JP2015170062A - Document set analyzer, document set analysis method, and document set analysis program - Google Patents

Document set analyzer, document set analysis method, and document set analysis program Download PDF

Info

Publication number
JP2015170062A
JP2015170062A JP2014043387A JP2014043387A JP2015170062A JP 2015170062 A JP2015170062 A JP 2015170062A JP 2014043387 A JP2014043387 A JP 2014043387A JP 2014043387 A JP2014043387 A JP 2014043387A JP 2015170062 A JP2015170062 A JP 2015170062A
Authority
JP
Japan
Prior art keywords
document
relationship
documents
document set
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2014043387A
Other languages
Japanese (ja)
Other versions
JP6145064B2 (en
Inventor
浩之 戸田
Hiroyuki Toda
浩之 戸田
鷲崎 誠司
Seiji Washisaki
誠司 鷲崎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2014043387A priority Critical patent/JP6145064B2/en
Publication of JP2015170062A publication Critical patent/JP2015170062A/en
Application granted granted Critical
Publication of JP6145064B2 publication Critical patent/JP6145064B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

PROBLEM TO BE SOLVED: To be able to analyze a document set by considering a relation between documents and a user's point of view.SOLUTION: Respective parts 10, 20, 30 specify a document set, evaluate a relation between respective documents in the document set, and determines whether the relation is a predetermined standard or not. A score calculation part 50 calculates a score of each document on the basis of a relation between each document and another document and a relation between each document and a user's point-of-view document specified by a user's point-of-view document extraction part 40. Respective parts 60 to 63 use a relation between documents and a score of each document to specify, from the whole of the document set, a topic included in the document set, a set of documents relating to the topic, and a role of each of the documents in the document set. An information output part 70 outputs, on the basis of information obtained by the parts 30, 50, 63, a list of main topics included in the document set and documents indicating the topics.

Description

本発明は、コンピュータ内部に存在もしくはコンピュータネットワークを介してアクセス可能な大量の電子文書(以下、文書とする。)の集合を分析する技術に関する。   The present invention relates to a technique for analyzing a collection of a large number of electronic documents (hereinafter referred to as documents) that are present inside a computer or accessible via a computer network.

現在、Webページやブログ記事やニュース記事などのテキストを含む大量の文書が存在する。この大量文書に対してコンピュータのユーザは、「文書集合に存在する主要な話題が知りたい。」あるいは「文書集合中の話題に関連する文書群にアクセスしたい。」という要求を持つ場合がある。   Currently, there are a large number of documents including text such as Web pages, blog articles, and news articles. A user of a computer may have a request for “a major topic existing in a document collection” or “a user wants to access a document group related to a topic in the document collection” for this large volume document.

これを実現する方法として非特許文献1の方法と特許文献1の方法とが公知となっている。非特許文献1では文書をクラスタリングして分析を実施する方法が提案され、それぞれの文書を単語ベクトルで表現し、ベクトル間の類似度(コサイン類似度など)を利用して、類似したベクトルを統合することで、類似した話題に関する文書をクラスタとして特定し、個々のクラスタを特定の話題に関連する情報の集合とみなしている。   As a method for realizing this, the method of Non-Patent Document 1 and the method of Patent Document 1 are known. Non-Patent Document 1 proposes a method of clustering documents and analyzing them, expressing each document as a word vector, and using similarities between vectors (such as cosine similarity) to integrate similar vectors Thus, documents related to similar topics are identified as clusters, and each cluster is regarded as a set of information related to a specific topic.

特許文献1では文書中の話題を分析する方法が提案され、文書間の類似性を元に文書集合の関係をグラフ構造で表現し、そのグラフ構造中での関係の集中度合に着目し、文書集合中の主要な話題を構成する文書群を特定する。この分析方法を利用することで、単に主要な話題を特定し、それに関連する文書を集めるだけでなく、話題の中心的な内容を示す文書や、話題に関連するが独特の内容を含む文書等を分けて特定することが可能となる。   Patent Document 1 proposes a method for analyzing topics in a document, expressing a relationship between a set of documents based on the similarity between documents in a graph structure, and paying attention to the degree of concentration of the relationship in the graph structure. Identify the documents that make up the main topic in the set. By using this analysis method, you can not only identify major topics and collect documents related to them, but also documents that show the central contents of topics, documents that are related to topics but contain unique contents, etc. Can be specified separately.

特開2008−059442JP2008-059442

D. Cutting, D. Karger, J. Pedersen, and J. Tukry, ``Scatter/Gather: a cluster-based approach to browsing large document collections,'' Proc. of SIGIR’92, (1992)D. Cutting, D. Karger, J. Pedersen, and J. Tukry, `` Scatter / Gather: a cluster-based approach to browsing large document collections, '' Proc. Of SIGIR'92, (1992) H. Tong and C. Faloutsos: “Center-piece subgraphs: problem de≡nition and fast solutions”, Proc. of KDD’06, (2006)H. Tong and C. Faloutsos: “Center-piece subgraphs: problem de≡nition and fast solutions”, Proc. Of KDD’06, (2006) Haveliwala, T. H.: Topic-sensitive PageRank, Proc. of WWW ’02, (2002)Haveliwala, T. H .: Topic-sensitive PageRank, Proc. Of WWW '02, (2002) Konstas, I., Stathopoulos, V. and Jose, J. M.: On social networks and collaborative recommendation, Proc. of SIGIR '09, (2009)Konstas, I., Stathopoulos, V. and Jose, J. M .: On social networks and collaborative recommendation, Proc. Of SIGIR '09, (2009) Takeshi Yamada,Kazumi Saito, and Naonori Ueda. "Cross-Entropy Directed Embedding of Network Data," Proc. of the 20th International Conference on Machine Learning (ICML2003), pp.832--839, 2003.Takeshi Yamada, Kazumi Saito, and Naonori Ueda. "Cross-Entropy Directed Embedding of Network Data," Proc. Of the 20th International Conference on Machine Learning (ICML2003), pp.832--839, 2003.

しかしながら、従来の技術(非特許文献1,特許文献1など)には以下の問題があった。   However, the conventional techniques (Non-Patent Document 1, Patent Document 1, etc.) have the following problems.

(1)すなわち、非特許文献1などの文書クラスタリングの方法の多くは、全ての文書はいずれかのクラスタに属する事が前提となっている。特にソーシャルメディアの分析を考えた場合は他の文書との関係があまりない文書、即ちいわゆる「その他」に属する文書が多く存在する。したがって、必ずしも適切なクラスタリングができず、話題を特定しようとしても、多くのノイズにまぎれて本当に意味のある情報の取得ができないおそれがある。   (1) That is, many document clustering methods such as Non-Patent Document 1 are based on the premise that all documents belong to one of the clusters. In particular, when considering analysis of social media, there are many documents that do not have much relation to other documents, that is, so-called “others”. Therefore, appropriate clustering cannot always be performed, and even if an attempt is made to identify a topic, there is a possibility that information that is truly meaningful cannot be acquired due to a lot of noise.

(2)その一方で、特許文献1などのグラフ構造を利用して文書間の関係の集中度合いを分析しようとする方法によれば、前述の「その他」文書の影響は省くことができる。また、単に文書集合をクラスタに分割するだけでなく、クラスタの中でも中心的な内容の文書や関連情報を提示する文書のように各文書の位置付けを分析することも可能とする。   (2) On the other hand, according to the method of analyzing the degree of concentration of the relationship between documents using the graph structure of Patent Document 1 or the like, the influence of the aforementioned “other” document can be omitted. In addition to simply dividing a document set into clusters, it is also possible to analyze the positioning of each document, such as a document with central contents or a document presenting related information in the cluster.

しかしながら、特許文献1の方法は文書間の関係のみを利用して分析を行うため、分析するユーザの観点、例えば世の中の話題を分析するにしてもニュースになった話題を中心に分析したい要求や、特定のトピックに関係する内容を中心に分析したい要求等を考慮することができないおそれがある。   However, since the method of Patent Document 1 performs analysis using only the relationship between documents, there is a need to analyze mainly from a viewpoint of a user who analyzes, for example, a topic that has become news even if a topic in the world is analyzed. , There is a possibility that it is not possible to consider a request to analyze mainly on contents related to a specific topic.

(3)本発明は、上述のような従来技術の問題点を解決するためになされ、文書集合の分析にあたって、文書間の関係を考慮しつつユーザの分析の観点を加味した文書集合の分析を可能にすることを解決課題としている。   (3) The present invention is made to solve the above-mentioned problems of the prior art, and in analyzing a document set, the analysis of the document set is performed in consideration of the user's analysis viewpoint while considering the relationship between documents. Making it possible is a solution issue.

そこで、本発明は、文書集合を元に各文書間の関係性を評価し、その関係をグラフ構造で表現する。このグラフ構造で表現された文書間の関係から主要な話題の分析を実施する。その際にユーザから与えられる観点の情報を元にグラフ構造中で注目点を特定し、その注目点との関係も合わせて評価し、ユーザの観点に応じた文書集合中の話題分析を可能とする。特に文書集合を3次元のグラフ構造とみなし、特定の話題に関する文書間の関係を分析すれば、話題の中心となる文書や関連情報を与える文書等が特定可能となる。   Therefore, the present invention evaluates the relationship between documents based on the document set, and expresses the relationship in a graph structure. The main topics are analyzed from the relationship between documents expressed in this graph structure. At that time, it is possible to identify a point of interest in the graph structure based on the viewpoint information given by the user, evaluate the relationship with the point of interest together, and analyze the topic in the document set according to the user's viewpoint To do. In particular, if a document set is regarded as a three-dimensional graph structure and the relationship between documents related to a specific topic is analyzed, a document that is the center of a topic, a document that gives related information, and the like can be specified.

本発明に係る文書集合分析装置は、ユーザの要求や予め定められた条件に基づき文書集合を特定する文書集合特定手段と、文書集合特定手段で特定された文書集合に含まれる各文書間の関係性を評価する関係性評価手段と、関係性評価手段によって評価された関係性と、あらかじめ決められた基準に基づき文書間の関係有無を特定する関係抽出手段と、ユーザの要求により指定された観点と関係の強い観点文書を特定する観点文書抽出手段と、関係抽出手段によって特定された文書間の関係と、観点文書抽出手段によって抽出された観点文書とを利用し、個々の文書における他の文書との関係の高さを示す指標と、個々の文書における観点文書との関係の高さを示す指標とで各文書のスコアを算出するスコア算出手段と、関係抽出手段によって得られた文書間の関係と、スコア算出手段によって得られた個々の文書のスコアを利用して、文書集合の全体から文書集合中に含まれる話題や話題に関連する文書の集合と、該集合中での個々の文書の役割を特定する情報分析手段と、関係抽出手段とスコア算出手段と情報分析手段とによって得られた情報を元に文書集合中に含められる主要な話題のリストやその話題について示す文書を出力する情報出力手段と、を備える。   The document set analysis apparatus according to the present invention includes a document set specifying unit that specifies a document set based on a user request or a predetermined condition, and a relationship between documents included in the document set specified by the document set specifying unit. A relationship evaluation means for evaluating the nature, a relation evaluated by the relation evaluation means, a relation extraction means for identifying the presence / absence of a relationship between documents based on a predetermined criterion, and a viewpoint specified by a user request A viewpoint document extraction unit that identifies a viewpoint document having a strong relationship with the document, a relationship between documents specified by the relationship extraction unit, and a viewpoint document extracted by the viewpoint document extraction unit, and other documents in each document A score calculation means for calculating the score of each document with an index indicating the height of the relationship with the viewpoint document and an index indicating the height of the relationship with the viewpoint document in each document, and a relationship extraction means. Using the relationship between the obtained documents and the score of each document obtained by the score calculation means, the set of documents included in the document set from the entire document set and the documents related to the topic, and the set List of major topics that can be included in a document set based on information obtained by information analysis means, relationship extraction means, score calculation means, and information analysis means for identifying the role of individual documents Information output means for outputting a document indicating

本発明に係る文書集合分析方法は、ユーザの要求や予め定められた条件に基づき文書集合を特定する文書集合特定ステップと、文書集合特定ステップで特定された文書集合に含まれる各文書間の関係性を評価する関係性評価ステップと、
関係性評価ステップによって評価された関係性と、あらかじめ決められた基準に基づき文書間の関係有無を特定する関係抽出ステップと、ユーザの要求により指定された観点と関係の強い観点文書を特定する観点文書抽出ステップと、関係抽出ステップによって特定された文書間の関係と、観点文書抽出手段によって抽出された観点文書とを利用し、個々の文書における他の文書との関係の高さを示す指標と、個々の文書における観点文書との関係の高さを示す指標とで各文書のスコアを算出するスコア算出ステップと、関係抽出ステップによって得られた文書間の関係と、スコア算出手段によって得られた個々の文書のスコアを利用して、文書集合の全体から文書集合中に含まれる話題や話題に関連する文書の集合と、該集合中での個々の文書の役割を特定する情報分析ステップと、関係抽出ステップとスコア算出ステップと情報分析ステップとによって得られた情報を元に文書集合中に含められる主要な話題のリストやその話題について示す文書を出力する情報出力ステップと、を有する。
The document set analysis method according to the present invention includes a document set specifying step for specifying a document set based on a user request or a predetermined condition, and a relationship between documents included in the document set specified in the document set specifying step. A relationship evaluation step for evaluating sex;
Relationships evaluated in the relationship evaluation step, relationship extraction step for identifying presence / absence of relationships between documents based on predetermined criteria, viewpoint for identifying viewpoint documents that are strongly related to the viewpoint specified by the user's request An index indicating the height of the relationship between each document and other documents using the document extraction step, the relationship between the documents specified in the relationship extraction step, and the viewpoint document extracted by the viewpoint document extraction means; The score calculation step for calculating the score of each document with an index indicating the height of the relationship with the viewpoint document in each document, the relationship between the documents obtained by the relationship extraction step, and the score calculation means Using the score of each document, the topics included in the document set from the entire document set and the set of documents related to the topic and the individual documents in the set Based on the information obtained from the information analysis step that identifies the role of the book, the relationship extraction step, the score calculation step, and the information analysis step, a list of major topics included in the document set and a document indicating the topic are output. And an information output step.

なお、本発明は、前記装置としてコンピュータを機能させる文書集合分析プログラムとしてもよい。このプログラムはネットワークや記録媒体などを通じて提供することができる。   The present invention may be a document set analysis program that causes a computer to function as the device. This program can be provided through a network or a recording medium.

本発明によれば、文書集合の分析にあたって文書間の関係を考慮しつつユーザの分析の観点を加味した分析が可能となる。   According to the present invention, it is possible to analyze a document set in consideration of the user's analysis viewpoint while considering the relationship between documents.

本発明の実施形態に係る文書集合分析装置の構成図。1 is a configuration diagram of a document set analysis apparatus according to an embodiment of the present invention. 文書間の関係を示すグラフ構造の概念図。The conceptual diagram of the graph structure which shows the relationship between documents. 3次元グラフ構造の概念図。The conceptual diagram of a three-dimensional graph structure. 本発明の実施形態に係る文書集合分析装置の処理フロー図。The processing flow figure of the document set analysis apparatus which concerns on embodiment of this invention.

以下、本発明の実施形態に係る文書集合分析装置を説明する。この文書集合分析装置は従来の文書分類にユーザ視点(ユーザからの観点)を与える。関連が高い文書は有向グラフとして結び付き、これをランダムウォークアルゴリズムでスコアをつける。ここにユーザ視点が反映され、ユーザ視点の文書は高いスコアが付く。このスコアを縦にとれると、起伏のある3次元表示となり、ユーザに提示される。   Hereinafter, a document set analysis apparatus according to an embodiment of the present invention will be described. This document set analysis apparatus gives a user viewpoint (viewpoint from the user) to the conventional document classification. Relevant documents are connected as a directed graph and scored using a random walk algorithm. The user viewpoint is reflected here, and the document with the user viewpoint has a high score. If this score can be taken vertically, it becomes a three-dimensional display with relief, and is presented to the user.

≪装置構成例≫
図1に基づき前記文書集合分析装置の構成例を説明する。ここでは前記文書集合分析装置1は、ユーザクライアント2とネットワークを通じてデータ通信可能に接続されているものとする。このユーザクライアント2は、ユーザ所有のパーソナルコンピュータ(PC)やスマートフォンなどでよい。
≪Example of device configuration≫
A configuration example of the document set analysis apparatus will be described with reference to FIG. Here, it is assumed that the document set analysis apparatus 1 is connected to the user client 2 through a network so that data communication is possible. The user client 2 may be a user-owned personal computer (PC) or a smartphone.

具体的には前記文書集合分析装置1は、コンピュータにより構成され、通常のコンピュータのハードウェアリソース(例えばCPU,RAM,ROMなどの一次記憶装置,HDDやSSDなどの二次記憶装置,通信デバイスなど)を備える。   Specifically, the document set analysis apparatus 1 is configured by a computer, and includes hardware resources of a normal computer (for example, a primary storage device such as a CPU, a RAM, and a ROM, a secondary storage device such as an HDD and an SSD, a communication device, etc. ).

このハードウェアリソースとソフトウェアリソース(OS,アプリケーションなど)との協働の結果、前記文書集合分析装置1は文書集合特定部10,関係性評価部20,関係抽出部30,観点文書抽出部40,スコア算出部50,グラフ構造構築部60,頂点ノード抽出部61,山状ノード群特定部62,ラベル付け部63,情報出力部70,文書DB100を実装する。以下、各部10〜70の詳細を説明する。   As a result of the cooperation between the hardware resource and the software resource (OS, application, etc.), the document set analysis apparatus 1 has a document set specifying unit 10, a relationship evaluation unit 20, a relationship extracting unit 30, a viewpoint document extracting unit 40, A score calculation unit 50, a graph structure construction unit 60, a vertex node extraction unit 61, a mountain node group identification unit 62, a labeling unit 63, an information output unit 70, and a document DB 100 are mounted. Hereinafter, the details of the respective units 10 to 70 will be described.

(1)文書集合特定部10,関係性評価部20
文書集合特定部10は、ユーザクライアント2を通じて入力されたユーザからの要求もしくは予め決められた基準、即ち「文書集合の条件」を元に文書DB100にアクセスし、「文書集合の条件」に合致する複数文書で構成される文書集合を特定する。
(1) Document set specifying unit 10 and relationship evaluation unit 20
The document set specifying unit 10 accesses the document DB 100 based on a request from the user input through the user client 2 or a predetermined criterion, that is, “document set condition”, and matches the “document set condition”. A document set composed of a plurality of documents is specified.

この文書DB100は、ユーザが指定した検索キーワードや文書の最終更新日、文書のメタデータ等の条件に応じて文書集合を特定できる検索機能を持った文書格納装置に関する。この文書DB100は、Webなどから予め情報を収集してきてハードディスクドライブ装置などの記憶装置に構築してもよく、またWeb上に存在する検索エンジン(例えば「http://www.goo.ne.jp/」など)をそのまま文書DB100として利用することもできる。   The document DB 100 relates to a document storage device having a search function that can specify a document set according to conditions such as a search keyword designated by a user, a document last update date, document metadata, and the like. This document DB 100 may be constructed in advance in a storage device such as a hard disk drive device by collecting information in advance from the Web, or a search engine (for example, “http://www.goo.ne.jp” existing on the Web). / "Etc.) can be used as the document DB 100 as they are.

また、関係性評価部20は、文書集合内の各文書間の関係性を評価する。文書間の関係性は、各文書を単語ベクトルで評価しコサイン類似度を利用する方法や、一方の文書を元に言語モデルを構築し、他方の文書がその言語モデルからどの程度の確率で生成されるかという言語モデルに基づき評価を行う文書間の類似度を利用する方法や、文書のタイムスタンプを利用しその時刻の近さを利用する方法などでよく、これ以外にも文書間の関係性を評価する指標を用いてその関係性を評価してもよい。   Further, the relationship evaluation unit 20 evaluates the relationship between the documents in the document set. The relationship between documents can be generated by evaluating each document with a word vector and using cosine similarity, or constructing a language model based on one document and the probability that the other document is generated from that language model. It is possible to use the similarity between documents that are evaluated based on the language model of whether they are used, or the method that uses the closeness of the time using the time stamp of the document. The relationship may be evaluated using an index for evaluating the sex.

(2)関係抽出部30
関係抽出部30は、関係性評価部20で評価した文書間の関係性を元に、文書間が予め決められた基準を満たす関係を有するか否かを特定する。例えば文書間の関係を行列Aと表現した場合、式(1)のように定義することができる。
(2) Relationship extraction unit 30
Based on the relationship between documents evaluated by the relationship evaluation unit 20, the relationship extraction unit 30 specifies whether the documents have a relationship that satisfies a predetermined criterion. For example, when the relationship between documents is expressed as a matrix A, it can be defined as in Expression (1).

Figure 2015170062
Figure 2015170062

式(1)中、「TopRelp(i)」は文書iとの関連性が強い文書p件に含まれる文書の集合を示している。ここでは一般に全ての関連性がある文書を利用した場合、低い関連性がノイズとなる傾向にあるため、関連性の薄い関係を無視するような操作とする。 In Expression (1), “TopRel p (i)” indicates a set of documents included in p documents having a strong relationship with the document i. Here, in general, when a document having all relevance is used, since a low relevance tends to be noise, an operation that ignores a lightly related relationship is performed.

また、式(1)中、「rel(i,j)」は文書間の関連性を評価する指標(基準)を示し、関連性が高いほど高い値を示す指標に関する。例えば文書間の内容の類似度を関連性に用いる場合は、「tf−idf」の重みによる単語ベクトルとして表現し、文書iと文書jとのコサイン類似度などを利用することができる。   In the formula (1), “rel (i, j)” represents an index (standard) for evaluating the relevance between documents, and relates to an index that indicates a higher value as the relevance is higher. For example, when the similarity of contents between documents is used for relevance, it can be expressed as a word vector with a weight of “tf-idf”, and the cosine similarity between documents i and j can be used.

さらに上記の場合には各ノード(後述する図2のグラフ構造における各ノード)から上位p件の関連度を持つ関係を利用することを想定しているため、他の関係と比較して関連度が小さい関係が存在することが予想できる。そこで、文書iに関係する文書のうち、極小さい関連度を持つ関係を取り除くことが好ましい。この操作は式(2)で示される。   Furthermore, in the above case, since it is assumed that a relationship having the highest p relevance level is used from each node (each node in the graph structure of FIG. 2 described later), the relevance level is compared with other relationships. Can be expected to exist. Therefore, it is preferable to remove a relationship having a very small degree of association from documents related to the document i. This operation is expressed by equation (2).

Figure 2015170062
Figure 2015170062

式(2)中、「TopLinkq(i)」は、文書iと関係のある文書を関連度の大きさの降順に並べ、その関連度を閾値「q」を越えるまで加算した場合に加算対象となる関連文書の集合を示している。 In Formula (2), “TopLink q (i)” is an object to be added when documents related to document i are arranged in descending order of the degree of relevance, and the relevance is added until the threshold “q” is exceeded. It shows a set of related documents.

このような式(1)(2)の操作により文書間の関連性は有向グラフのグラフ構造で表され、文書のペアを考えた場合に一方の文書からは類似しているものの、他方の文書からは相対的に類似していないという状態も表現することが可能である。   The relationship between documents is expressed by the graph structure of the directed graph by the operations of the expressions (1) and (2), and when a pair of documents is considered, it is similar from one document, but from the other document. It is also possible to express the state that is not relatively similar.

(3)観点文書抽出部40
観点文書抽出部40は、ユーザクライアント2を通じて入力されたユーザからの観点を元に文書集合特定部10の特定した文書集合の中から観点文書を抽出する。例えば、ユーザから与えられた「分析の観点」が「ニュースになった話題を中心に分析したい」というものであれば、文書のタイプがニュース記事であるものを観点文書として抽出する。
(3) Perspective document extraction unit 40
The viewpoint document extracting unit 40 extracts a viewpoint document from the document set specified by the document set specifying unit 10 based on the viewpoint from the user input through the user client 2. For example, if the “viewpoint of analysis” given by the user is “I want to analyze mainly the topic that became news”, the document type is a news article and is extracted as a viewpoint document.

また、ユーザから与えられた観点が「特定のトピックに関係する内容を中心に分析したい」というものであり、特定のトピックを表すキーワードが与えられた場合には、当該キーワードを含む文書もしくは、そのキーワードとの関連性が強い記事を観点文書として抽出する。   Also, if the viewpoint given by the user is “I want to analyze mainly the content related to a specific topic” and a keyword representing a specific topic is given, the document containing the keyword or its Articles that are strongly related to keywords are extracted as viewpoint documents.

(4)スコア算出部50
スコア算出部50は、関係抽出部30にて得られた文書間の関係を、文書をノードとみなして文書間の関係を重み付きのエッジとする図2のグラフ構造とみなし、さらに観点文書抽出部40で得られた観点文書をユーザの注目点とみなし、文書群内の文書相互の関連性および観点文書との関連性を考慮したスコアを計算する。なお、前記グラフ構造ではユーザの観点、即ち観点文書は観点ノードとして表現されている。例えば図2のグラフ構造ではノードa1,a2のようにノードの一部が観点ノードとして扱われる。
(4) Score calculation unit 50
The score calculation unit 50 regards the relationship between documents obtained by the relationship extraction unit 30 as the graph structure in FIG. 2 in which the document is regarded as a node and the relationship between documents is a weighted edge. The viewpoint document obtained by the unit 40 is regarded as a user's attention point, and a score is calculated in consideration of the relationship between the documents in the document group and the relationship with the viewpoint document. In the graph structure, the viewpoint of the user, that is, the viewpoint document is expressed as a viewpoint node. For example, in the graph structure of FIG. 2, some of the nodes are treated as viewpoint nodes such as nodes a1 and a2.

具体的なスコア算出に際しては、非特許文献2〜4の「グラフ構造の特定のノードにバイアスを与えるリスタート付きランダムウォークアルゴリズム」を利用することができる。これを利用してスコアを計算する際には、関係抽出部30で得た文書間の関係を元に文書をノードとし、文書間の関係をエッジとするグラフ構造における遷移確率を表現するマトリックスを式(3)で算出する。   For specific score calculation, “Random Walk Algorithm with Restart for Giving Bias to Specific Nodes of Graph Structure” in Non-Patent Documents 2 to 4 can be used. When calculating a score using this, a matrix expressing a transition probability in a graph structure in which a document is a node based on the relationship between documents obtained by the relationship extraction unit 30 and the relationship between documents is an edge. It calculates with Formula (3).

Figure 2015170062
Figure 2015170062

この式(3)を利用して式(4)により各ノードの滞在確率を求め、各ノード(各文書)のスコアとする。   Using this equation (3), the stay probability of each node is obtained by equation (4) and used as the score of each node (each document).

Figure 2015170062
Figure 2015170062

式(4)中、「P」は各ノードのスコアを表現するベクトルを示している。「q」は観点文書抽出部40で特定した観点文書に対応する要素に「1」、それ以外の要素を「0」としたベクトルを示している。「α」は観点文書の影響を軽減するパラメータを示している。   In Expression (4), “P” indicates a vector expressing the score of each node. “Q” indicates a vector in which “1” is set as an element corresponding to the viewpoint document identified by the viewpoint document extraction unit 40 and “0” is set as the other elements. “Α” indicates a parameter that reduces the influence of the viewpoint document.

(5)グラフ構造構築部60
グラフ構造構築部60では、関係抽出部30から得た文書間の関連性と、スコア算出部50から得た各文書に該当するノードのスコアとを元に図3に示す3次元のグラフ構造を構築する。
(5) Graph structure construction unit 60
The graph structure construction unit 60 obtains the three-dimensional graph structure shown in FIG. 3 based on the relationship between documents obtained from the relationship extraction unit 30 and the score of the node corresponding to each document obtained from the score calculation unit 50. To construct.

その際、まず関係抽出部30から得た文書間の関係性を元に二次元平面状の各文書をあらわすノードの配置を決定する。これを実現するためにノード間の類似度が配置の関係として反映できる非特許文献5の手法を利用する。また、三次元目の高さについてはスコア算出部50で計算したスコアを元に高さ方向の座標を決定するものとする。   At that time, first, the arrangement of nodes representing each two-dimensional planar document is determined based on the relationship between documents obtained from the relationship extraction unit 30. In order to realize this, the technique of Non-Patent Document 5 in which the similarity between nodes can be reflected as the arrangement relationship is used. Further, regarding the height of the third dimension, the coordinate in the height direction is determined based on the score calculated by the score calculation unit 50.

(6)頂点ノード抽出部61
頂点ノード抽出部61では、グラフ構造構築部60で構築された3次元のグラフ構造から、ノードとノードとを繋ぐ辺(エッジ)で連結している自身以外のノード(文書と一対一で対応)より高いスコアを持つノードを頂点として抽出する。
(6) Vertex node extraction unit 61
In the vertex node extraction unit 61, a node other than itself (one-to-one correspondence with a document) is connected from the three-dimensional graph structure constructed by the graph structure construction unit 60 by edges (edges) connecting the nodes. Nodes with higher scores are extracted as vertices.

(7)山状ノード群特定部62
山状ノード群特定部62では、頂点ノード抽出部61で抽出された頂点ノードから、スコアが低くなる方向にグラフ構造をたどってノードで構成される山(山型)を特定する。これにより頂点ノードを中心に前記山を構成する山状のノード群が特定される。なお、ノード抽出の詳細はラベル付け部63にて説明する.
(8)ラベル付け部63
ラベル付け部63では、前記各部61,62で抽出した頂点ノードや山状のノード群、それらノード間の関係について三種類のラベル付けをおこなう。このラベル付けの前にグラフ構造とスコアについて考察すると、スコア算出部50で示したスコアの定義によれば、観点ノードとの関係が強く、多くのエッジが存在するエリアのノードは高いスコアを持つ。
(7) Mountain node group specifying unit 62
The mountain-shaped node group specifying unit 62 specifies a mountain (mountain shape) composed of nodes by following the graph structure in the direction in which the score decreases from the vertex node extracted by the vertex node extracting unit 61. As a result, a mountain-shaped node group constituting the mountain centering on the vertex node is specified. Details of the node extraction will be described in the labeling unit 63.
(8) Labeling part 63
The labeling unit 63 performs three types of labeling on the vertex nodes and mountain-shaped node groups extracted by the units 61 and 62 and the relationship between these nodes. Considering the graph structure and the score before labeling, according to the score definition shown by the score calculation unit 50, the relationship with the viewpoint node is strong, and the node in the area where many edges exist has a high score. .

グラフ構造に基づき、ある人がノードを渡り歩くモデルを考えた場合、そのようなスコアの高いエリアでは、エリア内での遷移が多く、ノード間の関連性も高い。したがって、前記エリアは同じ話題に関連するノードで構成され、図3のそれぞれの山は、それぞれ異なる話題に対応すると考えられる。また、この山に含まれるノードの位置に応じて、文書にはそれぞれ特徴があると考えられる。以下では、それぞれのノードに該当する文書の特徴を説明する。また、それぞれの特徴を持つノード毎に文書集合中での役割の特定方法を説明する。   When considering a model in which a person walks across nodes based on the graph structure, in such an area with a high score, there are many transitions within the area, and the relevance between nodes is also high. Therefore, the area is composed of nodes related to the same topic, and each mountain in FIG. 3 is considered to correspond to a different topic. Further, it is considered that each document has a characteristic depending on the position of the node included in the mountain. In the following, the characteristics of a document corresponding to each node will be described. In addition, a method for specifying a role in a document set for each node having each characteristic will be described.

<ノードの役割,文書特徴>
(A)最初に特定されるノードは、図3中で山の頂上にある頂点ノード、即ちノードb1,b2であり、山の頂上には必ず1つのノードが存在する。このノードb1,b2は観点ノードa1,a2から近く、周囲のノードから最も高い状態遷移があるノードであり、周囲のノードと最もよく関係するノードであることから、話題を最もよく表現する文書であるといえる。
<Role of node, document characteristics>
(A) The first identified node is a vertex node at the top of the mountain in FIG. 3, that is, nodes b1 and b2, and there is always one node at the top of the mountain. These nodes b1 and b2 are nodes that are close to the viewpoint nodes a1 and a2 and have the highest state transition from the surrounding nodes, and are the nodes most closely related to the surrounding nodes. It can be said that there is.

すなわち、ノードb1,b2が示す文書は、そのエリアの話題を特定するものであり、観点ノードa1,a2にも近いことから、ユーザが分析したい観点に関連する話題を最もよく示す文書と言える。このノードb1,b2のようなノードをコアノードと呼び、コアノードが示す文書をコア文書と呼ぶ。   That is, the documents indicated by the nodes b1 and b2 specify the topic of the area, and are close to the viewpoint nodes a1 and a2, and thus can be said to be the documents that best indicate the topic related to the viewpoint that the user wants to analyze. Nodes such as nodes b1 and b2 are called core nodes, and a document indicated by the core node is called a core document.

(B)2番目に特定されるノードは、山頂と近接したノード、即ち山頂から直接たどって到達可能なノードである。例えば図3の山を構成するノードでありながら山頂でないノードc1,c2は、上記の山頂を占めるコアノードb1,b2から直接たどって到達できる。このノードc1,c2は、コアノードb1,b2との間で多くの遷移があり、文書の内容もコアノードb1,b2と高い関連性がある。これらのノードc1,c2のようなノードをサプリメンタルノードと呼び、サプリメンタルノードの示す文書をサプリメンタル文書と呼ぶ。   (B) The second specified node is a node adjacent to the peak, that is, a node that can be reached directly from the peak. For example, the nodes c1 and c2 that are the nodes constituting the mountain of FIG. 3 but not the peak can be reached directly from the core nodes b1 and b2 occupying the peak. The nodes c1 and c2 have many transitions between the core nodes b1 and b2, and the contents of the document are highly related to the core nodes b1 and b2. These nodes such as the nodes c1 and c2 are called supplemental nodes, and the document indicated by the supplemental node is called a supplemental document.

ここではコアノードから双方向グラフで連結しているノード群およびそれらのノードに対して,遷移確率が十分高い(例えば0.5以上)ノードをサプリメンタルノードと定義するものとする。   Here, it is assumed that a node group having a sufficiently high transition probability (for example, 0.5 or more) is defined as a supplemental node with respect to a group of nodes connected from a core node by a bidirectional graph and those nodes.

(C)3番目に特定されるノードは、図3のノードd1〜d5のようにコアノードb1,b2もしくはサプリメンタルノードc1,c2にリンクしているノードである。この種のノードは、外部のノードへの状態遷移や自己遷移と比べて、特定の話題のコアノードやサプリメンタルノードへの遷移確率が高いノードに該当し、必ずしも話題の中心ではないが話題に関連する情報を含んでおり、話題の周辺の情報等ノベルティの高い情報を含むことが多いノードである。このノードd1〜d5のようなノードをサブトピックノードと呼び、サブトピックノードの示す文書をサブトピック文書と呼ぶ。   (C) The third specified node is a node linked to the core nodes b1 and b2 or the supplemental nodes c1 and c2 like the nodes d1 to d5 in FIG. This type of node corresponds to a node that has a higher probability of transition to a core node or supplemental node of a specific topic compared to state transition or self-transition to an external node, and is not necessarily the center of the topic, but is related to the topic It is a node that often includes highly novel information such as information around a topic. Nodes such as nodes d1 to d5 are called subtopic nodes, and a document indicated by the subtopic node is called a subtopic document.

(D)最後に特定されるノードは、どの話題のノードに対しても強い関連性がないノード、即ち山を構成しないノード若しくは一定以上のスコアを有しないノードである。これらのノードは、他の文書との関連性が薄く若しくは観点ノードから遠く離れているノードである。このノードをアウトライヤーノードと呼び、アウトライヤーノードの示す文書をアウトライヤー文書と呼ぶ。   (D) The node specified last is a node that does not have a strong relationship with any topical node, that is, a node that does not form a mountain or a node that does not have a certain score. These nodes are nodes that are less relevant to other documents or are far from the viewpoint node. This node is called an outlier node, and the document indicated by the outlier node is called an outlier document.

<ラベル付け>
以上の分析を下に行う三種類のラベル付けについて説明する。
<Labeling>
Three types of labeling that perform the above analysis are described below.

(A)まず、第一のラベルは,グラフ構造中でのノードの位置付けに基づくラベルである。これは個々のノードに対して付与されるものであり、そのラベルは前述の通り「コアノード」,「サプリメンタルノード」,「サブトピックノード」,「アウトライヤーノード」である。   (A) First, the first label is a label based on the position of the node in the graph structure. This is given to each node, and the labels are “core node”, “supplemental node”, “subtopic node”, and “outlier node” as described above.

(B)第二のラベルは前述のラベルで付与されたノードから構成される3次元グラフ構造中の個々の山に対して付与するものである。一つの山は一つのコアノードと、1つ以上のサプリメンタルノードおよびサブトピックノードから構成される。この一つの山として表現されるノード群はひとつのトピックについて示された文書の集合である。   (B) The second label is given to each mountain in the three-dimensional graph structure composed of the nodes given by the aforementioned labels. A mountain consists of a core node and one or more supplemental nodes and subtopic nodes. The node group expressed as one mountain is a set of documents shown for one topic.

そこで、個々の山に対して、その山を構成する文書で述べられているトピックを表現するのが第二のラベルである。具体的にはコアノードに対応する文書のタイトル自体を山のラベルとする方法が考えられる。   Therefore, for each mountain, the second label expresses the topic described in the documents that make up the mountain. Specifically, a method is conceivable in which the title of the document corresponding to the core node is used as a mountain label.

(C)第三のラベルは山と山の関係に対して付与するラベルである。まずは山同士で関係を有するか否かを示すラベルであり、それは山と山の関係を元に分析して付与される。山と山がいずれかのサブトピックノードやサプリメンタルノードを介してつながる場合には互いの山が示すトピック間のつながりを肯定することができる。また、この場合その接続点の文書を分析することで、どのようなつながりを有するのかを示すラベルを抽出することができる。   (C) The third label is a label given to the relationship between the peaks. First of all, it is a label indicating whether or not there is a relationship between mountains, and it is given by analyzing the relationship between mountains. When a mountain and a mountain are connected via any subtopic node or supplemental node, the connection between topics indicated by each mountain can be affirmed. In this case, by analyzing the document at the connection point, it is possible to extract a label indicating what kind of connection it has.

(9)情報出力部70
情報出力部70では、前記各部30,50,63によって得られた「ノード間の関係」、「個々のノードのスコア」、「文書集合中での役割」を利用して文書集合の中の話題および該話題に関連する文書の情報を出力する。ここで出力された情報はネットワーク経由でユーザクライアント2の画面に表示され、ユーザに分析結果として提示される。
(9) Information output unit 70
The information output unit 70 uses the “relation between nodes”, “score of each node”, and “role in the document set” obtained by the respective units 30, 50, and 63 to generate topics in the document set. And information on a document related to the topic is output. The information output here is displayed on the screen of the user client 2 via the network and presented to the user as an analysis result.

このときグラフ構造構築部60で構築した3次元グラフ構造を直接用いてもよく、該3次元グラフから得た情報を表形式などで提示してもよい。ここで3次元グラフ構造を提示することで文書集合に含まれ、かつユーザが与えた観点に関係する文書間にどのような関係があるかを提示することができる。   At this time, the three-dimensional graph structure constructed by the graph structure construction unit 60 may be used directly, or information obtained from the three-dimensional graph may be presented in a table format or the like. Here, by presenting the three-dimensional graph structure, it is possible to present the relationship between documents included in the document set and related to the viewpoint given by the user.

例えば3次元グラフ構造で複数の山が観測される場合は、複数の話題群が存在することを示しており、視覚的に把握することが可能となる。また、山と山との関係は、その山と山をつなぐ構造中の文書で表現されており、それらの文書を分析することで関係の深さや関係が深い場合のそのつながりを発見することができる。   For example, when a plurality of mountains are observed in a three-dimensional graph structure, it indicates that there are a plurality of topic groups and can be visually grasped. In addition, the relationship between mountains and mountains is expressed by the documents in the structure that connects the mountains and mountains, and by analyzing those documents it is possible to discover the depth of the relationship and the connection when the relationship is deep it can.

また,3次元グラフ構造から得られた情報を表形式などで提示する場合の典型的な情報としては文書集合に含まれ,かつユーザが与えた観点に関係する文書がどのようなクラスタに分かれるかを提示すること、または個々のクラスタの内容がどのような内容であるのかを提示するものとなる。   In addition, typical information when presenting information obtained from a 3D graph structure in a tabular format etc. is included in a document set, and what cluster is divided into documents related to the viewpoint given by the user Or the content of each cluster is presented.

その結果、前記文書集合分析装置1によれば、文書集合をグラフ構造で表現し、(1)文書間の関係,(2)ユーザが指定する観点と各文書との関係を元に、文書集合に含まれる話題分析を行う事が可能となる。特にユーザが指定する観点を考慮しつつ、いわゆる「その他」に関する文書の影響を排除でき、話題が集中する文書集合の分析を行うことが可能となる。   As a result, according to the document set analysis apparatus 1, the document set is expressed in a graph structure, and the document set is based on (1) the relationship between documents, (2) the relationship between the viewpoint specified by the user and each document. It is possible to perform topic analysis included in. In particular, while considering the viewpoint designated by the user, it is possible to eliminate the influence of so-called “others” and to analyze a document set on which topics are concentrated.

≪処理プロセス≫
以下、図4に基づき前記文書集合分析装置1の処理プロセスを説明する。ここではユーザクライアント2から対象とする「文書集合の条件」および「分析の観点」をネットワーク経由で入力する場合の処理プロセスを説明する。
≪Processing process≫
Hereinafter, the processing process of the document set analysis apparatus 1 will be described with reference to FIG. Here, a description will be given of a processing process in the case where the target “document set condition” and “analysis viewpoint” are input from the user client 2 via the network.

S01:前記文書集合分析装置1は、通信デバイスを通じてユーザクライアント2からの「文書集合の条件」および「分析の観点」を受信し、それぞれの入力を受け付ける。ここで入力された「文書集合の条件」は文書集合特定部10に送られる一方、「分析の観点」は観点文書抽出部40に送られる。   S01: The document set analysis apparatus 1 receives “document set conditions” and “analysis viewpoint” from the user client 2 through the communication device, and accepts respective inputs. The “document set condition” input here is sent to the document set specifying unit 10, while the “analysis viewpoint” is sent to the viewpoint document extracting unit 40.

S02〜S04:文書集合特定部10は「文書集合の条件」を受け取ると、文書DB100にアクセスして「文書集合の条件」に合致する文書の集合、即ち分析対象の文書群を特定する(S02)。特定された文書群は関係性評価部20に送られる。   S02 to S04: Upon receiving the “document set condition”, the document set specifying unit 10 accesses the document DB 100 and specifies a set of documents that match the “document set condition”, that is, a document group to be analyzed (S02). ). The identified document group is sent to the relationship evaluation unit 20.

この特定された文書群を受け取ると関係性評価部20は、該文書群中の文書間の関係性を分析し、分析結果を関係抽出部30に送る(S03)。この分析結果を受け取ると関係抽出部30は、受け取った文書集合における文書間の関係性と、予め決められた基準とを元に文書間の関係の有無を特定する。特定された文書間の関係は有向グラフで表され、文書集合はグラフ構造で表現される。このグラフ構造はスコア算出部50に送られる(S04)。   Upon receiving this identified document group, the relationship evaluation unit 20 analyzes the relationship between the documents in the document group, and sends the analysis result to the relationship extraction unit 30 (S03). Upon receiving this analysis result, the relationship extraction unit 30 specifies whether there is a relationship between documents based on the relationship between documents in the received document set and a predetermined criterion. The relationship between the specified documents is represented by a directed graph, and the document set is represented by a graph structure. This graph structure is sent to the score calculation unit 50 (S04).

S05:観点文書抽出部40は「分析の観点」を受け取ると、文書DB100にアクセスし、受け取った「分析の観点」に合致する文書を特定し、特定した文書群をスコア算出部50に送る。   S05: Upon receipt of the “analysis viewpoint”, the viewpoint document extraction unit 40 accesses the document DB 100, identifies a document that matches the received “analysis viewpoint”, and sends the identified document group to the score calculation unit 50.

S06:スコア算出部50は、S04のグラフ構造およびS05の文書を受け取ると、S04のグラフ構造を元にS05の各文書に該当するノードのスコアを算出し、算出したスコアをグラフ構造構築部60に送る(S06)。   S06: Upon receiving the graph structure of S04 and the document of S05, the score calculation unit 50 calculates the score of the node corresponding to each document of S05 based on the graph structure of S04, and the calculated score is the graph structure construction unit 60. (S06).

S07:グラフ構造構築部60は、S04のグラフ構造とS06で得た各ノードにスコアを元に三次元空間状にノードを配置したグラフ構造を構築し、構築したグラフ構造を頂点ノード抽出部61に送る。   S07: The graph structure construction unit 60 constructs a graph structure in which nodes are arranged in a three-dimensional space based on the graph structure in S04 and each node obtained in S06, and the constructed graph structure is a vertex node extraction unit 61. Send to.

S08〜S10:頂点ノード抽出部61はS07のグラフ構造を受け取ると、受け取ったグラフ構造を元に頂点ノードを抽出し、グラフ構造と頂点ノードとを山状ノード群特定部62に送る(S08)。   S08-S10: Upon receiving the graph structure of S07, the vertex node extraction unit 61 extracts a vertex node based on the received graph structure, and sends the graph structure and the vertex node to the mountain node group specifying unit 62 (S08). .

このグラフ構造と頂点ノードとを受け取った山状ノード群特定部62は、受け取ったグラフ構造と頂点から山状のノード群を抽出し、抽出したノード群をラベル付け部63に送る(S09)。   The mountain-shaped node group specifying unit 62 that has received the graph structure and the vertex node extracts a mountain-shaped node group from the received graph structure and the vertex, and sends the extracted node group to the labeling unit 63 (S09).

このノード群を受け取るとラベル付け部63は、グラフ構造,頂点ノードや山状のノード群の情報を元に該ノード群に対してラベル付けを行い、その結果の情報を情報出力部70に送る(S10)。   Upon receiving this node group, the labeling unit 63 performs labeling on the node group based on the graph structure, the vertex node information, and the mountain-shaped node group information, and sends the result information to the information output unit 70. (S10).

S11:情報出力部70は、S04,S06,S10で取得した情報を元に出力用のデータを作成し、作成したデータをユーザクライアント2にネットワーク経由で送信し、ユーザに結果を提示する。   S11: The information output unit 70 creates output data based on the information acquired in S04, S06, and S10, transmits the created data to the user client 2 via the network, and presents the result to the user.

≪その他,プログラム等≫
本発明は、上記実施形態に限定されるものではなく、各請求項に記載された範囲内で応用・変形して実施することができる。例えば「文書集合の条件」および「分析の観点」は、前記文書集合分析装置1の入力手段(キーボード,ポインティングデバイスなど)で入力してもよい。
≪Other programs, etc.≫
The present invention is not limited to the above-described embodiments, and can be applied and modified within the scope of the claims. For example, the “document set condition” and the “analysis viewpoint” may be input by the input means (keyboard, pointing device, etc.) of the document set analysis apparatus 1.

また、本発明は、前記文書集合分析装置1の各部10,20,30,40,50,60〜63,70,100の一部もしくは全部として、コンピュータを機能させる文書検索プログラムとして構成することもできる。このプログラムによれば、S01〜S11の一部あるいは全部をコンピュータに実行させることが可能となる。   In addition, the present invention may be configured as a document search program that causes a computer to function as a part or all of each unit 10, 20, 30, 40, 50, 60 to 63, 70, 100 of the document set analysis apparatus 1. it can. According to this program, a part or all of S01 to S11 can be executed by a computer.

前記プログラムは、Webサイトや電子メールなどネットワークを通じて提供することができる。また、前記プログラムは、CD−ROM,DVD−ROM,CD−R,CD−RW,DVD−R,DVD−RW,MO,HDD,BD−ROM,BD−R,BD−REなどの記録媒体に記録して、保存・配布することも可能である。この記録媒体は、記録媒体駆動装置を利用して読み出され、そのプログラムコード自体が前記実施形態の処理を実現するので、該記録媒体も本発明を構成する。   The program can be provided through a network such as a website or e-mail. The program is stored in a recording medium such as a CD-ROM, DVD-ROM, CD-R, CD-RW, DVD-R, DVD-RW, MO, HDD, BD-ROM, BD-R, or BD-RE. It is also possible to record, save and distribute. This recording medium is read using a recording medium driving device, and the program code itself realizes the processing of the above embodiment, so that the recording medium also constitutes the present invention.

1…文書集合分析装置
2…ユーザクライアント
10…文書集合特定部(文書集合特定手段)
20…関係性評価部(関係性評価手段)
30…関係抽出部(関係抽出手段)
40…観点文書抽出部(観点文書抽出手段)
50…スコア算出部(スコア算出手段)
60…グラフ構造構築部(グラフ構造構築手段)
61…頂点ノード抽出部(頂点ノード抽出手段)
62…山状ノード群特定部(山状ノード群特定手段)
63…ラベル付け部(ラベル付け手段)
70…情報出力部(情報出力手段)
100…文書DB
DESCRIPTION OF SYMBOLS 1 ... Document set analysis apparatus 2 ... User client 10 ... Document set specific | specification part (document set specific means)
20: Relationship evaluation section (relationship evaluation means)
30 ... Relation extraction unit (relation extraction means)
40: Perspective document extraction unit (perspective document extraction means)
50 ... Score calculation unit (score calculation means)
60 ... graph structure construction unit (graph structure construction means)
61 ... Vertex node extraction unit (vertex node extraction means)
62 ... Mountain-shaped node group identifying unit (mountain-shaped node group identifying means)
63 ... Labeling part (labeling means)
70: Information output unit (information output means)
100 ... Document DB

Claims (5)

複数の電子文書の文書集合を分析し、文書集合からの話題を特定する文書集合分析装置であって、
ユーザの要求や予め定められた条件に基づき文書集合を特定する文書集合特定手段と、
文書集合特定手段で特定された文書集合に含まれる各文書間の関係性を評価する関係性評価手段と、
関係性評価手段によって評価された関係性と、あらかじめ決められた基準に基づき文書間の関係有無を特定する関係抽出手段と、
ユーザの要求により指定された観点と関係の強い観点文書を特定する観点文書抽出手段と、
関係抽出手段によって特定された文書間の関係と、観点文書抽出手段によって抽出された観点文書とを利用し、個々の文書における他の文書との関係の高さを示す指標と、個々の文書における観点文書との関係の高さを示す指標とで各文書のスコアを算出するスコア算出手段と、
関係抽出手段によって得られた文書間の関係と、スコア算出手段によって得られた個々の文書のスコアを利用して、文書集合の全体から文書集合中に含まれる話題や話題に関連する文書の集合と、該集合中での個々の文書の役割を特定する情報分析手段と、
関係抽出手段とスコア算出手段と情報分析手段とによって得られた情報を元に文書集合中に含められる主要な話題のリストやその話題について示す文書を出力する情報出力手段と、
を備えることを特徴とする文書集合分析装置。
A document set analysis device that analyzes a document set of a plurality of electronic documents and identifies a topic from the document set,
A document set specifying means for specifying a document set based on a user request or a predetermined condition;
A relationship evaluation means for evaluating the relationship between each document included in the document set specified by the document set specifying means;
A relationship extraction unit that specifies the relationship evaluated by the relationship evaluation unit and the presence / absence of a relationship between documents based on a predetermined criterion;
Viewpoint document extraction means for identifying viewpoint documents strongly related to the viewpoint specified by the user's request;
Using the relationship between the documents specified by the relationship extracting means and the viewpoint document extracted by the viewpoint document extracting means, an index indicating the height of the relationship between each document and other documents, Score calculating means for calculating the score of each document with an index indicating the height of the relationship with the viewpoint document;
Using the relationship between documents obtained by the relationship extracting means and the score of each document obtained by the score calculating means, the set of documents included in the document set from the entire document set and related topics. And an information analysis means for specifying the role of each document in the set;
An information output means for outputting a list of main topics included in the document set based on the information obtained by the relationship extracting means, the score calculating means, and the information analyzing means, and a document indicating the topics;
A document set analyzing apparatus comprising:
情報分析手段は、文書間の関係と各文書のスコアとを元に文書間の関係を2次元で表現し、3次元目に各文書のスコアを配置することで文書集合を3次元のグラフ構造で表現するグラフ構造構築手段と、
グラフ構造構築手段で表現されたグラフ構造において、エッジで連結している自身以外のノード(文書と一対一で対応する)よりも高いスコアを持つノードを頂点として抽出する頂点ノード抽出手段と、
頂点ノード抽出手段で抽出された頂点ノードからスコアが低くなる方向にグラフ構造をたどってノードで構成される山を特定する山状ノード群特定手段と、
頂点ノード抽出手段で抽出された頂点ノードと該頂点ノードを中心に前記山を構成する山状のノード群とからノードの示す文書、前記山を構成する文書群、該文書群間の関係にラベル付けを行うラベル付け手段と、
を備えることを特徴とする請求項1記載の文書集合分析装置。
The information analysis means expresses the relationship between documents in two dimensions based on the relationship between documents and the score of each document, and arranges the score of each document in the third dimension, thereby representing the document set in a three-dimensional graph structure. Graph structure construction means expressed by
In the graph structure expressed by the graph structure construction means, a vertex node extraction means for extracting, as a vertex, a node having a higher score than a node other than itself (corresponding one-to-one with the document) connected by an edge;
A mountain-shaped node group specifying means for specifying a mountain composed of nodes by following the graph structure in a direction in which the score decreases from the vertex node extracted by the vertex node extracting means;
The document indicated by the node from the vertex node extracted by the vertex node extraction means and the mountain-like node group constituting the mountain around the vertex node, the document group constituting the mountain, and the relationship between the document groups are labeled Labeling means for attaching,
The document set analysis apparatus according to claim 1, further comprising:
複数の電子文書の文書集合を分析し、文書集合からの話題を特定する装置の実行する文書集合分析方法であって、
ユーザの要求や予め定められた条件に基づき文書集合を特定する文書集合特定ステップと、
文書集合特定ステップで特定された文書集合に含まれる各文書間の関係性を評価する関係性評価ステップと、
関係性評価ステップによって評価された関係性と、あらかじめ決められた基準に基づき文書間の関係有無を特定する関係抽出ステップと、
ユーザの要求により指定された観点と関係の強い観点文書を特定する観点文書抽出ステップと、
関係抽出ステップによって特定された文書間の関係と、観点文書抽出手段によって抽出された観点文書とを利用し、個々の文書における他の文書との関係の高さを示す指標と、個々の文書における観点文書との関係の高さを示す指標とで各文書のスコアを算出するスコア算出ステップと、
関係抽出ステップによって得られた文書間の関係と、スコア算出手段によって得られた個々の文書のスコアを利用して、文書集合の全体から文書集合中に含まれる話題や話題に関連する文書の集合と、該集合中での個々の文書の役割を特定する情報分析ステップと、
関係抽出ステップとスコア算出ステップと情報分析ステップとによって得られた情報を元に文書集合中に含められる主要な話題のリストやその話題について示す文書を出力する情報出力ステップと、
を有することを特徴とする文書集合分析方法。
A document set analysis method executed by a device for analyzing a document set of a plurality of electronic documents and identifying a topic from the document set,
A document set specifying step for specifying a document set based on a user request or a predetermined condition;
A relationship evaluation step for evaluating a relationship between documents included in the document set identified in the document set identification step;
A relationship extraction step for specifying the relationship between documents based on a relationship evaluated by the relationship evaluation step and a predetermined criterion;
A viewpoint document extraction step that identifies a viewpoint document closely related to the viewpoint specified by the user's request;
Using the relationship between the documents identified by the relationship extraction step and the perspective document extracted by the perspective document extraction means, an index indicating the height of the relationship between each document and other documents, A score calculating step of calculating a score of each document with an index indicating a high relationship with the viewpoint document;
Using the relationship between documents obtained by the relationship extraction step and the score of each document obtained by the score calculation means, the set of documents included in the document set from the entire document set and related topics. And an information analysis step for identifying the role of individual documents in the set;
An information output step for outputting a list of main topics included in the document set based on the information obtained by the relationship extraction step, the score calculation step, and the information analysis step and a document indicating the topic,
A document set analysis method characterized by comprising:
情報分析ステップは、文書間の関係と各文書のスコアとを元に文書間の関係を2次元で表現し、3次元目に各文書のスコアを配置することで文書集合を3次元のグラフ構造で表現するグラフ構造構築ステップと、
グラフ構造構築ステップで表現されたグラフ構造において、エッジで連結している自身以外のノード(文書と一対一で対応する)よりも高いスコアを持つノードを頂点として抽出する頂点ノード抽出ステップと、
頂点ノード抽出ステップで抽出された頂点ノードからスコアが低くなる方向にグラフ構造をたどってノードで構成される山を特定する山状ノード群特定ステップと、
頂点ノード抽出ステップで抽出された頂点ノードと該頂点ノードを中心に前記山を構成する山状のノード群とからノードの示す文書、前記山を構成する文書群、該文書群間の関係にラベル付けを行うラベル付けステップと、
を有することを特徴とする請求項1記載の文書集合分析方法。
In the information analysis step, the relationship between documents is expressed in two dimensions based on the relationship between documents and the score of each document, and the document set is arranged in a three-dimensional graph structure by arranging the score of each document in the third dimension. Graph structure construction step expressed by
In the graph structure expressed in the graph structure construction step, a vertex node extraction step that extracts, as a vertex, a node having a higher score than a node other than itself (corresponding to a document one-to-one) connected by an edge;
A mountain-shaped node group identification step for identifying a mountain composed of nodes by following the graph structure in a direction in which the score decreases from the vertex node extracted in the vertex node extraction step;
Labels the document indicated by the node from the vertex node extracted in the vertex node extraction step and the mountain-like node group constituting the mountain centered on the vertex node, the document group constituting the mountain, and the relationship between the document group A labeling step for attaching,
The document set analysis method according to claim 1, further comprising:
請求項1または2のいずれか1項に記載の文書集合分析装置としてコンピュータを機能させる文書集合分析プログラム。   A document set analysis program for causing a computer to function as the document set analysis apparatus according to claim 1.
JP2014043387A 2014-03-06 2014-03-06 Document set analysis device, document set analysis method, document set analysis program Active JP6145064B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014043387A JP6145064B2 (en) 2014-03-06 2014-03-06 Document set analysis device, document set analysis method, document set analysis program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014043387A JP6145064B2 (en) 2014-03-06 2014-03-06 Document set analysis device, document set analysis method, document set analysis program

Publications (2)

Publication Number Publication Date
JP2015170062A true JP2015170062A (en) 2015-09-28
JP6145064B2 JP6145064B2 (en) 2017-06-07

Family

ID=54202767

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014043387A Active JP6145064B2 (en) 2014-03-06 2014-03-06 Document set analysis device, document set analysis method, document set analysis program

Country Status (1)

Country Link
JP (1) JP6145064B2 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019144780A (en) * 2018-02-19 2019-08-29 ヤフー株式会社 Generating device, generating method, and generating program
JP2019159966A (en) * 2018-03-14 2019-09-19 ヤフー株式会社 Information processor, information processing method and program
CN113127572A (en) * 2019-12-31 2021-07-16 深圳云天励飞技术有限公司 Archive merging method, device, equipment and computer readable storage medium

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002334107A (en) * 2001-03-07 2002-11-22 Nippon Telegr & Teleph Corp <Ntt> Device, method for searching information, information search program and recording medium in which the same program is stored
JP2008059442A (en) * 2006-09-01 2008-03-13 Nippon Telegr & Teleph Corp <Ntt> Document aggregate analyzer, document aggregate analytical method, program mounted with method, and recording medium for storing program

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002334107A (en) * 2001-03-07 2002-11-22 Nippon Telegr & Teleph Corp <Ntt> Device, method for searching information, information search program and recording medium in which the same program is stored
JP2008059442A (en) * 2006-09-01 2008-03-13 Nippon Telegr & Teleph Corp <Ntt> Document aggregate analyzer, document aggregate analytical method, program mounted with method, and recording medium for storing program

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
波多野賢治、外3名: "自己組織化マップと検索エンジンを用いたWeb文書の分類ビュー機構", 情報処理学会論文誌, vol. Vol.40,No.SIG3(TOD1), JPN6017000015, 15 February 1999 (1999-02-15), pages 47 - 59, ISSN: 0003549824 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019144780A (en) * 2018-02-19 2019-08-29 ヤフー株式会社 Generating device, generating method, and generating program
JP2019159966A (en) * 2018-03-14 2019-09-19 ヤフー株式会社 Information processor, information processing method and program
CN113127572A (en) * 2019-12-31 2021-07-16 深圳云天励飞技术有限公司 Archive merging method, device, equipment and computer readable storage medium

Also Published As

Publication number Publication date
JP6145064B2 (en) 2017-06-07

Similar Documents

Publication Publication Date Title
US20230289137A1 (en) Methods and Systems for Identifying a Level of Similarity Between a Plurality of Data Representations
JP6646650B2 (en) Method and system for mapping data items to sparse distributed representation
US10146862B2 (en) Context-based metadata generation and automatic annotation of electronic media in a computer network
Bian et al. Multimedia summarization for social events in microblog stream
Fang et al. Detecting hot topics from Twitter: A multiview approach
KR20180037987A (en) Method and system for identifying a similarity level between a filtering criteria and a data item in a set of streamed documents
US20210182328A1 (en) System and method for hierarchically organizing documents based on document portions
US20160098433A1 (en) Method for facet searching and search suggestions
US9875301B2 (en) Learning multimedia semantics from large-scale unstructured data
US20160034514A1 (en) Providing search results based on an identified user interest and relevance matching
US9720979B2 (en) Method and system of identifying relevant content snippets that include additional information
US20160188590A1 (en) Systems and methods for news event organization
CN103136228A (en) Image search method and image search device
US9552415B2 (en) Category classification processing device and method
KR20150018880A (en) Information aggregation, classification and display method and system
JP2008210024A (en) Apparatus for analyzing set of documents, method for analyzing set of documents, program implementing this method, and recording medium storing this program
JP6145064B2 (en) Document set analysis device, document set analysis method, document set analysis program
US11328218B1 (en) Identifying subjective attributes by analysis of curation signals
US9323721B1 (en) Quotation identification
CN107103023B (en) Organizing electronically stored files using an automatically generated storage hierarchy
Khosravi-Farsani et al. SRank: Shortest paths as distance between nodes of a graph with application to RDF clustering
Xu et al. Generating risk maps for evolution analysis of societal risk events
JP2016045552A (en) Feature extraction program, feature extraction method, and feature extraction device
Yu et al. Adaptive focused crawling of linked data
Khare et al. Towards social event detection and contextualisation for journalists

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160223

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20161226

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170306

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170321

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170421

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20170509

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20170512

R150 Certificate of patent or registration of utility model

Ref document number: 6145064

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150