JP3317767B2 - データベース自動作成装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は，電子化された文書中か
ら，指定された情報を抜き出し加工して，データベース
を作成するデータベース自動作成装置に関する。

【０００２】

【従来の技術】従来，文書情報からデータベースを構築
するには，文書を読みながらキーボード等から人手で情
報を打ち込んで入力する方法が取られていた。

【０００３】一方，文書中から特定の内容を抽出する方
法として，特願平４−３１６７０６号「内容抽出装置」
に見られるように，抽出パターンとの照合を行って内容
を抽出する方法が知られている。

【０００４】図１２はこの内容抽出装置の主要部の構成
を示した図であり，抽出パターン入力手段５１と抽出パ
ターン解析手段５２と照合処理起動手段５３と固定位置
照合処理手段５４とで構成され，入力記号列と抽出パタ
ーンとの照合を行う固定位置照合処理手段５４が，個別
処理選択手段５４ａ，一般項処理手段５４ｂ，ワイルド
カード項処理手段５４ｃ，任意位置照合処理手段５４
ｄ，サブパターン項処理手段５４ｅ，選言項処理手段５
４ｆ，省略項処理手段５４ｇを備え，ワイルドカード項
処理手段５４ｃで起動される任意位置照合処理手段５４
ｄは，指定入力記号列の任意の位置から，指定パターン
との照合を行うように構成されている。

【０００５】抽出パターンは，トップパターンと複数の
サブパターンとサブパターン名を介した参照接続とで定
義され，サブパターンおよびトップパターンは，任意の
記号列と一致することを表すワイルドカード項，サブパ
ターン名で表されるサブパターン項，いくつかのサブパ
ターンのうちの一つが一致したときに入力記号列に一致
したとみなされる選言項，一般項または省略項の連糸接
続で定義され，選言項はサブパターンの選言接続で定義
され，一般項は，終端記号列で定義されて，省略項はサ
ブパターンで定義されるようになっている。

【０００６】抽出パターン解析手段５２は，抽出パター
ン入力手段５１が入力した抽出パターンを内部構造に変
換する。照合処理起動手段５３は，照合対象記号列が入
力されると，照合対象記号列を固定位置照合処理手段５
４への指定入力記号列とし，内部構造に変換された抽出
パターンを固定位置照合処理手段５４への指定パターン
として，固定位置照合処理手段５４を起動する。

【０００７】固定位置照合処理手段５４における個別処
理選択手段５４ａは，指定パターンの連糸接続された項
の先頭項が，一般項，ワイルドカード項，サブパターン
項，選言項，省略項のいずれかであるかを判定し，各々
の場合に応じて，一般項処理手段５４ｂ，ワイルドカー
ド項処理手段５４ｃ，任意位置照合処理手段５４ｄ，サ
ブパターン項処理手段５４ｅ，選言項処理手段５４ｆ，
省略項処理手段５４ｇを起動する。

【０００８】一般項処理手段５４ｂは，一般項に対し
て，一般項を定義する終端記号列が指定入力記号列と一
致した場合を，一般項と指定入力記号列とが一致したと
みなす照合を行う。

【０００９】ワイルドカード項処理手段５４ｃは，指定
パターンの先頭項であるワイルドカード項の次の項以降
のパターンを任意位置照合処理手段５４ｄへの指定パタ
ーンとし，指定入力記号列をそのまま任意位置照合処理
手段５４ｄへの指定入力記号列として，任意位置照合処
理手段５４ｄを起動する。これによって，指定パターン
と指定入力記号列の一致を判定し，指定入力記号列と任
意位置照合処理手段５４ｄから出力される照合開始位置
とから，ワイルドカード項と一致する指定入力記号列中
の部分記号列を決定する。

【００１０】任意位置照合処理手段５４ｄは，指定パタ
ーンを固定したまま，指定入力記号列の任意位置からの
記号列を固定位置照合処理手段５４への指定入力記号列
として変化させて，固定位置照合処理手段５４を繰り返
し起動することによって，指定入力記号列の任意位置か
らの記号列が指定されたパターンと一致するか否かを判
定し，一致した場合には，記号列の照合開始位置を出力
する。

【００１１】サブパターン項処理手段５４ｅは，サブパ
ターン項に対しては，サブパターン名で参照接続された
サブパターンでサブパターン項が置き換わったとみなし
て照合を行う。選言項処理手段５４ｆは，選言接続され
たサブパターンのいずれか一つが指定入力記号列と一致
した場合を，選言項と指定入力記号列とが一致したとみ
なす照合を行う。また，省略項処理手段５４ｇは，サブ
パターンが一致しなくても良い照合を行う。

【００１２】例えば，ワイルドカード項，一般項の連糸
接続で定義されるパターンの組み合わせで抽出パターン
を定義した場合，抽出パターン解析手段５２では抽出パ
ターンを内部構造に変換し，照合対象記号列が入力され
ると，照合処理起動手段５３で固定位置照合処理手段５
４を起動し，固定位置照合処理手段５４で抽出パターン
の各項の種類に応じた照合処理を行う。これにより，抽
出パターンと照合対象記号列との対応関係を決定して，
必要な情報の抽出を行う。固定位置照合処理手段５４で
は，ワイルドカード項に対しては，任意の記号列と一致
させる。一般項に対しては，一般項を定義する終端記号
列が指定入力記号列と一致した場合を，一般項と指定入
力記号列が一致したとみなして照合を行う。ワイルドカ
ード項は任意の記号列と一致するため，入力記号列中に
未知語が含まれていても抽出を行うことができる。

【００１３】

【発明が解決しようとする課題】従来装置では，電子化
された文書の文を入力することにより，抽出パターンを
構成する項に対応する文字列を抽出することができる
が，データベース装置に抽出した情報を登録する場合，
以下のような問題がある。

【００１４】一つは抽出された情報をデータベースのど
の項目に登録するかという問題であり，もう一つは，構
築したいデータベース装置の仕様にあった情報を抽出す
ることはできないという問題である。例えば，一般のデ
ータベース装置では，算用数字でないと数値演算が扱え
ないため，価格等の数値情報を文書中に記述された漢数
字（例えば，十万円）のままでは，データベース装置等
の数値演算が利用できない。また，日付の情報（例え
ば，８月４日）も，対象のデータベース装置で定められ
た特定の形式（例えば，“０８０４”）でないとデータ
ベースにおける演算機能が使えない。

【００１５】本発明は，前記従来の問題を解決するた
め，抽出パターンの構成要素である項とデータベースの
項目名および情報の形式との関係をデータベース変換テ
ーブルに記述でき，このデータベース変換テーブルに従
って情報の抽出および変換を行えるように構成したデー
タベース自動作成装置を提供することを目的とする。

【００１６】

【課題を解決するための手段】本発明は，電子化された
文書から特定の内容を表した情報を抜き出し加工してデ
ータベース装置に保存する情報を生成するような計算機
システムの装置であって，あらかじめ定義された抽出パ
ターンに基づいて，照合対象記号列と抽出パターンとの
照合を行い，データベース変換テーブルで規定された情
報に従って，抽出加工を行うデータベース自動作成装置
に関する。

【００１７】本発明は，図１に示す構成例のような，文
書入力手段１，抽出パターン入力手段２，抽出パターン
照合手段３，データベース変換テーブル４，項目内容文
字列抽出手段５，複数の文字列変換手段６（６１，６
２，…），登録情報生成手段７，データベース登録手段
８を備える。抽出パターン入力手段２，抽出パターン照
合手段３は，従来装置と同じ構成要素であるが，データ
ベース変換テーブル４，項目内容文字列抽出手段５，文
字列変換手段６，登録情報生成手段７，データベース登
録手段８を備えている点が従来装置と異なる。

【００１８】文書入力手段１は，複数の文書を順次読み
込む手段である。抽出パターン入力手段２は，従来装置
の構成を示す図１２の抽出パターン入力手段５１および
抽出パターン解析手段５２と同様の機能を有する手段
で，任意の終端記号列と一致可能なことを表すワイルド
カード項，終端記号列で定義される一般項，あらかじめ
定義したサブパターンをサブパターン名で代表させるサ
ブパターン項，指定されたパターンが省略可能であるこ
とを表す省略項，の連糸接続の記述に基づく抽出パター
ンおよび前記サブパターン名に定義されたサブパターン
を入力する手段である。

【００１９】抽出パターン照合手段３は，図１２に示す
従来装置の固定位置照合処理手段５４と同様の機能を有
する手段で，各項の照合条件に従って，抽出パターンと
読み込まれた文書の各文との照合を行い，抽出パターン
の各項に対応する文字列を得る手段である。

【００２０】データベース変換テーブル４は，データベ
ースの各項目毎に対応する抽出パターンの項と変換形式
を記述したテーブルであり，これによってデータベース
装置の仕様にあった情報を指定できる。

【００２１】項目内容文字列抽出手段５は，データベー
ス変換テーブル４で記述された抽出パターンの項を，抽
出パターン照合手段３で得られた抽出結果から探すこと
によって，データベースの各項目に対応する文字列を得
る手段である。

【００２２】文字列変換手段６は，文字列をあらかじめ
定められた規則やテーブルに従って他の文字列に変換す
る手段であり，変換方法の違いに応じて，文字列変換手
段Ａ（算用数字変換）６１，文字列変換手段Ｂ（日付表
現変換）６２，文字列変換手段Ｃ（統制語変換）６３等
の複数の変換手段からなる。

【００２３】登録情報生成手段７は，項目内容文字列抽
出手段５で得られた文字列を，データベース変換テーブ
ル４に指定された文字列変換手段６の一つを起動するこ
とによって変換した文字列を得る手段である。

【００２４】データベース登録手段８は，登録情報生成
手段７で得られた情報を指定されたデータベースに登録
する手段である。

【００２５】

【作用】本発明は，ワイルドカード項，一般項，省略項
等の連糸接続で定義されたパターンの組み合わせで定義
した抽出パターンを，抽出パターン入力手段２で読み込
んでおき，文書入力手段１から文が入力されると，抽出
パターン照合手段３により，入力された文と抽出パター
ンとの照合を行う。項目内容文字列抽出手段５により，
データベースの項目と抽出パターンの項との対応関係を
指定したデータベース変換テーブル４を参照して，デー
タベースの各項目に対応する文字列を抽出する。登録情
報生成手段７では，データベース変換テーブル４に指定
された変換形式に対応する文字列変換手段６を起動し
て，データベースの仕様に応じた文字列に変換する。そ
の結果を，データベース登録手段８により，目的とする
データベース装置に登録する。

【００２６】このように本装置によれば，データベース
変換テーブル４で，データベースの項目と抽出パターン
の項との関係および変換形式を指定することにより，デ
ータベースの仕様に応じた情報を生成し，自動的にデー
タベース装置に登録することができる。

【００２７】

【実施例】図１は本発明の実施例の構成図であり，図２
はその処理の流れを示した図である。図１および図２を
用いて，本発明の実施例について説明する。

【００２８】図１に示すように，データベース自動作成
装置は，文書入力手段１，抽出パターン入力手段２，抽
出パターン照合手段３，データベース変換テーブル４，
項目内容文字列抽出手段５，文字列変換手段６，登録情
報生成手段７，データベース登録手段８より構成され
る。

【００２９】抽出パターン入力手段２は，従来装置の図
１２の抽出パターン入力手段５１および抽出パターン解
析手段５２と同じ機能を有する手段であり，任意の終端
記号列と一致可能なことを表すワイルドカード項，終端
記号列で定義される一般項，あらかじめ定義したサブパ
ターンをサブパターン名で代表させるサブパターン項，
指定されたパターンが省略可能であることを表す省略
項，の連糸接続の記述に基づく抽出パターンおよび前記
サブパターン名に定義されたサブパターンを入力する
（図２：ステップ１０１）。

【００３０】ここで，抽出パターンの各項について説明
を行う。図３は抽出パターンの書式定義の例を示し，図
４は抽出パターンの記述の例を示す。抽出パターンは，
図３で示す書式定義に従って記述し，各項は以下の役割
を果たす。

【００３１】ワイルドカード項：任意の文字列と一致す
る。ワイルドカード項にパターンが定義されている場合
は，ワイルド項に対応する文字列が決定された後，その
文字列を新たな入力文字列として，定義されたパターン
との照合が行われる。

【００３２】一般項：文字列で記述され，文字列が一致
すれば照合成功。 サブパターン項：定義されたサブパターンが照合成功と
なれば，照合成功。

【００３３】省略項：指定されたパターンが照合成功し
ても，照合失敗でも照合成功。照合失敗の場合には，省
略されたとみなされる。

【００３４】選言項：選言で表された複数のパターンの
うち，いずれか一つが照合成功となれば，照合成功。

【００３５】文書入力手段１は，複数の文書を順次読み
込み，読み込んだ文字列を文単位に抽出パターン照合手
段３に送る。抽出パターン照合手段３は，従来装置の図
１２の固定位置照合処理手段５４と同じ機能を持ち，先
に述べた各項の照合条件に従って，抽出パターン入力手
段２からの抽出パターンと文書入力手段１から読み込ま
れた文との照合を行う。

【００３６】図５に示すような文が文書入力手段１に入
力され，図４に示す抽出パターンが抽出パターン入力手
段２で読み込まれたとすると，図６に示す照合結果が抽
出パターン照合手段３で得られる（図２：ステップ１０
２）。この機能は，特願平４−３１６７０６号で示され
る従来装置で実現できる。

【００３７】データベース変換テーブル４には，図７で
示すようにデータベースの各項目毎に，対応する抽出パ
ターンの項と変換形式が記述される。変換形式は，後述
する登録情報生成手段７で起動される文字列変換手段を
示しており，変換形式の「数値」，「日付」，「統制
語」の各々は，それぞれ，文字列変換手段Ａ６１，文字
列変換手段Ｂ６２，文字列変換手段Ｃ６３を起動するこ
とを示している。

【００３８】項目内容文字列抽出手段５は，データベー
ス変換テーブル４で記述された抽出パターンの項を，抽
出パターン照合手段３で得られた抽出結果から探すこと
によって，文字列を得る。例えば，データベース項目名
（以下，ＤＢ項目名と表す）の「価格」に対しては，抽
出パターンの項として，＜％値段漢＞（漢数字で表現さ
れた値段）と＜％値段算＞（算用数字で表現された値
段）の２つのサブパターンが記述されている。抽出結果
には，＜％値段漢＞の文字列として「五万」が得られて
おり，ＤＢ項目名の「価格」に対応する文字列として
「五万」が得られる。このようにして，図８に示すよう
な結果が得られる（図２：ステップ１０３）。

【００３９】文字列変換手段６に関しては，様々な変換
手段を設けることが可能であるが，本実施例の場合，３
つの手段，文字列変換手段Ａ６１，文字列変換手段Ｂ６
２，文字列変換手段Ｃ６３を設けており，各々以下のよ
うな変換を行う。このような変換は従来の技術で容易に
実現できるので，その構成および方法の詳細は省略す
る。

【００４０】文字列変換手段Ａ６１では，漢数字を算用
数字に変換する。文字列変換手段Ｂ６２では，日付けを
表す表現を（ＭＭＤＤ）の形式に変換する。ここでＭＭ
は月を，ＤＤは日を示し，各々２桁の算用数字で表す。
例えば，「五月」は０５に，「３日」は０３に変換す
る。

【００４１】文字列変換手段Ｃ６３では，図９に示すよ
うな「統制語」のリストの中から最も類似したものを選
び，その文字列に変換する。ここでは，表層的な文字列
の類似性を，一致する文字列の個数で判断するものとす
る。例えば，「携帯用電話機」は，「携帯電話」と４文
字，「留守番電話」と２文字，「コードレスホン」と０
文字一致しており，最も一致した「携帯電話」に変換さ
れる。

【００４２】登録情報生成手段７では，データベース変
換テーブル４に指定された文字列変換手段６の一つを起
動することによって，変換された文字列を得る（図２：
ステップ１０４）。例えば，ＤＢ項目名が「価格」の＜
％値段漢＞に対しては，変換形式として「数値」が指定
されているため，文字列変換手段Ａ６１が起動され，漢
数字（五万）が算用数字（５００００）に変換される。
このようにして，図１０に示すような変換結果が得られ
る。なお，算用数字で値段が記述されている場合には，
＜％値段算＞のほうが照合に成功するため，「無変換」
の指定により変換は行われない。

【００４３】データベース登録手段８では，登録情報生
成手段７で得られた情報を指定されたデータベースに登
録し，図１１のようなデータベースを得る（図２：ステ
ップ１０５）。

【００４４】以上の動作（図２：ステップ１０２からス
テップ１０５）をすべての入力文書に対して行う（図
２：ステップ１０６）。

【００４５】

【発明の効果】以上説明したように，本発明によれば，
文書入力手段，抽出パターン入力手段，抽出パターン照
合手段，データベース変換テーブル，項目内容文字列抽
出手段，複数の文字列変換手段，登録情報生成手段，デ
ータベース登録手段を備え，データベース変換テーブル
で指定した情報に従って，抽出パターン照合手段の結果
から抽出および変換を行うため，作成したいデータベー
スの仕様に応じた情報を，入力した文書から自動的に生
成することができるという効果がある。このため，本装
置を用いれば，新聞記事等の電子化された文書から，目
的に応じたデータベースを容易に構築することができ
る。

【図面の簡単な説明】

【図１】本発明の実施例の構成図である。

【図２】本発明の実施例のフローチャートである。

【図３】抽出パターン記述の書式定義の例を示す図であ
る。

【図４】抽出パターンの例を示す図である。

【図５】照合対象記号列（入力文）の例を示す図であ
る。

【図６】抽出パターン照合手段の処理結果の例を示す図
である。

【図７】データベース変換テーブルの例を示す図であ
る。

【図８】項目内容文字列抽出手段の処理結果の例を示す
図である。

【図９】統制語リストの例を示す図である。

【図１０】登録情報生成手段の処理結果の例を示す図で
ある。

【図１１】データベース登録情報の例を示す図である。

【図１２】従来装置の主要部の構成図である。

【符号の説明】

１ 文字入力手段 ２ 抽出パターン入力手段 ３ 抽出パターン照合手段 ４ データベース変換テーブル ５ 項目内容文字列抽出手段 ６ 文字列変換手段 ７ 登録情報生成手段 ８ データベース登録手段

フロントページの続き (56)参考文献 特開 平６−162102（ＪＰ，Ａ) 特開 平５−274354（ＪＰ，Ａ) 特開 平４−90052（ＪＰ，Ａ) 特開 平３−91067（ＪＰ，Ａ) 特開 平４−4467（ＪＰ，Ａ) 特開 昭63−56726（ＪＰ，Ａ) 安原宏，異種データベースの統合化, 第28回情報科学技術研究集会発表論文 集，日本，日本科学技術情報センター, 1992年 ２月29日，ｐｐ．199−203 Ｈ．Ｋｅｌｌｙ Ｓｈｕｌｄｂｅｒｇ ｅｔ．ａｌ．，Ｄｉｓｔｉｌｌｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ Ｔｅｘｔ：Ｔｈｅ ＥＤＳ Ｔｅｍｐｌ ａｔｅＦｉｌｌｅｒ Ｓｙｓｔｅｍ，Ｊ ｏｕｒｎａｌ ｏｆ ｔｈｅ ＡＭＥＲ ＩＣＡＮ ＳＯＣＩＥＴＹ ｆｏｒ Ｉ ＮＦＯＲＭＡＴＩＯＮ ＳＣＩＥＮＣ Ｅ，米国，1993年10月，Ｖｏｌ．44，Ｎ ｏ．９，ｐｐ．493−507 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06F 17/30 240 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】 あらかじめ定めたデータベースの各項目
   の内容を複数の文書から抽出して，データベースの自動
   作成を行う装置において，文書を読み込む文書入力手段
   と，任意の終端記号列と一致可能なことを表すワイルド
   カード項，終端記号列で定義される一般項，あらかじめ
   定義したサブパターンをサブパターン名で代表させるサ
   ブパターン項，指定されたパターンが省略可能であるこ
   とを表す省略項または複数のパターンの選言で表現され
   た選言項の少なくともいずれかを含む項の連糸接続の記
   述に基づく抽出パターンおよび前記サブパターン名に定
   義されたサブパターンを入力する抽出パターン入力手段
   と，前記文書入力手段に読み込まれた文書の各々の文
   と，前記抽出パターン入力手段に入力された抽出パター
   ンとの照合を行って，照合に成功した場合には，抽出パ
   ターンおよびサブパターンの各々の項に対応する文字列
   を得る抽出パターン照合手段と，文字列をあらかじめ定
   められた規則やテーブルに従って他の文字列に変換する
   複数の文字列変換手段と，データベースの各項目ごと
   に，対応する抽出パターンの項および起動すべき文字列
   変換手段を指定したデータベース変換テーブルと，前記
   抽出パターン照合手段で得られた結果から，前記データ
   ベース変換テーブルで指定された抽出パターンの項に対
   応する文字列を，データベースの項目に対応する内容と
   して取り出す項目内容文字列抽出手段と，前記項目内容
   文字列抽出手段で得られた文字列を，前記データベース
   変換テーブルに指定された前記文字列変換手段の一つを
   起動することによって変換した文字列を得る登録情報生
   成手段と，前記登録情報生成手段で得られた情報を指定
   されたデータベースに登録するデータベース登録手段と
   を備えることを特徴とするデータベース自動作成装置。