JP2770715B2

JP2770715B2 - 構造化文書検索装置

Info

Publication number: JP2770715B2
Application number: JP5232455A
Authority: JP
Inventors: 俊明安藤
Original assignee: Fuji Xerox Co Ltd
Current assignee: Fujifilm Business Innovation Corp
Priority date: 1993-08-25
Filing date: 1993-08-25
Publication date: 1998-07-02
Anticipated expiration: 2013-07-02
Also published as: US5752020A; JPH0765035A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、記憶装置に記憶させて
ある多数の文書の中から、目的とする文書を取り出すた
めの構造化文書検索装置に関するものである。

【０００２】

【従来の技術】図９は、従来の文書検索装置を示す図で
ある。図９において、１は入力部、２は表示部、３は検
索部、４は文書属性管理部、５は文書格納部、６は登録
部である。これらは、実際にはコンピュータ上で実現さ
れる。入力部１はキーボードやマウスであり、表示部２
はディスプレイ装置である。文書属性管理部４，文書格
納部５は、記憶装置で構成される。検索部３は、検索動
作を行うためのソフトウエアで構成され、登録部６は、
文書の登録動作を行うためのソフトウエアで構成され
る。

【０００３】文書を登録する場合、文書は入力部１から
登録部６へ渡される。登録部６での作用を説明する前
に、文書，文書属性および文書識別子について説明す
る。図１１は文書を説明する図である。これは、田中一
郎氏が１９９３年２月６日に作成した「〇〇技術の△△
への適用について」という論文である。第１章のタイト
ルは「〇〇技術の最近の動向」であり、第１節，第２節
が設けられ、それぞれ節の内容１２，１３が書かれてい
る。章は、第２章以下も続いている。最後に、参考文献
が幾つか記載されている。このような論文とか報告書と
か自体が、文書である。

【０００４】文書の特徴を表す情報、例えば、文書名，
著者名，作成日，キーワード等が、文書属性と言われる
ものであるが、従来、文書を検索対象として蓄積する場
合には、それらが付与されていた。文書識別子は、文書
が記憶装置に格納された時に、その文書を他の文書と区
別して特定するための手段であり、例えば、格納文書の
「通し番号」とか、「ファイル名」とかが用いられる。

【０００５】（登録動作）図９に戻って、文書の登録動
作について説明する。登録動作の順序は、登録部６に関
係して引かれている実線矢印や点線矢印により、その概
略が示されている。文書が登録部６に渡されると、ま
ず、登録部６では文書に付与されている文書属性を抽出
して、文書属性管理部４に格納する。また、文書内容を
特殊な規則を用いて文書属性として抽出し、文書属性管
理部４に格納する。ただし、文書検索装置を作成した時
点で、どの文書属性を格納するかは決められている。文
書自体は、文書格納部５に格納する。文書格納部５は、
例えば磁気ディスク装置で構成される。格納することに
よって文書識別子が確定するが、登録部６はそれを文書
属性管理部４に送り、文書属性と共に格納する。

【０００６】図１０は、文書属性管理部を説明する図で
ある。図１１の文書の場合、文書識別子としては通し番
号「３２７６」が採用されると共に、種々の文書属性が
記録されている。例えば、論文名としては「〇〇技術の
△△への適用について」が記録され、著者名としては
「田中一郎」が記録され、作成日としては「1993.2.6」
が記録されている。また、キーワードとしては「〇〇技
術」が記録されている。検索対象とする文書の登録は、
以上のようにして行われる。その結果、文書属性は文書
属性管理部４に蓄積され、文書自体は文書格納部５に格
納される。

【０００７】（検索動作）次に、前記のようにして格納
された文書の検索動作について説明する。検索動作の順
序は、入力部１から検索部３を経て表示部２に至るまで
の実線矢印や点線矢印により、その概要が示されてい
る。まず、文書を検索するための検索式が入力部１より
入力され、検索部３に渡される。検索式は、文書属性を
手掛かりにして検索する式とされている。その検索式に
より文書属性管理部４を検索し、該当する文書属性があ
れば、その文書属性に対応する文書識別子を得る（文書
属性管理部４から検索部３に向かう矢印が、これを表し
ている）。例えば、著者名が「田中一郎」である文書を
検索せよという場合、図１０の例では、検索の結果、文
書識別子「３２７６」が得られる。

【０００８】文書識別子が分かれば、それを手掛かりに
して、文書格納部５よりそれに対応する文書全体（図１
１の文書１１）を取り出すことが出来る。取り出された
文書の必要な部分（例えば、参考文献欄）が、表示部２
に送られて表示される。文書格納部５→検索部３→表示
部２に向かう矢印が、取り出して表示する経路を表して
いる。

【０００９】

【発明が解決しようとする課題】

（問題点）しかしながら、前記した従来の文書検索装置
には、次のような問題点があった。第１の問題点は、文
書に関する情報を重複して管理する必要があり、管理が
面倒であると共に、記憶領域を多く必要とするという点
である。第２の問題点は、文書格納部５には文書全体を
単位として格納されているので、検索結果は文書単位で
しか得られず、文書の論理構造をナビゲーションする
（辿る）場合の処理が高速に行えないという点である。

【００１０】（問題点の説明）まず第１の問題点につい
て説明する。図９の従来の文書検索装置では、文書に関
する情報は、文書属性管理部４と文書格納部５とに重複
して管理されている。従って、文書を更新する場合に
は、両方とも整合をとりながら更新する必要があり、管
理が面倒であった。また、文書属性管理部４に格納する
情報（例、文書名）は、当然文書格納部５に格納した文
書にも含まれており、同じ情報を２重に記憶するから、
記憶領域も多く必要とする。

【００１１】次に第２の問題点について説明する。文書
の検索を行う場合、文書の論理構造を辿ってゆくこと
（ナビゲーション）をしばしば必要とする。その場合に
は、文書の論理構造を構成している構成要素（文書の骨
組を成している要素。例、著者名など。図５で説明す
る）を、最初から１つづつ参照してゆくことになる。例
えば、実際に検索して表示部２に表示したいのは論文の
参考文献欄であるという場合、検索により取り出した文
書の最初の構成要素から、それが参考文献欄かどうかい
ちいちチェックしながら進んで行き、最後にようやく参
考文献欄に辿りつくということになる。いきなり参考文
献欄にアクセスすることは出来ず、そこまでに存在する
多くの他の構成要素との照合を行わなければならないの
で、処理を速やかに終えることが出来ない。また、文書
全体という大量のデータを扱うので、それをいったんキ
ャッシュメモリに入れて処理するというわけにもいか
ず、キャッシングによる処理高速化も図れない。本発明
は、以上のような問題点を解決することを課題とするも
のである。

【００１２】

【課題を解決するための手段】前記課題を解決するた
め、本発明では、構造化文書を格納しておき、それを検
索式により検索する構造化文書検索装置において、入力
部から受け取った構造化文書を格納するための前処理を
行う登録部と、文書の論理構造に関する知識が組み込ま
れ、入力された構造化文書から論理構造，文書属性，文
書内容を抽出する論理構造抽出部と、抽出した論理構
造，文書属性，文書内容を同種のもの毎に分けて格納す
る文書情報格納部と、文書の論理構造に関する知識が組
み込まれ、該文書情報格納部から読み出した論理構造と
検索式に記述された論理構造とが一致するかどうかを判
定する論理構造判定部と、論理構造が一致すると判定さ
れた文書の最終的な検索標的である情報のみを文書情報
格納部から読み出して検索し、検索して得た構造化文書
を再構成して出力する検索部とを具えることとした。

【００１３】なお、前記の構造化文書検索装置におい
て、文書の論理構造に関する知識を格納した論理構造知
識ベースを独立して設け、これを論理構造抽出部および
論理構造判定部が共用する構成としてもよい。

【００１４】

【作用】本発明では、構造化文書の論理構造，文書
属性，文書内容を抽出し、これらを文書情報格納部に格
納するが、格納する場所はここだけとする。同じ情報を
別々のところに重複して格納しないから、情報の整合性
を常に保つ等の重複管理をする必要がなく、煩わしさが
なくなる。検索は、まず検索式に記述されたのと同じ論
理構造の文書を探し、次にその文書の最終的な検索標的
である構成要素にいきなりアクセスして検索するという
やり方で検索する。従って、文書の冒頭から順に見て行
って最終的な検索標的の構成要素にアクセスしていた従
来の検索装置に比べて、検索が短時間でできる。

【００１５】

【実施例】

〔第１の実施例〕（装置の構成および概要）以下、本発明の実施例を図面
に基づいて詳細に説明する。図１は、本発明の第１の実
施例にかかわる構造化文書検索装置を示す図である。符
号は図９のものに対応し、７は論理構造抽出部、７−１
は論理構造知識ベース、８は文書情報格納部、９は論理
構造判定部、９−１は論理構造知識ベースである。本発
明では、入力部１から入力する文書は、通常の文書では
なく「構造化文書」である。構造化文書については、図
４で説明する。

【００１６】論理構造抽出部７は、構造化文書から「論
理構造」，「文書属性」，「文書内容」等の文書情報を
抽出する部分であり、ソフトウエアまたはハードウェア
で構成される。なお、「論理構造」および「文書内容」
については、後で説明する。抽出に当たっては、論理構
造に関する知識（例えば、論理構造に関する規則とか、
文書の構成要素のデータフォーマットなど）のデータベ
ースが必要であるから、論理構造抽出部７には論理構造
知識ベース７−１が組み込まれる。

【００１７】文書情報格納部８は、論理構造抽出部７で
抽出した文書情報を格納する部分であり、記憶装置で構
成される。本発明で文書情報を格納するのは、ここだけ
であり、他の部分に重複して格納することはしていな
い。文書情報格納部８には、よく使用する検索式を予め
作成して、格納しておくことも出来る。

【００１８】検索部３は、検索式を受け取り、まず論理
構造判定部９で、文書情報格納部８に格納されている論
理構造の内、どの構造化文書の論理構造が、検索式に記
述された論理構造と一致するかを判定させる。次に、論
理構造が一致した構造化文書の情報を文書情報格納部８
から取り寄せて検索し、検索結果を表示部２に表示させ
る。

【００１９】なお、検索部３は、ソフトウエアで構成さ
れる。論理構造判定部９はソフトウエアで構成されても
よいし、ハードウェアで構成されてもよい。論理構造を
判定するに当たっても、論理構造に関する知識のデータ
ベースが必要であるから、論理構造判定部９にも論理構
造知識ベース９−１が組み込まれる。

【００２０】（構造化文書）図４は、構造化文書の概念
を説明する図である。これは、図１１のような紙の文書
を表しているわけではない。ここでは、図１１の文書を
例にとっている。１５は第１章の章内容であり、１６は
第２章の章内容である。１７，１８は、それぞれ参考文
献の内容である。文書は、種々の構成要素から成る構造
となっているが、文書の各構成要素に、それがどんな構
造であるかを表す情報が付されている。このような文書
のことを、「構造化文書」という。例えば、図５は、論
理構造だけを表している。

【００２１】例えば、図４の構造化文書で、「〇〇技術
の△△への適用について」というのは論文のタイトルと
いう構造を成しているが、これが論文のタイトルという
構造であることを表すため、 “タイトル「〇〇技術の△△への適用について」” という具合に、「タイトル」という語句が冒頭に付され
ている。この冒頭に付された「タイトル」が、構造を構
成する構成要素の名前である。「」で囲まれた部分
が文書内容を表し、図１１のように紙面に現れる情報と
なる。 “著者名「田中一郎」” にしても、冒頭の「著者名」が構成要素の名前である。
図４の例では「タイトル」とか「著者名」といった特定
の文字を用いているが、その代わりに特定の符号や記号
を用いてもよい。そのようなことに関する知識は、予め
論理構造知識ベース７−１，９−１に組み込んでおく。

【００２２】（論理構造）論理構造は、文書の各構成要
素の論理的な関係のことを言う。図５は、図４の構造化
文書１４の論理構造を示す図である。構造化文書１４の
各構成要素は、全体で「論文」を構成しているから、論
理的な関係の根元（文書論理根）に相当するのは「論
文」である。構造化文書１４の「論文」は、「（論文
の）タイトル」，「著者名」，「作成日」，「本文」お
よび「参考文献欄」から成るという関係になっている。
そして、「本文」は幾つかの「章」から成り、各「章」
は「（章の）タイトル」および幾つかの「節」から成る
という関係にある。また「参考文献欄」は、幾つかの
「参考文献」から成り、各「参考文献」は「（参考文献
の）タイトル」，「著者名」および「出典」から成ると
いう関係にある。即ち、論理構造は、構造化文書には必
ず存在する。

【００２３】（構造化文書の登録）図１に戻り、登録動
作について説明する。最初に構造化文書を入力部１より
登録部６に渡すが、具体的には、図３の如く表示部２の
ウィンドゥに現れている論文アイコン２−１なり報告書
アイコン２−２なりを、構造化文書検索装置アイコン２
−３に重ねる操作をすることによって、渡される。登録
部６に構造化文書が与えられると、まず論理構造抽出部
７にて処理し、その構造化文書から論理構造，文書属
性，文書内容を抽出する。

【００２４】例えば、構成要素「著者名」を抽出する場
合には、構造化文書に付されている「著者名」という構
造情報を手掛かりにして、その文書内容として「田中一
郎」を抽出する。

【００２５】（文書内容）文書内容は、各構成要素
（例、第２章の第１節）におけるテキスト情報，文字の
サイズ，字体等である。

【００２６】抽出された「論理構造」，「文書属性」，
「文書内容」は、文書情報格納部８に格納される。図７
は文書情報格納部８を説明する図である。文書情報格納
部８では、同じ名前を持っている同種の構成要素に属す
る文書内容は、１箇所にまとめて格納される。例えば、
図５で（論文の）著者名は、論文著者名格納部８２にま
とめて格納される。このようにまとめて格納すると、同
種の論理構造や構成要素を持つ文書をすばやく検索する
ことができる。

【００２７】参考文献の著者名は、別の領域である参考
文献著者名格納部８５に格納される。従って、参考文献
の著者名の「鈴木栄一」は、ここに格納される。同様
に、論文タイトル格納部８１には論文のタイトルばかり
が格納され、論文作成日格納部８３には論文の作成日ば
かりが格納される。また、論理構造格納部８７には、論
理構造ばかりが格納される。従って、入力された構造化
文書は、構成要素毎にバラバラに格納される。なお、論
理構造には、構成要素の文書内容に関するリンク情報が
付与される。同様にして、構成要素に属する論理構造を
識別するために、文書識別子を付与してもよい。

【００２８】（検索式の登録）登録部６は、前記したよ
うな構造化文書の登録の他に、しばしば使用する検索式
を予め作成して登録しておくことも出来る。登録のため
に入力された検索式は、文書情報格納部８の領域の内、
検索式ばかりを格納しておく領域に格納される。

【００２９】（検索式の入力）検索は、検索式を検索部
３に渡すことによって開始される。文書情報格納部８内
に既に登録してある検索式を使用する場合は、それを指
定することによって検索部３へ渡すことが出来る。具体
的には、図３の如く表示部２のウィンドゥに表われてい
る検索式アイコン２−４をマウスでクリックして、登録
してある検索式を表示させ、その中の１つをクリックす
ることによって指定できる。登録してない場合には、検
索式を新たに作成し、入力部１に入力することによって
検索部３へ渡す。図１で、入力部１から検索部３に直接
引かれている実線の矢印は、そのことを表している。

【００３０】（検索式について）図６は、検索式の例を
示す図である。まず、検索式の意味を説明し、次にこの
検索式を用いての検索について説明する。検索式の名前
は、「参考文献検索（著者名＝鈴木栄一）」である。検
索式の最も右側の縦列のＳＥＬＥＣＴ＊ＦＲＯＭ参考文献ＷＨＥＲＥ著者名＝鈴木栄一は、参考文献を見て、著者名が「鈴木栄一」である場合
には、その参考文献についての記載全てを抜き出せとい
うことを意味している。参考文献についての記載項目に
は、「タイトル」，「著者名」，「出典」があるが、そ
れら全てを抜き出せということである。「＊」は、全て
という意味を持たされている。例えば、もし図４の構造
化文書１４が検索された場合には、「〇〇技術の使い方，鈴木栄一，××学会論文」という記載が表示部２に表示されることになる。

【００３１】検索式の中の前記以外の部分、即ち図６の
中央の縦列より左側の部分は、最終的な検索標的である「（参考文献の）著者名」
に辿りつくまでの論理構造を示している。即ち、「論文
の中の参考文献欄の中の」ということを意味している。
従って、検索式の意味（目的）は、いろいろな「論文」
の「参考文献欄」の中から、著者名が鈴木栄一である参
考文献を探し出し、その参考文献に関する記載全て（出
典等も含めて）をリストアップせよという意味になる。
このように、論理構造を利用した検索式にすることで、
論文自身の著者名と参考文献の著者名とを明確に区別す
ることが出来る。

【００３２】（検索動作）次に、このような検索式での
検索動作を説明する。図２は、検索部３の機能構成を示
す図である。検索動作は、次の４つの段階を経て行う。検索式のチェック論理構造の照合最終的な検索標的内での検索検索したものの出力以下、これらについて順を追って説明する。

【００３３】検索式のチェック検索部３は、検索式を受け取ると、検索式解析部３−１
にて、検索式が構文規則に適合しているかどうかどうか
を調べる。適合していなければ、検索できないからであ
る。検索式を登録する際、予め構文規則に適合するかど
うかを調べ、適合するもののみを登録するというように
することも出来るが、もしそのようにしてあれば、検索
式解析部３−１は不用である。

【００３４】論理構造の照合検索式は、次に検索式評価部３−３に送られ、検索式で
記載されている検索を実行する。まず、論理構造を手掛
かりにした検索を行う。即ち、図６の検索式に記述され
た「論文」→「参考文献欄」→「参考文献」→「（参考
文献の）著者名」という論理構造を持つ文書を探す。そ
れには、構造化文書入力部３−２を介して文書情報格納
部８の論理構造格納部８７（図７参照）より、各文書の
論理構造を取り寄せ、それを検索式と共に論理構造判定
部９に送り、論理構造が一致しているかどうか判定して
もらう。判定は、論理構造知識ベース９−１を参照して
行う。そして、論理構造が一致した文書の文書識別子
（例、３２７６）を記憶しておく。更に、該当する著者
名に付与したリンク情報を記憶しておく。文書の内容情
報に比較して論理構造についてのデータ量は少ないの
で、この検索は短時間で行える。

【００３５】最終的な検索標的内での検索次に、検索式評価部３−３は、検索式が最終的な検索標
的としている構成要素を取り寄せ、照合する。図６の検
索式での最終的な検索標的である構成要素は、「（参考
文献の）著者名」である。そこで、構造化文書入力部３
−２を介して、文書情報格納部８の参考文献著者名格納
部８５より、リンク情報や文書識別子をもとに、論理構
造が一致した文書の著者名を、次々と取り寄せる。そし
て、それが検索式の「鈴木栄一」と一致するか照合し、
一致した場合の文書識別子のみを記憶しておく。このと
き、一致した「著者名」を記憶しておけば、ステップ
で「著者名」を取り出す必要がなくなる。

【００３６】検索したものの出力検索に成功した場合、その文書識別子（例、３２７６）
を構造化文書生成出力部３−４に伝える。構造化文書生
成出力部３−４は、検索式で要求している表示事項（図
６の例では、参考文献に関する事項すべて…タイトル，
著者名，出典）を文書情報格納部８より取り寄せ、それ
を論理構造の情報を元にして、構造化文書の記載と同じ
に再構成して表示部２へ出力する。

【００３７】〔第２の実施例〕図８は、本発明の第２の
実施例を示す図である。符号は図１のものに対応し、１
０は論理構造知識ベースである。図１の第１の実施例と
異なる点は、論理構造判定部９，論理構造抽出部７に組
み込まれていた論理構造知識ベースを、論理構造知識ベ
ース１０に格納して独立させ、共用するようにした点で
ある。

【００３８】論理構造知識ベースには、論理構造に関す
る規則とか、構成要素のデータフォーマットなどの、論
理構造に関する知識が保持されているが、第１の実施例
では、これが論理構造抽出部７，論理構造判定部９の論
理構造を扱うプログラムに組み込まれていた。そのた
め、構成要素のデータフォーマットが変更された場合に
は、それらのプログラムも修正する必要があった。しか
し、第２の実施例では、それらのプログラムとは独立さ
せたので、データフォーマットの変更があったとして
も、論理構造知識ベース１０の内容を変更するだけでよ
く、プログラムまでも修正する必要はない。また、１つ
のデータベースを共用するので、同じ知識を重複して持
つ必要がない。また、新たな文書の知識の追加も容易に
なる。

【００３９】

【発明の効果】以上述べた如く、本発明の構造化文書検
索装置によれば、次のような効果を奏する。（１）同じ情報を重複して管理する必要がなくなった。
従来は、図９の文書属性管理部４に格納されている情報
は、文書格納部５にも格納されていたが、本発明では文
書情報格納部８のみに格納される。従って、情報の整合
性を常に保つ等の、煩わしい重複管理をする必要がな
い。また、記憶領域も少なくて済む。（２）検索が短時間で行えるようになった。本発明で
は、論理構造を抽出して格納しておき、まず検索式に記
述されたのと同じ論理構造の文書を探し、次にその文書
の最終的な検索標的である構成要素にいきなりアクセス
して検索するので、文書の冒頭から順に見て行って最終
的な検索標的の構成要素に辿りついて検索する従来の検
索装置に比べて、作業量が少なくなり、検索時間が短か
くなる。（３）副次的な効果として、文書の内容を直接検索する
ために、予め文書属性を決めておいたり、付与したりす
る手間がなくなった。

【図面の簡単な説明】

【図１】本発明の第１の実施例にかかわる構造化文書
検索装置を示す図

【図２】検索部の機能構成を示す図

【図３】表示部のウィンドゥを示す図

【図４】構造化文書の概念を説明する図

【図５】論理構造の例を示す図

【図６】検索式の例を示す図

【図７】文書情報格納部を説明する図

【図８】本発明の第２の実施例を示す図

【図９】従来の文書検索装置を示す図

【図１０】文書属性管理部を説明する図

【図１１】文書を説明する図

【符号の説明】１…入力部、２…表示部、２−０…ウィンドゥ、２−１
…論文アイコン、２−２…報告書アイコン、２−３…構
造化文書検索装置アイコン、２−４…検索式アイコン、
３…検索部、４…文書属性管理部、５…文書格納部、６
…登録部、７…論理構造抽出部、７−１…論理構造知識
ベース、８…文書情報格納部、９…論理構造判定部、９
−１…論理構造知識ベース、１０…論理構造知識ベー
ス、１１…文書、１２，１３…節の内容、１４…構造化
文書、１５，１６…章内容、１７，１８…参考文献内
容、３−１…検索式解析部、３−２…構造化文書入力
部、３−３…検索式評価部、３−４…構造化文書生成出
力部

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁶，ＤＢ名) G06F 17/30 G06F 17/27 G06F 17/21 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims

(57)【特許請求の範囲】

【請求項１】構造化文書を格納しておき、それを検索
式により検索する構造化文書検索装置において、入力部
から受け取った構造化文書を格納するための前処理を行
う登録部と、文書の論理構造に関する知識が組み込ま
れ、入力された構造化文書から論理構造，文書属性，文
書内容を抽出する論理構造抽出部と、抽出した論理構
造，文書属性，文書内容を同種のもの毎に分けて格納す
る文書情報格納部と、文書の論理構造に関する知識が組
み込まれ、該文書情報格納部から読み出した論理構造と
検索式に記述された論理構造とが一致するかどうかを判
定する論理構造判定部と、論理構造が一致すると判定さ
れた文書の最終的な検索標的である情報のみを文書情報
格納部から読み出して検索し、検索して得た構造化文書
を再構成して出力する検索部とを具えたことを特徴とす
る構造化文書検索装置。
【請求項２】文書の論理構造に関する知識を格納した
論理構造知識ベースを独立して設け、これを論理構造抽
出部および論理構造判定部が共用する構成としたことを
特徴とする請求項１記載の構造化文書検索装置。