、代表ページ選択部６と、キーワードＤＢ７と、キーワード関連ページＤＢ８と、検索インデックスＤＢ９と、参照先ページＤＢ１０とで構成される。以下、その機能について説明する。

キーワードＤＢ７は、複数のキーワードと、各キーワードにそれぞれ関連する関連キーワードとを対応付けた対応テーブルを記憶しておく機能を有している。例えば、キーワードについての説明が書かれた文書から名詞句を抽出して、それを関連キーワードとすることが考えられる。

キーワード関連ページＤＢ８は、関連キーワードを含む複数のキーワードと、各キーワードにそれぞれ関連する関連ページ（文書のＵＲＬ）とを対応付けた対応テーブルを記憶しておく機能を有している。例えば、キーワードについての説明が書かれた文書に詳細な説明が書かれたページが紹介されている場合にはそれを関連ページとしたり、企業名をキーワードとしてその企業の公式ページを関連ページとしたりすることが考えられる。

検索インデックスＤＢ９は、指定されたキーワードと地域から、特許文献１の地理的文書検索方法を用いて作成された検索インデックスを記憶しておく機能を有している。

参照先ページＤＢ１０は、複数の文書をそれぞれ識別する文書識別子と、各文書からそれぞれ参照される参照先ページ（参照先のＵＲＬ）とを対応付けた対応テーブルを記憶しておく機能を有している。例えば、文書がＨＴＭＬで記述されている場合に、その文書を解析してアンカータグの情報から参照先ページを抽出することが考えられる。

関連キーワード取得部１は、キーワードＤＢ７を参照し、入力されたキーワードに関連する関連キーワードを取得する機能を備えている。

キーワード関連ページ取得部２は、キーワード関連ページＤＢ８を参照し、入力されたキーワードと、関連キーワード取得部１で取得された関連キーワードとに関連する関連ページをキーワード関連ページとして取得する機能を備えている。

文書取得部３は、検索インデックスＤＢ９を参照し、前述の地理的文書検索方法を用いて、入力されたキーワードと地域に関連する文書を検索し取得する機能を備えている。

代表ページ候補取得部４は、参照先ページＤＢ１０を参照し、文書取得部３で取得された文書が参照している参照先ページを代表ページ候補として取得する機能を備えている。

代表ページ候補絞り込み部５は、キーワード関連ページ取得部２で取得されたキーワード関連ページのＵＲＬと、代表ページ候補取得部４で取得された各代表ページ候補のＵＲＬとの合致度に基づき、その代表ページ候補の数を少なくする（絞り込む）機能を備えている。

代表ページ選択部６は、入力されたキーワードと各代表ページ候補との文字列の近似度や、文書取得部３で行われた文書の検索結果に基づいて、絞り込まれた各代表ページ候補のスコアをそれぞれ算出し、スコアの高い１つ以上の代表ページ候補を代表ページとして選択する機能を有している。

次に、図２を参照しながら、代表ページ選択装置１００の動作について説明する。本動作例では、キーワードとして「観覧車」、地域として「横浜」近辺が指定されている。

最初に、関連キーワード取得部１が、入力されたキーワードに対応する関連キーワードをキーワードＤＢ７から取得する（ステップＳ１）。キーワードＤＢ７が図３の場合、「観覧車」のキーワードに対して、「ゴンドラ」，「シカゴ」，「○○遊園地」，「△△ランド」が取得される。

次に、キーワード関連ページ取得部２が、入力されたキーワードと、ステップＳ１で取得した関連キーワードとに対応するキーワード関連ページをキーワード関連ページＤＢ８から取得する（ステップＳ２）。キーワード関連ページＤＢ８が図４の場合、６件の文書ＵＲＬが取得される。

次に、文書取得部３が、検索インデックスＤＢ９を用いて、入力されたキーワードと地域に関連する文書を検索し取得する（ステップＳ３）。

具体的には、前述の地理的文書検索方法を用いて検索インデックスを作成して文書検索を行うことにより文書を取得する。この地理的文書検索方法は、指定された地域と文書に含まれる地名との地理的尺度に基づき文書を検索するので、入力された地域との地理的な近さが考慮されることになる。

また、この地理的文書検索方法は、文書に含まれる地名に該当する地域の重要度に基づき、検索された文書にスコアや順位を付与するので、図５のような文書の取得結果が得られることになる。これより、Ｄ１，Ｄ２，Ｄ３，Ｄ４，Ｄ５の５件の文書が取得される。

尚、インターネット上の記憶デバイス（ハードディスク等の記憶手段）に記憶されているウェブページをそのまま検索対象としてもよく、様々なウェブページのうち一部（例えば、ブログ記事）のみを検索対象とすることにより、大量のウェブページ群を収集してインデクシングしておく処理の必要性を無くすることができる。文書の検索・取得方法は、キーワードと地域に関連する文書が取得できるものであれば構わない。

次に、代表ページ候補取得部４が、ステップＳ３で取得した文書に対応する参照先ページを代表ページ候補として参照先ページＤＢ１０から取得する（ステップＳ４）。図６の参照先ページＤＢ１０を参照すると、取得された５件の文書に対して７件の参照先ページが取得されるため、これらを代表ページ候補とする。

次に、代表ページ候補絞り込み部５が、ステップＳ２で取得したキーワード関連ページを用いて、ステップＳ４で取得した代表ページ候補の数を絞り込む（ステップＳ５）。

具体的には、キーワード関連ページのＵＲＬのいずれかが代表ページ候補のＵＲＬに前方一致するような代表ページ候補に絞り込む。図６の７件の代表ページ候補に対し、図４の６件のキーワード関連ページを参照して前方一致するかどうかを調べると、代表ページ候補は図７に示すように３件に絞り込まれる。尚、絞り込みの方法はこれに限るものではなく、完全一致により絞り込みを行ったり、ドメインのみが一致するものに絞り込みを行ったりしても構わない。

最後に、代表ページ選択部６が、入力されたキーワードと代表ページ候補との文字列の近さと、ステップＳ３で行われた文書の検索結果とに基づき代表ページ候補のスコアを代表ページスコアとして算出し、そのスコアの高いものを代表ページとして選択する（ステップＳ６）。

ここでは、キーワードと代表ページ候補との文字列の近さから得られる第１代表ページスコアと、文書の検索結果から得られる第２代表ページスコアとの積を代表ページスコアとして算出する。代表ページスコアの算出方法はこれに限るものではなく、積ではなく和を計算しても構わない。

まず、キーワードと代表ページ候補との文字列の近さから第１代表ページスコアを求める。このキーワードと代表ページ候補との文字列の近さの算出方法としては、キーワードの読みをローマ字に変換した文字列（キーワード文字列）と、代表ページ候補のＵＲＬの文字列（ＵＲＬ文字列）との編集距離（一方の文字列を他方の文字列に変換するために必要な手順のコスト）を用いて計算する。キーワード文字列は、キーワードを英訳した文字列等であっても構わない。

キーワード文字列からＵＲＬ文字列への変換の際の挿入コストは“０”とする。これにより、ＵＲＬ文字列に含まれるキーワードに関連しない部分の影響を受けないようにすることができる。この挿入コストは小さい値であれば“０”でなくても構わない。

また、日本語と外国語の違いを吸収するため、“ｋ”から“ｃ”への置換コスト等は“０”とする。これにより、キーワードをローマ字に変換した“ｋａｎｒａｎｓｈａ”と、代表ページ候補のＵＲＬ文字列に含まれる“ｃａｎｒａｎｓｈａ”との編集距離を小さくすることができる。この置換コストも小さい値であれば“０”でなくても構わない。

そして、編集距離に“１”を加えた値の逆数を第１代表ページスコアとして算出する。第１代表ページスコアの算出方法は、編集距離が小さいほど高くなるものであれば構わない。図７の代表ページ候補に対してキーワードとの編集距離を求めるとそれぞれ６，０，０となるため、第１代表ページスコアは図８のようになる。

次に、文書の検索結果から第２代表ページスコアを求める。文書の検索結果とは、ステップＳ３で検索・取得された文書に関する情報である。具体的には、参照元の文書に含まれる地名に該当する地域の重要度に基づいて付与された文書スコアや文書順位、参照元の文書数等を指す。

ここでは、文書の検索結果として文書スコアを用い、代表ページ候補を含む文書の文書スコアの和を第２代表ページスコアとする。図７の代表ページ候補に対し、代表ページ候補を含む文書の文書スコアの和を第２代表ページスコアとした結果を図９に示す。

例えば、番号２の代表ページ候補の場合、この代表ページ候補を含む文書は図６よりＤ２，Ｄ３の２件であり、これらの文書の文書スコアは図５よりそれぞれ３．０，２．０であるため、その和である５．０が第２代表ページスコアとなる。残りについても同様である。

尚、第２代表ページスコアの算出方法は文書の検索結果を用いるもので構わない。例えば、代表ページ候補を含む文書の文書数を第２代表ページスコアとしたり、代表ページを含む文書の文書順位の逆数の和を第２代表ページスコアとしたり、様々な文書情報に関するスコアを組み合わせて第２代表ページスコアとしたりしても構わない。

そして、図８と図９をもとに代表ページスコアを算出すると、番号１の代表ページスコアは０．６４４、番号２の代表ページスコアは５．０、番号３の代表ページスコアは１．２となる。これをもとに、代表ページを選択する。

ここでは、代表ページスコアの最も高い１件を代表ページとして選択する。代表ページスコアの最も高いものは番号２の代表ページ候補であるため、この代表ページ候補を代表ページとして選択する。

尚、代表ページの選択方法はスコアの高いものを選択するのであれば構わない。例えば、上位Ｎ件を選択したり、上位Ｘ％を選択したりしても構わない。

このようにして選択された代表ページは、地理的文書検索方法を用いた検索結果の文書から取得されたものであるため、場所の地理的な近さが考慮されている。また、キーワードと代表ページ候補との文字列の近さや文書の検索結果を利用して選択されたものであるため、ページの代表らしさが考慮されている。また、この代表ページの文書自体は収集・インデクシングする必要がないことから、少量の文書群から代表ページを選択することができる。

以上より、本実施の形態によれば、指定された地域と文書に含まれる地名との地理的尺度に基づき、指定されたキーワードと地域に関連する文書を文書群から検索するので、指定された地域との地理的な近さが考慮された代表ページを選択できる。

また、本実施の形態によれば、指定されたキーワードと地域に関連する文書を一部の文書群から検索するので、大量の文書群を収集してインデクシングしておく処理の必要性を無くすることができる。

また、本実施の形態によれば、検索された文書が参照している参照先を代表ページ候補とし、指定されたキーワードと各代表ページ候補との文字列の近似度と、参照元の文書に含まれる地名に該当する地域の重要度に基づいて付与された当該文書のスコア、順位、又は数のうちいずれか１つ以上に基づき、１つ以上の代表ページを選択するので、ページの代表らしさが考慮された代表ページを選択できる。

最後に、本実施の形態で説明した代表ページ選択装置１００は、メモリやＣＰＵを備えたコンピュータで実現できる。また、各機能部の処理は、それらを実行可能なプログラムにより実現できる。

１００…代表ページ選択装置
１…関連キーワード取得部
２…キーワード関連ページ取得部
３…文書取得部
４…代表ページ候補取得部
５…代表ページ候補絞り込み部
６…代表ページ選択部
７…キーワードＤＢ
８…キーワード関連ページＤＢ
９…検索インデックスＤＢ
１０…参照先ページＤＢ
Ｓ１〜Ｓ６…ステップ

Claims (5)

1. 指定された地域と文書に含まれる地名との地理的尺度に基づき、指定されたキーワードと地域に関連する文書を、記憶手段に記憶されている一部の文書群から検索する検索手段と、
   前記文書が参照している参照先を代表ページ候補とし、前記キーワードと各代表ページ候補との文字列の近似度と、参照元の文書に含まれる地名に該当する地域の重要度に基づいて付与された当該文書のスコア、順位、又は数のうちいずれか１つ以上に基づき、１つ以上の代表ページを選択する選択手段と、
   を有することを特徴とする代表ページ選択装置。
2. 前記選択手段は、
   前記文字列の近似度を編集距離を用いて計算することを特徴とする請求項１記載の代表ページ選択装置。
3. 前記キーワードに関連する関連ページのＵＲＬと前記各代表ページ候補のＵＲＬとの合致度に基づき、前記代表ページ候補の数を少なくすることを特徴とする請求項１又は２記載の代表ページ選択装置。
4. 前記関連ページには、
   前記キーワードに関連のある関連キーワードに関連する関連ページが含まれることを特徴とする請求項３記載の代表ページ選択装置。
5. コンピュータを請求項１乃至４のいずれかに記載の代表ページ選択装置として機能させるための代表ページ選択プログラム。

Images