JP2016042349A - 章・セクションの自動分割方法 - Google Patents

Abstract

【課題】デジタル文章の章・セクションの自動分割方法の提供。
【解決手段】デジタル文章に適用する章・セクションの自動分割方法であって、前記デジタル文章の複数の段落のスタイル組み合わせを識別する工程、続いて各異なる前記スタイル組み合わせの前記段落の１つ以上の段落の特徴を計算する工程であって、前記段落の特徴が段落分散度、フォントサイズ、平均文字数、平均段落間隔またはその任意の組み合わせである工程、各前記段落の特徴に基づき、前記スタイル組み合わせをそれぞれ順位付けする工程、続いて各前記スタイル組み合わせの各前記段落の特徴に対応する順位付けにそれぞれ基づいて加重平均値を計算する工程、前記加重平均値の順位が第１位の段落を複数の章・セクション段落候補に選択する工程、前記章・セクション段落候補に基づき前記デジタル文章を複数の章・セクションに分割する工程を含む。
【選択図】図１

Description

本発明は章・セクションの分割方法に関し、特に、デジタル文章に適用する章・セクションの自動分割方法に関する。

科学技術の進歩に伴い、ハンドヘルド型ディスプレイ装置（例：タブレット、携帯電話）がすでに人々の暮らしの中に普及している。人々はこれらのハンドヘルド型ディスプレイ装置を使用して、インターネットサイトを閲覧したり、デジタル出版された書籍を閲読したりしている。このため、デジタル書籍のニーズが大幅に増加しており、出版社と素人の作者は従来の紙の書籍出版の検討を開始するほか、デジタル出版に足を踏み入れることもできる。

読者が書籍の内容の全貌を把握しやすいようにするため、書籍のレイアウト上には目次ページが往々にして設置される。現在すでに多くの文書編集ソフトウェア（例：マイクロソフト(登録商標)のＷＯＲＤソフトウェアなど）が章・セクション編集機能を備えているが、この機能の操作が分からない作者も少なくない。
デジタル文章に章・セクション編集の設定がないと、出版者または作者が各章・セクションの標題とそれがある場所のページ番号を見つけ出し、別途目次を編集する必要があり、出版者と作者の手間が増えて出版準備時間が長くなる。このため、章・セクションが設定されていないデジタル文章の編集で自動的に章・セクションの目次を生成することをアシストできれば、デジタル出版の準備スケジュールを短縮できる。

以上の問題に鑑み、本発明の目的は、先行技術に存在する章・セクション設定のないデジタル文章で手間をかけて章・セクションを編集し直さなければならないという問題を解決する、章・セクションの自動分割方法を提供することにある。

本発明の一実施例が提供する章・セクションの自動分割方法は、デジタル文章に適用され、まず、デジタル文章の複数の段落のスタイル組み合わせを識別する。続いて、各異なるスタイル組み合わせの段落の１つ以上の段落の特徴を計算する。段落の特徴は、段落分散度、フォントサイズ、平均文字数、平均段落間隔またはその任意の組み合わせとすることができる。各段落の特徴に基づき、スタイル組み合わせをそれぞれ順位付けする。続いて各スタイル組み合わせの各段落の特徴に対応する順位付けにそれぞれ基づいて、加重平均値を計算することができる。加重平均値の順位が第１位の段落を複数の章・セクション段落候補に選択する。最後に章・セクション段落候補に基づいてデジタル文章を複数の章・セクションに分割する。ここで、スタイル組み合わせは、フォントサイズ、太字、斜体、インデント、位置揃え方式、下線またはその任意の組み合わせを含むことができる。

一実施例において、各スタイル組み合わせの段落の重複回数を先に統計し、１つしかない段落のスタイル組み合わせを削除し、最多数の段落のスタイル組み合わせを削除することができる。さらに、平均文字数が文字数しきい値より大きいスタイル組み合わせを削除し、かつ平均文字数が一字より小さいまたはこれに等しいスタイル組み合わせを削除することができる。これにより、章・セクション標題ではない段落を予めフィルタリングし、後続の段落の特徴の計算負荷を軽減できる。このため、前述の各異なるスタイル組み合わせの段落の１つ以上の段落の特徴を計算する工程は、削除後に残ったスタイル組み合わせで統計を行う。

一実施例において、段落の特徴が段落分散度を含むとき、先に平均的に段落を複数のグループに分けてから、異なるスタイル組み合わせの段落がグループに占める割合を計算し、それにより各段落の段落分散度を算出することができる。

一実施例において、各種段落の特徴のタイプに基づき、スタイル組み合わせに対してそれぞれ順位付けを行う。具体的には、段落の特徴のタイプが段落分散度である場合、段落分散度を大から小に順位付けする。段落の特徴のタイプがフォントサイズである場合、フォントサイズを大から小に順位付けする。段落の特徴のタイプが平均文字数である場合、平均文字数を予め設定した文字数に対する差に基づいて小から大に順位付けする。段落の特徴のタイプが平均段落間隔である場合、平均段落間隔を大から小に順位付けする。

一実施例において、章・セクションの分割を終えた後さらに分割した章・セクションを複数のドキュメントファイルに保存することができる。

本発明の章・セクションの自動分割方法によれば、デジタル文章に応用することで、章・セクションの標題のデジタル文章中における位置（ページ数、行数）を自動的に識別し、それに基づいて目次を生成することができる。

本発明の一実施例の章・セクションの自動分割方法を示すフローチャートである。 本発明の一実施例のデジタル文章を示す概略図である。 本発明の一実施例の段落分散度を示す概略図である。

図１の本発明の一実施例による章・セクションの自動分割方法を示すフローチャートを参照する。本発明の章・セクションの自動分割方法はデジタル文章を適用対象とする。ここでいうデジタル文章とは、スタイル設定をサポートするデジタル文字ファイルを指し、例えばＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）、マイクロソフト（Ｍｉｃｒｏｓｏｆｔ）社のＷＯＲＤドキュメント、アドビシステムズ(登録商標)（Ａｄｏｂｅ Ｓｙｓｔｅｍｓ）社のＰＤＦドキュメント、リッチテキスト形式のファイル（ＲＴＦファイル）等である。これらのデジタル文字ファイルはドキュメントソフトウェアで編集して作成することができ、また書籍のスキャンイメージファイルを文字認識（光学文字認識技術、ＯＣＲなど）した後に生成することもできる。
デジタル文字ファイルの生成方法については、すでに中華民国第１０３１１６３２４号特許出願案「流式電子書之産生方法及網站系統（リフロー型電子書籍の生成方法及びウェブサイトシステム）」で説明しているため、以下ではデジタル文字ファイルの内容に基づいてどのように各章・セクションを区分するかを中心に説明する。

図２に本発明の一実施例のデジタル文章２００の概略図を示す。図２に示すように、デジタル文章２００は複数の段落を含み、段落は章段落２１０、セクション段落２２０、本文段落２３０とすることができる。但し、本発明の実施例の段落はこれら３種類の段落タイプに限られず、章段落２１０と本文段落２３０のみ、またはより多くの種類の段落タイプ（例：小セクション段落）を備えていてもよい。
一般に、同じ段落タイプは共通または類似のスタイル組み合わせを有する。スタイル組み合わせは、フォントサイズ、太字、斜体、インデント、位置揃え方式（如左揃え、中央揃え、右揃え）、下線またはその任意の組み合わせを含むことができるが、これらに限らない。このため、各段落タイプの数、文字数及び分布状況を識別することで、章・セクション段落候補（つまり、章・セクション段落である可能性があるもの）を見つけ出すことができる。ここで、本文の言う「任意の組み合わせ」とは、そのうちの一部（そのうち１つ以上）または全部とすることができる。スタイル組み合わせを例とすると、フォントサイズのみとしても、フォントサイズにその他のパラメータ（例：位置揃え方式）を結合してもよい。

図２に示すように、本実施例において、章段落２１０は中央揃えの太字文字であり、かつフォントサイズが１８である。セクション段落２２０は左揃えの文字で、フォントサイズは１６である。図をよりはっきりさせるため、ここでは本文段落２３０の文字の内容を示さず、斜線で埋めた枠で１つの本文段落２３０を表している。１つの本文段落２３０は複数行の文字を含むことができる。ここで、本文段落２３０は左揃えかつ２文字分インデントされた文字であり、フォントサイズは１２である。

再び図１を参照する。工程Ｓ１１０では、まずデジタル文章２００の複数の段落のスタイル組み合わせを識別する。ここで、デジタル文章２００が前述の３種類の段落タイプを備えていることが識別される。

続いて、工程Ｓ１２０では、各異なるスタイル組み合わせの段落の１つ以上の段落の特徴を計算する。段落の特徴は、段落分散度、フォントサイズ、平均文字数、平均段落間隔またはその任意の組み合わせとすることができる。平均文字数とは、同一の段落タイプの段落の文字数の平均値である。段落間隔は、段落とその前後の段落の間隔を指す。平均段落間隔は、同一の段落タイプの段落の前記間隔の平均である。段落分散度は、各段落タイプの複数の段落がデジタル文章２００中で分散している程度を指す。一般に、書籍の章・セクションはある特定の部分に過度に密集していることはないため、段落分散度は章・セクション段落を識別する１つの重要な指標である。

図３に本発明の一実施例の段落分散度の概略図を示す。段落分散度の計算は、まず段落を平均的に複数のグループに分けてから、異なるスタイル組み合わせの段落がグループに占める割合を計算し、各段落の段落分散度を算出する。デジタル文章２００がＮ個に等分される場合、Ｎは１より大きい整数である。ここで、デジタル文章２００は五等分される（４本の一点鎖線で区分されている）。
本文段落２３０の分布が最も平均的でなく、セクション段落２２０の分布が最も平均的であり、章段落２１０がそれに次いでいることが分かる。このため、段落分散度を通して、章・セクション段落でないものを優先的に排除できる。しかし、どの段落タイプが章段落２１０で、どれがセクション段落２２０であるかを見つけ出すには、その他の段落の特徴（フォントサイズなど）を総合して評価することができる。

このため、工程１２０の後、各段落の特徴に基づいて、スタイル組み合わせをそれぞれ順位付けする（工程Ｓ１３０）。段落の特徴のタイプが段落分散度である場合、段落分散度を大から小に順位付けする。段落の特徴のタイプがフォントサイズである場合、フォントサイズを大から小に順位付けする。段落の特徴のタイプが平均文字数である場合、平均文字数は予め設定した文字数に対する差に基づいて小から大に順位付けする。段落の特徴のタイプが平均段落間隔である場合、平均段落間隔を大から小に順位付けする。しかしながら、前述の順位付け方式はこれに限らず、応用するデジタル文章２００のレイアウト習慣に対して適応させた調整を行うことができる。

続いて、工程Ｓ１４０では、各スタイル組み合わせの各段落の特徴に対応する順位付けにそれぞれ基づき、加重平均値を計算することができる。つまり、各段落の特徴の重要性に対して、それぞれ重み値を乗じてから、総和して平均値を取得することができる。

これにより、工程Ｓ１５０では、加重平均値の順位が第１位の段落を複数の章・セクション段落候補に選択することができる。最後に、章・セクション段落候補の位置に基づいて、デジタル文章を複数の章・セクションに分割することができる（工程Ｓ１６０）。同時に、章・セクション段落候補の位置に基づいて、目次を生成することもできる。

一実施例において、工程Ｓ１２０の前に、先に各スタイル組み合わせの段落の重複回数を統計し、１つしかない段落のスタイル組み合わせを削除することができる。一般的に、章・セクション段落は１つしかないということはないためである。また、最多数の段落のスタイル組み合わせも削除することができ、本実施例においては、本文段落２３０を排除することができる。さらに、平均文字数が一文字数しきい値より大きいスタイル組み合わせを削除し、かつ平均文字数が一字より小さいまたはこれに等しいスタイル組み合わせを削除することができる。これは一般に、章・セクション段落の文字数は長すぎることがないためである。
上述の方法により、章・セクション段落でないものを優先的に排除し、後続の段落の特徴計算の負荷を軽減することができる。このため、この章・セクション段落ではないものを排除する工程を行う場合、図１の工程Ｓ１２０で各異なるスタイル組み合わせの段落の１つ以上の段落の特徴を計算するとき、削除後に残ったスタイル組み合わせで統計を行う。

本発明の実施例の章・セクションの自動分割方法は、ウェブサーバーで実行することができ、ユーザーはインターネットを通じてログインして使用することができる。ユーザーが端末（パソコン、スマートフォンなど）からデジタル文章２００をウェブサーバーにアップロードすると、ウェブサーバーが前述の章・セクションの自動分割方法を実行することができる。デジタル文章をその章・セクションの標題に従って分割し、章・セクションの分割を終えた後分割した章・セクションを複数のドキュメントファイルとして保存することができ、また章・セクションの標題の分布に従って対応する目次を生成することもできる。

前述の実施例は横書きのデジタル文章２００を例としたが、本発明の実施例はこれに限定されず、応用できるデジタル文章２００は縦書きの形式を採用してもよい。

上述をまとめると、本発明の章・セクションの自動分割方法に基づき、デジタル文章に応用することで、章・セクションの標題のデジタル文章中における位置（ページ数、行数）を自動的に識別し、それに基づいて目次を生成することができる。

上述の説明は、単に本発明の最良の実施例を挙げたまでであり、本発明を限定しない。その他本発明の開示する要旨を逸脱することなく完成された同等効果の修飾または置換はいずれも後述の特許請求の範囲に含まれる。

２００ デジタル文章
２１０ 章標題
２２０ 節標題
２３０ 本文段落
Ｓ１１０ デジタル文章の複数の段落のスタイル組み合わせを識別する
Ｓ１２０ 各異なるスタイル組み合わせの段落の１つ以上の段落の特徴を計算する；段落の特徴は段落分散度、フォントサイズ、平均文字数、平均段落間隔またはその任意の組み合わせである
Ｓ１３０ 各段落の特徴に基づき、スタイル組み合わせをそれぞれ順位付けする
Ｓ１４０ 各スタイル組み合わせの各段落の特徴に対応する順位付けに基づき、加重平均値を計算する
Ｓ１５０ 加重平均値の順位が第１位の段落を複数の章・セクション段落候補に選択する
Ｓ１６０ 章・セクション段落候補に基づきデジタル文章を複数の章・セクションに分割する

Claims (8)

1. デジタル文章に適用する章・セクションの自動分割方法であって、
   前記デジタル文章の複数の段落のスタイル組み合わせを識別する工程と、
   各異なる前記スタイル組み合わせの前記段落の１つ以上の段落の特徴を計算する工程であって、前記段落の特徴が段落分散度、フォントサイズ、平均文字数、平均段落間隔またはその任意の組み合わせである工程と、
   各前記段落の特徴に基づき、前記スタイル組み合わせをそれぞれ順位付けする工程と、
   各前記スタイル組み合わせの各前記段落の特徴に対応する順位付けにそれぞれ基づき、加重平均値を計算する工程と、
   前記加重平均値の順位が第１位の前記段落を複数の章・セクション段落候補に選択する工程と、
   前記章・セクション段落候補に基づき前記デジタル文章を複数の章・セクションに分割する工程と、を含むことを特徴とする、
   章・セクションの自動分割方法。
2. さらに、各前記スタイル組み合わせの前記段落の重複回数を統計する工程と、１つしかない前記段落の前記スタイル組み合わせを削除する工程と、最多数の段落のスタイル組み合わせを削除する工程と、を含むことを特徴とする、請求項１に記載の章・セクションの自動分割方法。
3. 前記各異なる前記スタイル組み合わせの前記段落の１つ以上の段落の特徴を計算する工程が、削除後に残った前記スタイル組み合わせに対して統計を行うことを特徴とする、請求項２に記載の章・セクションの自動分割方法。
4. 前記段落の特徴が前記段落分散度を含むとき、前記各異なる前記スタイル組み合わせの前記段落の１つ以上の段落の特徴を計算する工程が、前記段落を平均的に複数のグループに分ける工程と、異なる前記スタイル組み合わせの前記段落が前記グループの１つに占める割合を計算する工程と、を含むことを特徴とする、請求項１に記載の章・セクションの自動分割方法。
5. さらに、平均文字数がある文字数しきい値より大きい前記スタイル組み合わせを削除し、かつ平均文字数が１字より小さいまたはそれに等しい前記スタイル組み合わせを削除する工程を含むことを特徴とする、請求項１に記載の章・セクションの自動分割方法。
6. 各前記段落の特徴に基づき、前記スタイル組み合わせをそれぞれ順位付けする工程において、前記段落の特徴が前記段落分散度を含むとき、前記段落分散度が大から小に順位付けされ、前記段落の特徴が前記フォントサイズを含むとき、前記フォントサイズが大から小に順位付けされ、前記段落の特徴が前記平均文字数を含むとき、前記平均文字数が予め設定した文字数に対する差に基づいて小から大に順位付けされ、前記段落の特徴が前記平均段落間隔を含むとき、前記平均段落間隔が大から小に順位付けされる、ことを特徴とする、請求項１に記載の章・セクションの自動分割方法。
7. さらに、分割した前記章・セクションを複数のドキュメントファイルに保存する工程を含むことを特徴とする、請求項１に記載の章・セクションの自動分割方法。
8. 前記スタイル組み合わせが、フォントサイズ、太字、斜体、インデント、位置揃え方式、下線またはその任意の組み合わせを含むことを特徴とする、請求項１に記載の章・セクションの自動分割方法。

Images