JP2023057658A - 情報処理装置、情報を提供するためにコンピューターによって実行される方法、および、プログラム - Google Patents

Abstract

【課題】直感的な対話インターフェイスにより所望の情報を検索する技術を提供する。【解決手段】サーバー１３０のハードディスク５が有するデータベース３００は、粒度に応じて階層化された複数のクラスタ３１０，３２０，３３０を有し、各データには、各クラスタのクラスタラベルが付されており、サーバー１３０と通信可能な端末１１０，１２０からクラスタの粒度に応じて提示されるクラスタラベルから選択されたクラスタラベルを受信すると、サーバー１３０は、当該クラスタラベルを含むクラスタ３１０，３２０，３３０に分類されている文書データを読み出して、検索結果として端末１１０，１２０に送信し、検索結果をモニター８に表示させる。【選択図】図３

Description

本開示は情報処理に関し、より特定的には、クラスタを用いた情報管理に関する。

近年、多くの企業のＤＸ（Digital Transformation）化推進により、オフィスのデジタル情報量は、爆発的に増加している。この状況下で、オフィス業務の効率化を図るには、蓄積されたドキュメントデータの活用は必須である。多くのオフィス業務は、「やったことがある作業」であれば過去の情報を参照しながら業務を進めるほうが圧倒的に作業効率は良く、理解も早く間違いも少ない。つまり、過去の成果物の「引用と再利用」が業務効率化に繋がる。

現状、情報を再利用するための一つの手段として、参考になる情報を「まずは検索」することが行なわれる。（例、ファイルエクスプローラー、アプリケーション上での検索など）
情報の検索に関し、例えば、特開２００２－３２３９４号公報（特許文献１）は、「関連語の提示において、関連語を相互に関連度の高いクラスタ（グループ）ごとに提示することで、利用者の関連語の効率的な選択を支援する」技術を開示している。より具体的には、「単語クラスタリング部３は、単語をノード、単語間にある関連をアークとしたグラフの全体から関連性の高い部分グラフをクラスタとして抽出し、得られたクラスタのノード集合を得ることで、文書データベース部２の登録文書中の単語のクラスタリングを行ない、関連語情報を作成し、関連語情報記憶部４に記憶する。関連語情報取得部６は、関連語情報記憶部４を参照して、単語入力部５で入力された単語の関連語を、相互に関連度の高いクラスタごとに提示できるように求める。」というものである（［要約］参照）。

また、特開２００６－３１５７７号公報（特許文献２）は、「検索対象に対して、あるキーワードとの関連性のみならず、その検索された情報間の関連性を動的かつリアルタイムに計算し、情報を整理した上で新たなカテゴリを自動的に生成しユーザに提示することができ、質問文とのマッチングの度合いに関係なく、検索された対象間の関連性により内容の確認を行うことが支援されるため、より効率的に意図する対象に到達する可能性が高まる情報の検索俯瞰方法および装置」を開示している。具体的には、「検索対象の情報を計算機上において整理し、俯瞰する情報の検索俯瞰方法」は、「検索対象である情報からテキスト情報を抽出し、索引付けを行うステップと、ユーザからの検索質問の入力に対し与えられた検索質問にマッチする情報を検索し、前記検索質問とのマッチングの度合いを計算し、情報間の関連性やマッチングの度合いを反映させて所定の位置に配置するとともに視覚化し、俯瞰表示処理するステップとで情報の検索俯瞰方法を構成している。」というものである（［要約］参照）。

特開２００２－３２３９４号公報 特開２００６－３１５７７号公報

ユーザーは、作業に必要な「関連する情報」を見つけようと思ったときに、ヒットすると期待されるキーワードを連想し、検索された結果の量を見て、言い換え、抽象化、具体化を繰り返すことで所望な情報を特定する。このような検索を効率的に行うためには、リテラシーの高さがユーザーに求められる。はっきりした目的のものを、数個見つけるのは可能でも、必要な情報が多くなってくると検索で見つけるのは非常に難しい。

実際問題、たとえば、ユーザーは、従来の検索システムで業務上必要とする情報を探そうとしても、必要となる情報が多岐に渡るため、キーワードを記憶できないことは多い。具体的な場面としては、プロジェクトのマネジメント職（以下、ユーザーというとき、マネジメント職を示す場合がある）が該当する。プロジェクトによっては、情報は多岐に渡り現場の担当者しか知り得ない情報も存在する。

ユーザーは、具体的なキーワードを明確に覚えなくとも、担当者自身が担当箇所を正しく把握していれば業務上問題ないことから、実際のドキュメントの情報と理解している情報がキーワードレベルで結びついていない。その一方で、ユーザーは渉外対応や他部署からの問い合わせによっては、詳細な情報を基に回答するケースもあるが、ユーザーが問い合わせ内容から判断し担当者に回答してもらうケースも多い。担当者に回答してもらう場合、その担当者が業務上、時間が取れない、また不在の際には問い合わせに回答できないこともある。この場合、ユーザーが詳細な情報を検索せざるを得ないため検索するが、これまでの検索システムでは、そのキーワードを明確にしなければ所望の情報に辿り着くための検索ができないという課題があるため、ユーザーとしては現場の担当者に聞かずに所望の情報を手に入れたいのにできないことになってしまう。

このように、ユーザーが記憶している知識だけでは所望の情報に辿り着くことができないことが多く、ユーザーの知識レベルに合わせた情報探索が求められている。

本開示は上述のような背景に鑑みてなされたものであって、ある局面に従う目的は、ユーザーの知識レベルに応じた情報探索を支援する技術を提供することである。

ある実施の形態に従うと、情報処理装置が提供される。この情報処理装置は、複数の文書の各々を解析して特徴ごとに各文書をクラスタリングするクラスタリング部と、各文書から特徴語を抽出する抽出部と、抽出された特徴語を概念レベルごとに管理する記憶部とを備える。

ある局面において、クラスタリング部は、各文書を解析する解析部を含む。

ある局面において、解析部は、ドキュメントデータ、画像データ、または音声データのいずれかのデータを解析する。

ある局面において、解析部は、形態素解析部を含む。形態素解析部は、いずれかのデータを解析することにより得られたデータをテキストデータに変換し、テキストデータに存在する各単語の品詞を推定し、各単語を品詞ごとに分類する。

ある局面において、解析部は、テキストデータの単位ごとに、当該テキストデータをベクトルデータに変換するベクトル変換部をさらに含む。

ある局面において、テキストデータの単位は、文書単位、段落単位、複数の文単位、一文単位のいずれかである。

ある局面において、クラスタリング部は、ベクトルデータの次元削減を行なって削減後のデータをマッピングするベクトル次元圧縮部を含む。

ある局面において、クラスタリング部は、マッピングされたデータについて、指定されたクラスタの数に応じて、ベクトル間距離によるクラスタリング推定を行なう。

ある局面において、クラスタリング部は、どの文書がどのクラスタに属するかという文書ごとのクラスタリング結果を出力する。

ある局面において、抽出部は、概念レベルのクラスタに該当する文書群を解析し、各文書に含まれる、頻度の高い語句または他の単語との関連度の高い語句をランク付けし、ランク付けされた語句を特徴語として抽出する。

ある局面において、情報処理装置は、概念レベルを任意の粒度に設定または変更するための粒度設定部をさらに備える。

ある局面において、情報処理装置は、端末装置から概念レベルを含む検索要求を受信する受信部と、検索要求に含まれる概念レベルの特徴語を含む文書を検索して、検索結果を端末装置に表示させる検索部とをさらに備える。

ある局面において、検索部は、設定または変更された概念レベルに含まれる特徴語を端末装置に表示させる。

ある局面において、情報処理装置は、端末装置による特徴語の選択を受け付ける選択部をさらに備える。

ある局面において、検索結果を端末装置に表示させることは、選択された特徴語に基づいて文書を検索して検索結果を端末装置に表示させることを含む。

ある局面において、検索部は、異なる概念レベルの特徴語に基づいて文書を検索する。

他の実施の形態に従うと、情報を提供するためにコンピューターによって実行される方法が提供される。この方法は、複数の文書の各々を解析して特徴ごとに各文書をクラスタリングするステップと、各文書から特徴語を抽出するステップと、抽出された特徴語を概念レベルごとに管理するステップと、端末装置から概念レベルを含む検索要求を受信するステップとを含む。

さらに他の実施の形態に従うと、情報を提供するためにコンピューターによって実行されるプログラムが提供される。このプログラムはコンピューターに、複数の文書の各々を解析して特徴ごとに各文書をクラスタリングするステップと、各文書から特徴語を抽出するステップと、抽出された特徴語を概念レベルごとに管理するステップと、端末装置から概念レベルを含む検索要求を受信するステップとを実行させる。

ある実施の形態に従うと、ユーザーの知識レベルに応じた情報探索を支援することができる。

この発明の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解されるこの発明に関する次の詳細な説明から明らかとなるであろう。

ある局面にしたがって情報を管理するシステム１０の構成の概略を表わす図である。 コンピューターシステム２００のハードウェア構成を表わすブロック図である。 システム１０において予めクラスタリングされた情報が管理者によって検索されて取り出される局面を例示する図である。 サーバー１３０のハードディスク５におけるデータの格納の一態様を例示する図である。 サーバー１３０が備える機能の構成の一例を表わすブロック図である。 サーバー１３０のＣＰＵ１が実行する処理の一部を表わすフローチャートである。 端末１１０からの検索供給に応答するサーバー１３０が実行する処理の一部を表わすフローチャートである。 文書をクラスタ分類するための解析の指示を受け付ける画面の一態様を例示する図である。 文書を検索する条件の入力を受け付ける画面を表わす図である。 検索を行なうために端末１１０，１２０のモニター８に表示される画面の一例を表わす図である。

以下、図面を参照しつつ、本発明の実施の形態について説明する。以下の説明では、同一の部品には同一の符号を付してある。それらの名称および機能も同じである。したがって、それらについての詳細な説明は繰り返さない。

［概要］
最初に、本明細書に開示される技術思想の概要について説明する。

本明細書では、所望する情報の格納場所に関する知識を持たないユーザーが担当者を介在せずに、ユーザーとの直感的な対話インターフェイス（マウス操作、等）により、目的となる文書に関連する情報をキーワード化することなく、その情報に辿り着けるよう情報探索支援を行えるシステムが提案される。

当該システムは、様々なカテゴリ、トピックが含まれているオフィス文書群を予めバックエンドで解析し、ユーザーが認知しやすい知識階層に近い構造を構築し、ユーザーがインタラクティブにトピックやカテゴリを表す特徴語を取捨選択し、これにより、ユーザーは、所望する情報に辿り着くことができる。

システムにおいて、サーバーは、記憶装置に蓄積されたオフィス文書群に存在する、カテゴリ、トピックなどと呼ばれる知識の上位概念を検知し、オフィス文書をその上位概念で仕分け可能にする。以下、当該上位概念を「トピック」という。

サーバーは、トピックごとに仕分けされたオフィス文書クラスタに対し、ユーザーが認知できるトピック代表語を付与することが可能にする。例えば、サーバーは、ユーザーがフロントエンドサービスとして、トピック代表語を選択可能にする。また、サーバーは、ユーザーにより選択された当該オフィス文書クラスタに対し、キーワードによる全文検索、メタデータ（拡張子、タイムスタンプ、サイズ等）による絞り込み、または、当該クラスタ内の知識の提示によるサポート等の機能を提供し、詳細な情報の絞り込みを可能にする。以下、当該システムについて詳細を説明する。

［システム構成］
図１を参照して、情報探索支援を実行するシステム１０の構成について説明する。図１は、ある局面にしたがって情報を管理するシステム１０の構成の概略を表わす図である。システム１０は、一以上の端末１１０－１，１１０－２・・・１１０－ｎと、管理者が使用する端末１２０と、サーバー１３０とを備える。端末１１０－１，１１０－２，１１０－ｎを包括的に表わすときは、端末１１０と表わす。端末１１０と、端末１２０と、サーバー１３０とは、それぞれ、ネットワーク１９０に接続されている。ネットワーク１９０は、イントラネットおよびインターネットのいずれであってもよい。接続の形態は、有線および無線のいずれであってもよい。

端末１１０，１２０およびサーバー１３０は、通信機能と演算機能と記憶機能とを有する周知の構成からなるコンピューターシステムによって実現される。当該コンピューターシステムの構成は後述する。

サーバー１３０は、端末１１０から受信した情報のデータ解析を行ない、データ解析の結果に応じて適切なクラスタに分類し、分類後のデータを保持している。端末から受信するデータは、文書、プレゼンテーション資料、テキストデータを含む雑誌等の文書データ等を含む。

サーバー１３０は、管理者が使用する端末１２０から検索条件を受信すると、当該検索条件によって指定されるクラスタの粒度に基づき、当該クラスタに含まれる文書を抽出し、抽出した文書を示すデータを検索結果の候補として端末１２０に送信する。端末１２０のモニター８は、管理者が所望する情報の候補として、当該受信したデータに基づく結果を表示する。

［コンピューターシステムの構成］
図２を参照して、端末１１０，１２０またはサーバー１３０を実現するコンピューターシステム２００の構成について説明する。図２は、コンピューターシステム２００のハードウェア構成を表わすブロック図である。

コンピューターシステム２００は、主たる構成要素として、プログラムを実行するＣＰＵ（Central Processing Unit）１と、コンピューターシステム２００の使用者による指示の入力を受けるマウス２およびキーボード３と、ＣＰＵ１によるプログラムの実行により生成されたデータ、又はマウス２若しくはキーボード３を介して入力されたデータを揮発的に格納するＲＡＭ４と、データを不揮発的に格納するハードディスク５と、光ディスク駆動装置６と、通信インターフェイス（Ｉ／Ｆ）７と、モニター８とを含む。各構成要素は、相互にデータバスによって接続されている。光ディスク駆動装置６には、ＣＤ－ＲＯＭ（Compact Disc - Read Only Memory）９その他の光ディスクが装着される。

コンピューターシステム２００における処理は、各ハードウェアおよびＣＰＵ１により実行されるソフトウェアによって実現される。このようなソフトウェアは、ハードディスク５に予め記憶されている場合がある。また、ソフトウェアは、ＣＤ－ＲＯＭ９その他の記録媒体に格納されて、コンピュータープログラムとして流通している場合もある。あるいは、ソフトウェアは、いわゆるインターネットに接続されている情報提供事業者によってダウンロード可能なアプリケーションプログラムとして提供される場合もある。このようなソフトウェアは、光ディスク駆動装置６その他の読取装置によりその記録媒体から読み取られて、あるいは、通信インターフェイス７を介してダウンロードされた後、ハードディスク５に一旦格納される。そのソフトウェアは、ＣＰＵ１によってハードディスク５から読み出され、ＲＡＭ４に実行可能なプログラムの形式で格納される。ＣＰＵ１は、そのプログラムを実行する。

図２に示されるコンピューターシステム２００を構成する各構成要素は、一般的なものである。したがって、本開示に係る技術思想の本質的な部分の一つは、ＲＡＭ４、ハードディスク５、ＣＤ－ＲＯＭ９その他の記録媒体に格納されたソフトウェア、あるいはネットワークを介してダウンロード可能なソフトウェアであるともいえる。記録媒体は、一時的でない、コンピューター読取可能なデータ記録媒体を含み得る。なお、コンピューターシステム２００の各ハードウェアの動作は周知であるので、詳細な説明は繰り返さない。

なお、記録媒体としては、ＣＤ－ＲＯＭ、ＦＤ（Flexible Disk）、ハードディスクに限られず、ＳＳＤ（Solid State Drive）、磁気テープ、光ディスク（ＭＯ（Magnetic Optical Disc）／ＭＤ（Mini Disc）／ＤＶＤ（Digital Versatile Disc））、ＩＣ（Integrated Circuit）カード（メモリーカードを含む）、光カード、マスクＲＯＭ、ＥＰＲＯＭ（Electronically Programmable Read-Only Memory）、ＥＥＰＲＯＭ（Electronically Erasable Programmable Read-Only Memory）、フラッシュＲＯＭなどの半導体メモリー等の固定的にプログラムを担持する媒体でもよい。

ここでいうプログラムとは、ＣＰＵにより直接実行可能なプログラムだけでなく、ソースプログラム形式のプログラム、圧縮処理されたプログラム、暗号化されたプログラム等を含む。

他の局面において、コンピューターシステム２００は、スマートフォン、タブレット端末のような携帯可能な情報通信端末として実現され得る。

［文書クラスタリングの概要］
図３を参照して、本明細書に開示される技術思想の概要について説明する。図３は、システム１０において予めクラスタリングされた情報が管理者によって検索されて取り出される局面を例示する図である。

ある局面において、端末１２０を使用するユーザーは、端末１１０を使用する担当者の管理者として、サーバー１３０に蓄積されている情報にアクセスする。サーバー１３０は、各担当者によって端末１１０からアップロードされた情報を保持し、予め定められた実行タイミングにしたがって、各情報をクラスタリングしている。当該予め定められた実行タイミングは、例えば、週末のように情報にアクセスされない時期、あるいは、端末１１０から新たに情報がアップロードされた日の夜間である。

サーバー１３０はクラスタリングしたデータベース３００を保持している。データベース３００は、粒度に応じて細分化された複数のクラスタ３１０，３２０，３３０を有する。例えば、最も粒度が荒い（＝概念レベルが最も上位の）クラスタ３１０は、情報カテゴリの一例として、プロジェクト管理、機能仕様、設計、評価というカテゴリ（クラスタラベルともいう。）を含む。次に粒度が荒いクラスタ３２０は、管理システム統合化開発、作業計画、ＣＳＲＡ，ＣＳＲＣ、OpenＡＰＩ、ＢＤ、ＩＴというカテゴリを含む。最も粒度が細かいクラスタ３３０は、ＱＡ、ＲＯＭＲＡＭ増加、パフォーマンス測定、体制、見積、計画、ＣＳＲＡ仕様書、ＣＳＲＣ仕様書、ＯｐｅｎＡＩＰＥｘｔ仕様書、設定値一覧、ＯｐｅｎＡＰＩｉｎｔ仕様書、ＢＤ、ＤＤ、ＰＧ、ＩＴ、不具合対応、環境構築手順書というカテゴリを含む。

文書の作成者以外の他ユーザーまたは管理者は、必要な情報の正式なデータ名（たとえば、文書あるいはプレゼン資料として保存されているファイル名）を知らない場合が多いので、クラスタを頼りに必要な情報の取得を試みる。より具体的には、他ユーザーまたは管理者は、端末１２０を操作してクラスタの所望の粒度を指定する画面をモニター８に表示し、指定したクラスタから情報の抽出を試みる。

［データ構造］
図４を参照して、サーバー１３０のデータ構造について説明する。図４は、サーバー１３０のハードディスク５におけるデータの格納の一態様を例示する図である。ハードディスク５は、テーブル４１０を保持している。テーブル４１０は、領域４１１，４１２，４１３，４１４を含む。

領域４１１は、概念の大きさを規定するデータ項目を含む。が年の大きさはクラスタの粒度に相当する。ある局面において、概念は３段階（例えば、大、中、小）に規定される。他の局面において、概念は２段階（例えば、大、小）または４段階以上（例えば、極大、大、中、小、極小）の階層として規定されてもよい。

領域４１２は、クラスタラベルを識別するためのクラスタＩＤ（Identification）を含む。領域４１３は、文書の解析結果に応じて予め当該クラスタＩＤが付与された文書を識別するための文書ＩＤを含む。領域４１４は、当該クラスタを示すトピック代表語を含む。トピック代表語は、システム１０の管理者によって任意に付与され得る。

［サーバー１３０の構成］
図５を参照して、サーバー１３０の動作について説明する。図５は、サーバー１３０が備える機能の構成の一例を表わすブロック図である。サーバー１３０は、データ解析部５１０と、記憶部５２０と、クラスタリング解析部５３０と、類似文書抽出部５４０と、特徴語抽出部５５０と、フロントエンドサービスデータ制御部５６０とを備える。フロントエンドサービスデータ制御部５６０は、フロントエンドサービス表示部５７０に接続されている。

データ解析部５１０は、データ変換部５１１と、形態素解析部５１２と、ベクトル変換部５１３とを含む。記憶部５２０は、データ格納部５２１と、ベクトルデータ格納部５２２と、文書クラスタリング結果格納部５２３と、特徴語格納部５２４とを含む。クラスタリング解析部５３０は、ベクトル次元圧縮部５３１と、クラスタリング処理部５３２とを含む。類似文書抽出部５４０は、Ｃｏｓ類似度計算部５４１と、類似文書ソート部５４２とを含む。

データ解析部５１０は、端末１１０から受信した情報を解析し、解析結果を検索可能な形式で記憶部５２０に格納する。より具体的には、データ変換部５１１は、受信したデータを、解析可能なデータ形式として予め規定された形式に変換し、変換後のデータをデータ格納部５２１に格納する。形態素解析部５１２は、データ格納部５２１に格納されているデータを参照して、形態素解析を実行する。

ベクトル変換部５１３は、形態素解析の実行結果を数値化し、実行結果をベクトルデータに変換し、取得したベクトルデータをベクトルデータ格納部５２２に格納する。ベクトル変換部５１３は、たとえば、ＢＥＲＴ、ｗｏｒｄ２ｖｅｃ、ＵＳＥ、sentenceＢＥＲＴ等を用いて実現される。

記憶部５２０は、例えばハードディスク５、ＳＳＤ（Solid State Drive）その他の不揮発性の記憶装置によって実現される。データ格納部５２１、ベクトルデータ格納部５２２、文書クラスタリング結果格納部５２３、特徴語格納部５２４は、それぞれ、データを格納する領域として構成され、他の局面では、個別の記憶装置としても構成され得る。

クラスタリング解析部５３０は、ベクトルデータを用いてクラスタリング処理を実行し、端末１１０から得られたデータを予め設定されたクラスターに分類し、分類結果を文書クラスタリング結果格納部５２３に格納する。

より具体的には、ベクトル次元圧縮部５３１は、ベクトルデータ格納部５２２に格納されているベクトルデータの意味を保持したまま、当該ベクトルデータの次元を圧縮（削減）する。ベクトル次元圧縮部５３１は、例えば、ＰＣＡ、ｔ－ＳＮＥ等により実現される。

クラスタリング処理部５３２は、次元削減されたベクトル分布からクラスタを検知する。より具体的には、クラスタリング処理部５３２は、ベクトル次元圧縮部５３１による圧縮の結果として得られたデータを対象にクラスタリング処理を実行し、類似度に基づくグループ分けを行ない、グループ分けが行なわれた各文書を文書クラスタリング結果格納部５２３に格納する。クラスタリングの手法は特に限定されない。クラスタリング処理部５３２は、例えば、ｋ－ｍｅａｎｓ、Ｗａｒｄ法、Ｇ－Ｍｅａｎｓ、Ｘ－Ｍｅａｎｓ、ＬｉｇｈｔＧＢＭ（Light Gradient Boosting Machine）を等を用いて実現され得る。

類似文書抽出部５４０は、入力された文書と類似する文書を検索する。より具体的には、Ｃｏｓ類似度計算部５４１は、各文書のコサイン類似度をそれぞれ算出し、各文書の算出結果を比較することで、類似している文書を抽出する。類似文書ソート部５４２は、抽出された文書を、例えば類似度に応じてあるいはタイムスタンプの日付順に並べ替える。

特徴語抽出部５５０は、文書クラスタリング結果格納部５２３に格納されているクラスタリング後の文書データにアクセスして、当該文書データから当該文書の特徴となり得る語句（特徴語、トピックともいう。）を抽出し、抽出した特徴語を特徴語格納部５２４に格納する。特徴語抽出部５５０は、例えば、MultipartiteRank、TextRank、PositionRank、TopicRank等を用いて実現され得る。

フロントエンドサービスデータ制御部５６０は、端末１１０から受信した情報に基づいて抽出された文書を端末１１０に表示させるためのデータを生成する。フロントエンドサービスデータ制御部５６０は、その生成したデータをフロントエンドサービス表示部５７０に送信する。フロントエンドサービス表示部５７０は、端末１１０、１２０のモニター８によって実現される。

［サーバー１３０の制御構造］
図６を参照して、サーバー１３０の制御構造について説明する。図６は、サーバー１３０のＣＰＵ１が実行する処理の一部を表わすフローチャートである。

ステップＳ６１０にて、ＣＰＵ１は、データ解析部５１０として、データ格納部５２１にアクセスして、変換後のデータを取得する。

ステップＳ６１５にて、ＣＰＵ１は、形態素解析部５１２として、取得したデータを対象に、形態素解析処理を実行する。

ステップＳ６２０にて、ＣＰＵ１は、ベクトル変換部５１３として、ベクトル変換処理を実行する。

ステップＳ６２５にて、ＣＰＵ１は、ベクトル次元圧縮部５３１として、ベクトルの次元を削減する処理を実行する。

ステップＳ６３０にて、ＣＰＵ１は、検索対象の全ての文書を次元圧縮されたベクトルに変換する処理が完了したか否かを判断する。この判断は、たとえば、ステップＳ６１０において処理の対象となるデータを取得した際に一意の番号を付し、ステップＳ６３０までの処理が完了したデータに当該処理の完了を占めるフラグを与え、全てのデータに当該フラグが付されているか否かに基づいて行なわれる。ＣＰＵ１は全ての文書について処理が完了したと判断すると（ステップＳ６３０にてＹＥＳ）、制御をステップＳ６３５に切り替える。そうでない場合には（ステップＳ６３０にてＮＯ）、ＣＰＵ１は、制御をステップＳ６１５に切り替える。

ステップＳ６３５にて、ＣＰＵ１は、クラスタリングを行なうための変数ｎに、ユーザーによって指定された値を設定する。例えば、３段階のクラスタリングが指定された場合、ＣＰＵ１は、変数ｎ＝３と設定する。

ステップＳ６４０にて、ＣＰＵ１は、クラスタリング処理部５３２として、変数ｎで指定されたクラスタの数に応じてクラスタリングを行なう。クラスタリング処理がｎ回繰り返されると、ＣＰＵ１は制御をステップＳ６４５に切り替える。

ステップＳ６４５にて、ＣＰＵ１は、ステップＳ６３５と同様に、クラスタリングを行なうための変数ｎに、ユーザーによって指定された値を設定する。

ステップＳ６５０にて、ＣＰＵ１は、ｎ段階のクラスタのうちの一つの階層のクラスタの個数を、変数ｍで指定されたクラスタの個数に設定する。例えば、図３の例では、大概念のクラスタ階層では、クラスタの個数は４個であり、中概念のクラスタ階層では、クラスタの個数は６個であり、小概念のクラスタ階層では、クラスタの個数は１７個である。

ステップＳ６５５にて、ＣＰＵ１は、特徴語抽出部５５０として、当該ｍ番目のクラスタにまとめられた文書群から、当該クラスタのタイトルとなる特徴語を抽出する。ＣＰＵ１は、ｍ個のクラスタ全てについて特徴語を抽出すると、制御をステップＳ６６０に切り替える。

ステップＳ６６０にて、ＣＰＵ１は、ｎ階層目の概念レベルごとに、各クラスタのそれぞれの特徴語を特徴語格納部５２４に格納する。

［検索処理］
図７を参照して、サーバー１３０の制御構造についてさらに説明する。図７は、端末１１０からの検索供給に応答するサーバー１３０が実行する処理の一部を表わすフローチャートである。ある局面においてサーバー１３０は、検索アプリケーションプログラムを始動している。

ステップＳ７１０にて、ＣＰＵ１は、ハイパーパラメーターの設定の入力を待機している。ハイパーパラメータの設定は、概念レベルの数、概念レベルごとに設定されるクラスタの数等を含む。

ステップＳ７１５にて、ＣＰＵ１は、ハイパーパラメータの設定が入力されたか否かを判断する。この判断は、例えば、概念レベルの数、概念レベルごとに設定されるクラスタの数等に加えて、ハイパーパラメータの設定の入力が確定したことを示す入力を端末１１０から受信したか否かに基づいて行なわれる。ＣＰＵ１はハイパーパラメータの設定が入力されたと判断すると（ステップＳ７１５にてＹＥＳ）、制御をステップＳ７２０に切り替える。そうでない場合には（ステップＳ７１５にてＮＯ）、ＣＰＵ１は、制御をステップＳ７１０に戻す。

ステップＳ７２０にて、ＣＰＵ１は、端末１１０のユーザーが入力する検索文書を受け付ける。

ステップＳ７２５にて、ＣＰＵ１は、端末１１０のユーザーからの解析指示により類似文書の抽出を実行する。

ステップＳ７３０にて、ＣＰＵ１は、類似文書の抽出結果を表示するデータを生成し、端末１１０に当該データを送信して、当該データに基づく画面を端末１１０のモニター８に表示させる。

ステップＳ７３５にて、ＣＰＵ１は、ユーザーにより設定された概念レベルを提示するためのデータを生成し、当該データを端末１１０に送信して、当該データに基づき概念レベルを端末１１０のモニター８に表示させる。

ステップＳ７４０にて、ＣＰＵ１は、端末１１０のユーザーによる概念レベルの選択を受け付ける。

ステップＳ７４５にて、ＣＰＵ１は、フロントエンドサービスデータ制御部５６０として、端末１１０のユーザーが選択した概念レベルに該当する特徴語を特徴語格納部５２４から抽出して、端末１１０のモニター８に提示させる。

ステップＳ７５０にて、ＣＰＵ１は、端末１１０のユーザーによる特徴語の選択を受け付ける。

ステップＳ７５５にて、ＣＰＵ１は、端末１１０のユーザーによって選択された特徴語に該当するクラスタに属する文書を絞り込み、絞り込みの結果を表示するデータを端末１１０に送信し、端末１１０のモニター８を通じてユーザーに提示する。

［画面］
図８～図１０を参照して、モニター８に表示される画面について説明する。図８は、文書をクラスタ分類するための解析の指示を受け付ける画面の一態様を例示する図である。文書の解析は、ある局面においてサーバー１３０によって実行されて、解析結果はサーバー１３０のハードディスク５に保持されている。

図８の画面は、文書が既に解析された場合および特定の文書の解析を行なう場合のいずれでも表示され得る。例えば、当該画面は、サーバー１３０のモニター８に表示される。他の局面において、サーバー１３０によって実現される解析機能が端末１１０，１２０によって実現される場合は、当該画面は、端末１１０，１２０のモニター８にも表示され得る。

モニター８は、領域８１０，８２０を表示する。領域８１０は、解析の対象となるフォルダ（巡廻フォルダ）の選択を受け付ける。検索対象の文書が格納されているフォルダが決まっている場合は、ユーザー（一般ユーザー、または、管理者）は、当該フォルダを検索対象として指定し得る。

領域８２０は、ユーザーが指定した文書の入力を受け付ける。例えば、ユーザーは、手元にある文書に類似の文書の検索を希望する場合がある。当該ユーザーは、一般ユーザーおよび管理者のいずれであってもよい。

その後、ユーザーが解析開始の指示を受け付けるアイコン８３０を操作すると、サーバー１３０は、領域８１０において指定されたフォルダ内の文書を解析し、または、領域８２０で指定された画像または文書に類似する画像または文書を検索する。

他の局面において、あるプロジェクトが遂行されている場合に、当該プロジェクトのメンバーが作成し使用する文書、画像その他のコンテンツのデータが、メンバー間で共有されたフォルダに格納されている場合がある。その場合、当該フォルダは、予め定められたクローリング条件で巡廻され、当該フォルダに格納されている文書その他のデータは解析されている。このような場合、管理者は、領域８１０で、その共有されたフォルダを指定した上で領域８２０に検索したい文字列（クラスタ名、キーワード等）を入力すると、サーバー１３０は、当該フォルダに格納されているデータから当該文字列を含むデータを抽出し得る。

図９は、文書を検索する条件の入力を受け付ける画面を表わす図である。モニター８は、領域９１０，９２０を表示する。領域９１０は、文書名（たとえば、電子メール001.eml、プロジェクトＸ.docx、レイアウト.ppt、予算.xlsx 等）の入力を受け付ける。

領域９２０は、領域９１０への入力により指定された文書のうち分析対象となる文の選択を受け付ける。たとえば、電子メールの文書が検索対象として指定された場合、電子メールの文頭には、宛名、挨拶その他形式的な一文が含まれる場合が多い。そこで、このような形式的な一文を検索対象から除外されるように、一文一文を検索対象とするか否かを設定できる。これにより検索効率を高め得る。

ユーザーがアイコン９３０を押下して検索開始の指示を与えると、サーバー１３０は、入力された条件にしたがって検索処理を開始する。

図１０は、検索を行なうために端末１１０，１２０のモニター８に表示される画面の一例を表わす図である。モニター８は、領域１０１０，１０２０，１０３０，１０４０，１０５０および１０６０を表示する。

領域１０１０は、検索のための条件を受け付ける。条件は、期間、ファイル形式、ファイルサイズ等を含む。なお、当該条件は図１０に例示されたものに限られず、各ファイルのプロパティに含まれる項目（たとえば、作成者、最終更新者、作成地など）が当該条件として使用されてもよい。

領域１０２０は、入力文書に類似する文書の候補を表示する。例えば、領域１０２０は、図８の領域８２０で指定された文書に類似する文書を表示する。

領域１０３０は、一般的な検索のためのキーの入力を受け付ける。検索エンジンとしては、Google（登録商標）、Yahoo！（登録商標）その他の周知の検索エンジンが使用され得る。

領域１０４０は、ユーザーによって領域１０５０から選択されたクラスタを表示する。たとえば、選択クラスタ１に示されるように、最初に大概念のクラスタが選択されている。その上で、選択クラスタ２に示されるように、大概念の他のクラスタが選択されている。さらに、選択クラスタ３に示されるように、中概念のクラスタが選択されている。ユーザーが検索対象を絞るためにクラスタを選定すると、選定されたクラスタが領域１０４０に順次表示されていく。

領域１０５０は、クラスタの大きさ（概念の階層）の選択を受け付ける。領域１０６０は、選択されたクラスタに含まれるクラスタラベルを表示する。図１０の例示では、領域１０５０において、クラスタの大きさとして「大」が選択されると、その選択に応答して、当該クラスタに含まれる４つのクラスタラベルが領域１０６０に表示される。領域１０６０において、各クラスタラベルが付与された文書の数が、当該クラスタラベルと共に表示される。

他の局面において、領域１０５０において、クラスタの大きさとして「中」が選択された場合には、領域１０６０には、図３に例示されるように、６個のクラスタラベルが表示される。また、クラスタの大きさとして「小」が選択された場合には、領域１０６０には、１７個のクラスタラベルがスクロール可能な態様で表示され得る。

以上のような構造及びフローチャートを有するシステム１０の動作について説明する。ある局面において、各ユーザーは、担当者用の端末１１０－１，１１０－２，１１０－ｎを用いて業務に使用する資料を作成し、サーバー１３０の共有フォルダに各資料のデータを格納する。サーバー１３０は、システム１０が使用されていない時間帯、例えば、深夜、週末、祝日等予め定められた解析タイミングで、共有フォルダに蓄積された文書を解析し、クラスタリングを行ない、管理者または一般ユーザーによって設定されたクラスタラベルを各文書に関連付ける。

文書を作成したユーザー以外の他のユーザーまたは管理者が、当該文書あるいはそれに類似する文書を検索する場合、図１０に示される画面に検索条件を入力し、当該文書と同じクラスタに分類される文書を検索し、モニター８は、検索結果を表示する（ステップＳ７３０）。

［まとめ］
上記で開示された技術的思想の一部は、以下のように要約され得る。

ある実施の形態に従うと、情報処理装置として機能するサーバー１３０は、ＣＰＵ１と、ハードディスク５とを備える。ＣＰＵ１は、複数の文書の各々を解析して特徴ごとに各文書をクラスタリングし、各文書から特徴語を抽出する。ハードディスク５は、抽出された特徴語を概念レベルごとに管理する。

ある局面において、ＣＰＵ１は、各文書を解析する。

ある局面において、ＣＰＵ１は、ドキュメントデータ、画像データ、または音声データのいずれかのデータを解析する。

ある局面において、ＣＰＵ１は、形態素解析部として、いずれかのデータを解析することにより得られたデータをテキストデータに変換し、テキストデータに存在する各単語の品詞を推定し、各単語を品詞ごとに分類する。

ある局面において、ＣＰＵ１は、テキストデータの単位ごとに、当該テキストデータをベクトルデータに変換する。

ある局面において、ＣＰＵ１は、文書単位、段落単位、複数の文単位、一文単位のいずれかで、テキストデータをベクトルデータに変換する。

ある局面において、ＣＰＵ１は、ベクトルデータの次元削減を行なって削減後のデータをマッピングする。

ある局面において、ＣＰＵ１は、クラスタリング部として、マッピングされたデータについて、指定されたクラスタの数に応じて、ベクトル間距離によるクラスタリング推定を行なう。

ある局面において、ＣＰＵ１は、クラスタリング部として、どの文書がどのクラスタに属するかという文書ごとのクラスタリング結果を出力する。

ある局面において、ＣＰＵ１は、概念レベルのクラスタに該当する文書群を解析し、各文書に含まれる、頻度の高い語句または他の単語との関連度の高い語句をランク付けし、ランク付けされた語句を特徴語として抽出する。

ある局面において、ＣＰＵ１は、サーバー１３０に与えられる設定に基づいて、概念レベルを任意の粒度に設定または変更する。

ある局面において、ＣＰＵ１は、端末１１０，１２０から概念レベルを含む検索要求を受信し、当該検索要求に含まれる概念レベルの特徴語を含む文書を検索して、検索結果を端末１１０，１２０に表示させる。

ある局面において、ＣＰＵ１は、設定または変更された概念レベルに含まれる特徴語を端末１１０，１２０のモニター８に表示させる。

ある局面において、ＣＰＵ１は、端末１１０，１２０による特徴語の選択を受け付ける。

ある局面において、ＣＰＵ１は、選択された特徴語に基づいて文書を検索して検索結果を端末１１０，１２０のモニター８に表示させる。

ある局面において、ＣＰＵ１は、検索部として、異なる概念レベルの特徴語に基づいて文書を検索する。

以上のようにしてある実施の形態に従うと、サーバー１３０は、クラスタの粒度に応じて規定されたクラスタラベルを文書に対応付けて管理している。したがって、所望する情報の格納場所に関する知識を持たないユーザーが担当者を介在せずに、ユーザーとの直感的な対話インターフェイス（マウス操作など）により、目的となる文書に関連する情報をキーワード化することなく、その情報に辿り着くことができる。その際、ユーザーは、当該粒度を変化させながら文書を検索できるので、検索の範囲を調整しながら知りたい情報がどの文書にあるかを容易に知ることができる。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

開示された技術思想は、データが共有されるネットワーク環境において適用され得る。

１ ＣＰＵ、２ マウス、３ キーボード、４ ＲＡＭ、５ ハードディスク、６ 光ディスク駆動装置、７ 通信インターフェイス、８ モニター、９ ＲＯＭ、１０ システム、１１０，１２０ 端末、１３０ サーバー、１９０ ネットワーク、２００ コンピューターシステム、３００ データベース、４１０ テーブル、４１１，４１２，４１３，４１４，８１０，８２０，９１０，９２０，１０１０，１０２０，１０３０，１０４０，１０５０，１０６０ 領域、５１０ データ解析部、５１１ データ変換部、５１２ 形態素解析部、５１３ ベクトル変換部、５２０ 記憶部、５２１ データ格納部、５２２ ベクトルデータ格納部、５２３ 文書クラスタリング結果格納部、５２４ 特徴語格納部、５３０ クラスタリング解析部、５３１ ベクトル次元圧縮部、５３２ クラスタリング処理部、５４０ 類似文書抽出部、５４１ 類似度計算部、５４２ 類似文書ソート部、５５０ 特徴抽出部、５６０ フロントエンドサービスデータ制御部、５７０ フロントエンドサービス表示部、８３０，９３０ アイコン。

Claims (18)

1. 複数の文書の各々を解析して特徴ごとに各前記文書をクラスタリングするクラスタリング部と、
   各前記文書から特徴語を抽出する抽出部と、
   抽出された特徴語を概念レベルごとに管理する記憶部とを備える、情報処理装置。
2. 前記クラスタリング部は、各前記文書を解析する解析部を含む、請求項１に記載の情報処理装置。
3. 前記解析部は、ドキュメントデータ、画像データ、または音声データのいずれかのデータを解析する、請求項２に記載の情報処理装置。
4. 前記解析部は、形態素解析部を含み、前記形態素解析部は、前記いずれかのデータを解析することにより得られたデータをテキストデータに変換し、前記テキストデータに存在する各単語の品詞を推定し、各単語を品詞ごとに分類する、請求項３に記載の情報処理装置。
5. 前記解析部は、前記テキストデータの単位ごとに、当該テキストデータをベクトルデータに変換するベクトル変換部をさらに含む、請求項４に記載の情報処理装置。
6. 前記テキストデータの単位は、文書単位、段落単位、複数の文単位、一文単位のいずれかである、請求項５に記載の情報処理装置。
7. 前記クラスタリング部は、前記ベクトルデータの次元削減を行なって削減後のデータをマッピングするベクトル次元圧縮部を含む、請求項５に記載の情報処理装置。
8. 前記クラスタリング部は、前記マッピングされたデータについて、指定されたクラスタの数に応じて、ベクトル間距離によるクラスタリング推定を行なう、請求項７に記載の情報処理装置。
9. 前記クラスタリング部は、どの文書がどのクラスタに属するかという文書ごとのクラスタリング結果を出力する、請求項７に記載の情報処理装置。
10. 前記抽出部は、前記概念レベルのクラスタに該当する文書群を解析し、各文書に含まれる、頻度の高い語句または他の単語との関連度の高い語句をランク付けし、ランク付けされた語句を特徴語として抽出する、請求項９に記載の情報処理装置。
11. 前記概念レベルを任意の粒度に設定または変更するための粒度設定部をさらに備える、請求項１～１０のいずれかに記載の情報処理装置。
12. 端末装置から概念レベルを含む検索要求を受信する受信部と、
    前記検索要求に含まれる概念レベルの特徴語を含む文書を検索して、検索結果を前記端末装置に表示させる検索部とをさらに備える、請求項１～１１のいずれかに記載の情報処理装置。
13. 前記検索部は、前記概念レベルに含まれる特徴語を前記端末装置に表示させる、請求項１２に記載の情報処理装置。
14. 前記端末装置による特徴語の選択を受け付ける選択部をさらに備える、請求項１３に記載の情報処理装置。
15. 検索結果を前記端末装置に表示させることは、選択された特徴語に基づいて文書を検索して、検索結果を前記端末装置に表示させることを含む、請求項１３に記載の情報処理装置。
16. 前記検索部は、異なる概念レベルの特徴語に基づいて文書を検索する、請求項１２～１５のいずれかに記載の情報処理装置。
17. 情報を提供するためにコンピューターによって実行される方法であって、
    複数の文書の各々を解析して特徴ごとに各前記文書をクラスタリングするステップと、
    各前記文書から特徴語を抽出するステップと、
    抽出された特徴語を概念レベルごとに管理するステップと、
    端末装置から概念レベルを含む検索要求を受信するステップとを含む、方法。
18. 情報を提供するためにコンピューターによって実行されるプログラムであって、前記プログラムは前記コンピューターに、
    複数の文書の各々を解析して特徴ごとに各前記文書をクラスタリングするステップと、
    各前記文書から特徴語を抽出するステップと、
    抽出された特徴語を概念レベルごとに管理するステップと、
    端末装置から概念レベルを含む検索要求を受信するステップとを実行させる、プログラム。
    

Images