JP3571312B2 - リンク集作成装置、リンク集作成方法、及びリンク集作成プログラム - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、リンク集作成装置、リンク集作成方法、及びリンク集作成プログラムに関し、例えば、リンク先コンテンツの紹介文を自動生成するものに関する。
【０００２】
【従来の技術】
インターネットでは、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）上のサイトをＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）によって指定することができる。即ち、ユーザは、クライアント端末装置に設置されているブラウザなどを用いてＵＲＬを指定することにより、当該ＵＲＬにて特定されるサイトにクライアント端末装置を接続することができ、例えば、ホームページの閲覧など当該サイトによって提供されているサービスを受けることができる。
この仕組みを利用し、インターネットでは、ホームページ上にＵＲＬを記載することにより、サイト間にリンクを張ることができるようになっている。
ユーザは、ホームページ上に記載されたＵＲＬをマウスでクリックするなどすることにより、瞬時に当該ＵＲＬで指定されるサイトにクライアント端末装置を接続することができる。
【０００３】
さて、このようなインターネット上で容易にリンクを張ることができる機能を用いたものにディレクトリ型リンク集ページがある。
これは、ＵＲＬをカテゴリ毎に分類し、ユーザが容易に所望のＵＲＬを検索することができるようにしたＷｅｂページである。
カテゴリの分類は、大きい区分から細かい区分へ階層的に区分されたディレクトリ構造となっており、ユーザは、ディレクトリのパスを辿っていくことにより、所望のサイトが存在するＵＲＬを得ることができる。
【０００４】
図７は、ディレクトリ構造の一例を説明するための図である。
例えば、最上部のディレクトリに「教育」、「娯楽」、・・・、などのカテゴリがあったとする。最上部のディレクトリは、カテゴリの最も大きな区分を表している。
最上部のディレクトリは、更に細かい分類に区分され、ディレクトリ構造は木構造となっておる。そして、末端部は、当該カテゴリに属するサイトを特定するＵＲＬと当該サイトの紹介文となっている。
例えば、図７の例では、最上部のディレクトリには「教育」、「娯楽」、・・・、というカテゴリがある。「娯楽」の下には、更に「映画」、「スポーツ」、・・・、などのカテゴリがあり、「映画」の下には、更に「ホラー」、「コメディ」、・・・、などのカテゴリなどがある。
【０００５】
ユーザは、コメディ映画に関するサイトを検索したい場合は、「娯楽」→「映画」→「コメディ」などとパスを辿っていく。すると、コメディ映画に関するコンテンツを有するサイトのＵＲＬの一覧が説明文と共に表示される。ユーザは、当該ＵＲＬの紹介文を参照しながらアクセスするＵＲＬを、例えばマウス操作でクリックするなどして特定する。すると、当該ＵＲＬで特定されるサイトにジャンプすることができる。
【０００６】
従来、このようなディレクトリ型リンクページを作成する場合、ブラウザのブックマークを変換し、そしてｃｇｉ（Ｃｏｍｍｏｎ Ｇａｔｅｗａｙ Ｉｎｔｅｒｆａｃｅ）スクリプトに、例えばサイトの説明文の入力などの必要項目を設定投入することにより作成されていた。
ここで、ブックマークとは、気に入ったサイトや頻繁にアクセスする特定のＷｅｂページのＵＲＬをブラウザなどに登録し、次回のアクセスを容易にする仕組みを言う。
【０００７】
【発明が解決しようとする課題】
しかし、ブックマーク作成は１人による手作業である。また、ｃｇｉに対する設定は多人数で分業可能であるがこれも手作業である。
インターネットの普及と共にディレクトリ型リンク集に対する需要は増大しているが、このように手作業で作成、更新しなくてはならないため多額のメンテナンスコストがかかり、これが最大の問題点となっていた。
また、ロボット型検索を用いて全文検索を行うことにより、上記手作業の代用を行おうと試みた場合、例えばトップページに、実際のページ内容とは無関係なＬｉｎｕｘ、Ｊａｖａ、ＵＤＤＩなど時事キーワード多数を含めて検索結果画面の上位進出を狙うサイトがあるため、価値の低いページ（ノイズ）の混入が避けられず、完全な代用はできない。
【０００８】
そこで、本発明の目的は、リンク集を自動作成することができるリンク集作成装置、リンク集作成方法、及びリンク集作成プログラムを提供することである。
【０００９】
【課題を解決するための手段】
本発明は、前記目的を達成するために、請求項１に記載の発明では、文書ファイルを取得する文書取得手段と、前記取得した文書ファイルに含まれるリンク先特定情報を抽出するリンク先特定情報抽出手段と、前記抽出したリンク先特定情報で特定されるリンク先に含まれるリンク先文書を取得するリンク先文書取得手段と、前記取得した文書ファイルに含まれている文書から複数の紹介文候補を抽出する紹介文候補抽出手段と、前記抽出した各紹介文候補の前記取得したリンク先文書に対する類似度を算出する類似度算出手段と、前記算出した類似度を用いて紹介文を特定する紹介文特定手段と、を具備したことを特徴とするリンク集作成装置を提供する。
請求項２に記載の発明では、前記類似度算出手段が、前記リンク先文書の文書ベクトルと前記紹介文候補の文書ベクトルを用いて所定の演算を行うことにより前記類似度を算出することを特徴とする請求項１に記載のリンク集作成装置を提供する。
請求項３に記載の発明では、前記紹介文特定手段が、前記類似度が最も大きい前記紹介文候補を紹介文として特定することを特徴とする請求項１又は請求項２に記載のリンク集作成装置を提供する。
請求項４に記載の発明では、前記リンク先文書を要約して要約文を生成する要約手段を更に具備し、前記算出した類似度の内、最も大きいものが所定の閾値に達しない場合に、前記要約手段は、前記リンク先文書の要約文を生成し、前記紹介文特定手段は、前記要約手段が生成した前記要約文を紹介文として特定することを特徴とする請求項１又は請求項２に記載のリンク集作成装置を提供する。
請求項５に記載の発明では、前記リンク先文書を要約して要約文を生成する要約手段を更に具備し、前記算出した類似度の内、最も大きいものが所定の閾値に達しない場合に、前記要約手段は、前記リンク先文書の要約文を生成し、前記類似度算出手段は、前記生成した前記要約文に対する前記各紹介文候補の類似度を算出し、前記紹介文特定手段は、前記類似度が最も大きい紹介文候補を紹介文として特定することを特徴とする請求項１又は請求項２に記載のリンク集作成装置を提供する。
請求項６に記載の発明では、前記リンク先文書を要約して要約文を生成する要約手段を更に具備し、前記リンク先文書取得手段は、前記要約手段で生成した要約文をリンク先文書として取得することを特徴とする請求項１、請求項２又は請求項３に記載のリンク集作成装置を提供する。
請求項７に記載の発明では、前記紹介文特定手段にて特定した前記紹介文の内容から、当該紹介文が属するカテゴリを特定するカテゴリ特定手段と、前記紹介文に、当該紹介文に対応するリンク先特定情報と前記特定したカテゴリを関連けて出力する出力手段と、を更に具備したことを特徴とする請求項１から請求項６までの内の何れかの１の請求項に記載のリンク集作成装置を提供する。
請求項８に記載の発明では、前記出力手段が、前記紹介文を当該紹介文に対応したリンク先特定情報と共に所定のコンピュータ言語で記述したディレクトリ構造として出力し、前記ディレクトリ構造は、紹介文のカテゴリを階層的に配置したツリー構造を有していることを特徴とする請求項７に記載のリンク集作成装置を提供する。
また、請求項８に記載の発明は、前記出力手段が、紹介文のカテゴリを階層的に配置したディレクトリ構造を所定のコンピュータ言語にて記述して出力し、前記カテゴリには、当該カテゴリに関連付けられた前記紹介文及び当該紹介文に対応するリンク先特定情報が配置されていることを特徴とする請求項７に記載のリンク集作成装置として構成することも可能である。
ここで、所定のコンピュータ言語とは、例えばリンク集のディレクトリ構造を出力する言語である。
請求項９に記載の発明では、前記リンク先特定情報が、前記リンク先のサイトを特定するＵＲＬであることを特徴とする請求項１から請求項８までの内の何れかの１の請求項に記載のリンク集作成装置を提供する。
請求項１０に記載の発明では、文書取得手段と、リンク先特定情報抽出手段と、リンク先文書取得手段と、紹介文候補抽出手段と、類似度算出手段と、紹介文特定手段と、を備えたコンピュータにおいて、前記文書取得手段で、文書ファイルを取得する文書取得ステップと、前記リンク先特定情報抽出手段で、前記取得した文書ファイルに含まれるリンク先特定情報を抽出するリンク先特定情報抽出ステップと、前記リンク先文書取得手段で、前記抽出したリンク先特定情報で特定されるリンク先に含まれるリンク先文書を取得するリンク先文書取得ステップと、前記紹介文候補抽出手段で、前記取得した文書ファイルに含まれている文書から複数の紹介文候補を抽出する紹介文候補抽出ステップと、前記類似度算出手段で、前記抽出した各紹介文候補の前記取得したリンク先文書に対する類似度を算出する類似度算出ステップと、前記紹介文特定手段で、前記算出した類似度を用いて紹介文を特定する紹介文特定手ステップと、から構成されたことを特徴とするリンク集作成方法を提供する。
請求項１１に記載の発明では、文書ファイルを取得する文書取得機能と、前記取得した文書ファイルに含まれるリンク先特定情報を抽出するリンク先特定情報抽出機能と、前記抽出したリンク先特定情報で特定されるリンク先に含まれるリンク先文書を取得するリンク先文書取得機能と、前記取得した文書ファイルに含まれている文書から複数の紹介文候補を抽出する紹介文候補抽出機能と、前記抽出した各紹介文候補の前記取得したリンク先文書に対する類似度を算出する類似度算出機能と、前記算出した類似度を用いて紹介文を特定する紹介文特定機能と、をコンピュータに実現させるためのリンク集作成プログラムを提供する。
また、請求項７に記載の出力手段にて出力されたデータの内、少なくとも前記抽出したリンク先特定情報と、当該リンク先特定情報に関連付けられた第１の紹介文を格納する格納手段と、新規に取得した新規文書ファイルから、リンク先特定情報を抽出し、当該リンク先特定情報に関連付ける第２の紹介文を当該新規文書ファイルから抽出する新規紹介文抽出手段と、前記格納したデータから前記抽出した前記リンク先特定情報を検索する検索手段と、前記検索手段にて前記リンク先特定情報が検索された場合に、前記リンク先特定情報に関連付けられた第１の紹介文を取得する第１の紹介文取得手段と、前記第１の紹介文の類似度と前記第２の紹介文の類似度を比較する比較手段と、前記比較手段にて前記第２の紹介文の類似度の方が前記第１の紹介文の類似度よりも大きい場合に、前記格納手段にて格納した前記第１の紹介文を前記第２の紹介文にて置換する置換手段と、を更に具備したことを特徴とする請求項４に記載のリンク集作成装置を提供することも可能である。
【００１０】
【発明の実施の形態】
以下、本発明の好適な実施の形態について、図１から図５を参照して詳細に説明する。
図１は、本実施の形態に係るリンク集作成装置がリンク集を作成する方法を説明するための図である。
リンク集作成装置は、まずＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒｓ）を含む電子メール、掲示板、ニュースグループの投稿などの文書ファイル（ドキュメント）５を取得する。
文書ファイル５に含まれるＵＲＬは、リンク集ページに掲載するＵＲＬとして使用し、文書ファイル５に含まれる文書は当該ＵＲＬを紹介するための紹介文を作成する際に使用される。
これは、人から人へ伝達されたメッセージの本文中に含まれるＵＲＬは、紹介するだけの価値がある優良コンテンツである可能性が高い上、当該ＵＲＬの前後には、紹介者が送信相手に興味を持ってもらおうと、それなりに工夫した紹介文が付いていることが期待できるためである。
【００１１】
次に、文書ファイル５に含まれるＵＲＬ７を抽出すると共に、ＵＲＬ７が記載されていた場所の近傍にある文書を文書６、６、６、…、に分解する。文書６、６、６、…、の内、ＵＲＬ７でリンクされるコンテンツの内容に最もマッチ（類似）したものをＵＲＬ７の紹介文として使用する。
ＵＲＬ７の近傍の文書を分解するのは、ＵＲＬ７のリンク先を紹介する文書がＵＲＬ７の近傍にあると予想されるためである。
【００１２】
次に、文書ファイル５から抽出された文書６、６、６、…、のそれぞれの文書ベクトル１０、１０、１０、…、を設定する。これは、後にＵＲＬ７でリンクされるコンテンツについて得られた文書ベクトルと比較することによって、当該コンテンツの内容に最も類似した文書６、６、６、…、を特定するためである。文書ベクトルについては後程説明する。
【００１３】
一方抽出されたＵＲＬ７を用いてインターネットに接続し、リンク先のＷｅｂページのコンテンツに含まれる本文１１を取得する。そして、本文の文書ベクトル１２を設定する。
次に、文書ベクトル１０、１０、１０、…、と文書ベクトル１２を比較し、本文１１の内容と最も類似した文書６、６、６、…、を特定する。
例えば、２つのベクトルが平行に近いほど２つの文書は類似している考えられる。このような性質を用いて文書の類似度を適当な方法で数値化し、数値（スコア）を比較することにより最も類似した文書６を特定することができる。
【００１４】
比較の結果、本文１１と最も類似していると判断された文書６は、ＵＲＬ７と共に文書データベース１３に格納され、リンク集を作成する際のリンク先の説明文として使用される。
次に、各リンクの紹介文を文書分類器でカテゴリ毎にまとめて所定のコンピュータ言語、例えばＨＴＭＬ（Ｈｙｐｅｒｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）形式のファイル１５として出力する。なお、本実施の形態では、リンク集ページをディレクトリ型リンク集ページとして作成した。
【００１５】
図２は、本実施の形態に係るリンク集作成装置のシステム構成を概念的に示した図である。
なお、後に説明するように、本実施の形態におけるリンク集作成装置は一例としてパーソナルコンピュータ（以下ＰＣと記す）にリンク集作成プログラムをインストールすることにより構成した。
図２に示したようにリンク集作成装置のシステムは、文書取得手段２１、ＵＲＬ抽出手段２２、文書分解手段２３、紹介文決定手段２４、本文取得手段２７、文書データベース１３、クラスタリング器３３、文書分類器３２、図示しない文書要約器などから構成されている。
【００１６】
文書取得手段２１は、ＵＲＬを含んだ電子メール、掲示板、ニュースグループの投稿などの文書ファイル５を取得する手段であり、例えば、インターネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）などのネットワークと接続する通信制御部とＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などにより構成される。この他にも、文書ファイルを記憶した記憶媒体を駆動する記憶媒体駆動装置、紙面上などに記載された文書を読み取るスキャナなどで構成された文字認識装置などを使用することも可能である。
【００１７】
ＵＲＬ抽出手段２２は、文書中（テキスト中）のＵＲＬを検出して抽出する手段である。必要に応じて不要なＵＲＬの除去フィルタを設けることができる。例えばスパムメール（受信者に無差別に送信される勧誘や広告の電子メールなどの受信者にとって迷惑な電子メール）に対するフィルタは、インターネット上で公開されているブラックリストに記載されているＵＲＬなどを用いて構成することができる。
また、電子メールの差出人などの署名部分のＵＲＬはレイアウト解析器で除去する。
【００１８】
文書分解手段２３は、文書を当該文書を構成する文書に分解する手段であって、文書取得手段２１が文書ファイル５を取得し、文書ファイル５を文書６、６、６、…、に分解する。
本実施の形態では、文書分解手段２３は文書ファイル５に含まれているＵＲＬを検出し、当該ＵＲＬの前後、所定の個数、例えば２個分の文を分解して抽出するように構成した。
なお、これに限定せず、文書ファイル５の全てを対象に分解作業を行うように構成することも可能である。
【００１９】
本文取得手段２７は、ＵＲＬ抽出手段２２により取得したＵＲＬから実際のページ内容を取得し、文書データベース１３に登録する。
即ち、ＵＲＬ抽出手段２２により抽出されたＵＲＬを用いて、リンク先のコンテンツの本文１１（テキスト）を取得し、これを文書データベース１３に格納する手段である。本実施の形態では、例えば、インターネットと接続するための通信制御装置や文書データベース１３を駆動する記憶媒体駆動装置などにより構成されている。
更に、例えば、コンテンツが磁気ディスクや半導体メモリなどの記憶媒体に格納されている場合は、当該記憶媒体の駆動装置にてコンテンツを取得するように構成することもできる。
【００２０】
また、本文取得手段２７の使用に際しては、全対象ページの文書データベース１３をまず作成するようにする。即ち、リンク集ページを作成するために多数の文書ファイル５、５、５、・・・、から多数のＵＲＬを抽出するが、これらリンク集ページ作成の対象となる全てのＵＲＬに対して本文１１、１１、１１、・・・、を収集し、予め文書データベース１３に格納しておく。
これは、文書データベース１３のターム出現頻度などの統計情報が後に文書６、６、６、…、と本文１１の類似度判定を行う際に必要になるためである。
【００２１】
紹介文決定手段２４は、本文１１に最も類似した文書６を選択し、これを文書データベース１３に格納する手段である。紹介文決定手段２４にて選択された文書６は、ＵＲＬの紹介文として使用される。そのため、紹介文決定手段２４は、選択した文書６を対応するＵＲＬと関連付けて文書データベース１３に格納する。
なお、本実施の形態では、文書ベクトルを用いて本文１１と文書６、６、６、…、の類似度を判断することとした。
即ち、紹介文決定手段２４は、文書６、６、６、…、のそれぞれの文書ベクトル１０、１０、１０、…、と本文１１の文書ベクトル１２を設定し、本文１１と各文書ベクトル１０、１０、１０、・・・、に所定の演算を施して類似度を求める。そして、類似度が最も大きい文書ベクトル１０をもって紹介文とし、これを文書データベース１３に格納する。
なお、本実施の形態では、後に説明するＴＦ＊ＩＤＦスコアを用いて類似度を数値化した。
また、紹介文決定手段２４は、本文取得手段２７にて文書データベース１３に格納さた本文１１を用いて文書ベクトル１２を設定する。
【００２２】
文書データべース１３は、本文取得手段２７にて取得した文書や紹介文決定手段２４から取得した紹介文などを格納するためのデータベースである。
文書データベース１３には、ＵＲＬ抽出手段２２にて抽出されたＵＲＬ、当該ＵＲＬによりリンクするページのページ内容（本文１１）、当該ページの名称、当該ページの紹介文などが格納されている。これらのデータは、ＵＲＬ毎に互いに関連付けられて格納されている。即ち、ＵＲＬを特定すると当該ＵＲＬにて指定される本文１１、及び当該本文１１が掲載された当該ページの名称、当該ＵＲＬの紹介文などが特定できるようになっている。
【００２３】
クラスタリング器３３は、複数の文書からなる文書集合を、内容が似ているもの同士でグループ分け（クラスタリング）するものである。内容が似ているもの同士がグループとなるため、各グループに分類された文書は同一のカテゴリに属するものと考えることができる。そして、各グループに特徴的に出現する言葉を調べることにより、これらの言葉を文書分類器３２の教師データとして使用することができる。なお、教師データとは、文書分類器３２に文書分類を機械学習させるための正解データとして使用されるデータである。
【００２４】
例えば、あるグループに属する文書を調べた結果、学校名や「教育委員会」、「学級」、「数学」、「進学率」、「生徒」、「先生」、「校長」、「教育現場」、・・・、などの単語が特徴的に高い確率で出現する場合、当該グループは教育に関するカテゴリに属すると推定される。これらカテゴリを特徴付ける言葉（教師データ）を文書分類器３２に学習させることにより、文書分類器３２は、被分類文書中に出現する言葉を分析して当該被分類文書の属するカテゴリーを推定することができる。
【００２５】
クラスタリング器３３で生成するカテゴリ数は、予めユーザが設定することができる。例えば、カテゴリ数としてユーザが１００を設定した場合、クラスタリング器３３は、文書集合を１００のグループにクラスタリングする。
クラスタリング器３３は、内容が類似した文書を判別してグループを作成するため、カテゴリとして何が入っているかわからない文書の集合でも、文書間類似度によって文書をクラスタリングすることができるという利点がある。
更に詳細に述べると、クラスタリングの結果は木構造となり、枝の末端は個々の文書となっている。木構造の枝はカテゴリに対応し、枝に所属する文書は、そのカテゴリの教師データとして、文書分類器３２の学習に使用される。
【００２６】
文書分類器３２は、文書データベース１３に格納された紹介文を教師データを用いて何れのカテゴリに属するか判断して分類し、ディレクトリ型リンク集ページをＨＴＭＬ形式のファイルとして作成して出力する手段である。出力先は、例えば、ハードディスク、光磁気ディスク、半導体メモリなどの記憶媒体やネットワークを介して接続された他の端末装置などである。
文書分類器３２は、文書に出現する単語と特定のカテゴリに出現する頻度が高い単語とを比較し、当該文書の属するカテゴリを判断する。先に述べたように特定のカテゴリに出現する頻度が高い単語は教師データを用いて文書分類器３２に学習させておく。
【００２７】
より詳細に述べると、例えば、それぞれの語（単語・複合語）について、全体におけるの語出現確率と、教育カテゴリ中の語出現確率を統計的に算出しておけば、「教育」のカテゴリに特徴的に出現する語が特定できる。
分類対象の文書に出てくる語の１つ１つについて、カテゴリ毎の出現確率を教師データから求めておけば、文書全体で、どのカテゴリに属すると仮定するのが、最も合理的なのか確率的に計算することが可能である。
【００２８】
図示しない文書要約器は、本文１１に出現する重要語を基に、本文１１の要約を作成するものである。紹介文決定手段２４は、本文１１と文書６、６、６、・・・、の類似度の内、最も高い類似度が所定の閾値（予め設定された一定のスコア）に達しなかった場合は、本文１１を文書要約器にて要約したものを紹介文として採用する。
【００２９】
ここで、紹介文決定手段２４にて使用した文書ベクトルについて説明する。
文書中に出現する確率の高い単語は当該文書の属するカテゴリにより偏りがある。例えば、教育に関する文書の場合、学校名や「教育現場」、「進学率」などの教育に関する単語の出現確率が高くなり、映画に関する文書の場合、監督名、俳優名、映画タイトルや「撮影」、「映画館」などの映画に関する単語の出現確率が高くなる。このように、予め特定のカテゴリに特有な単語を重要語としてデータベース化しておき、文書に出現する単語とデータベース化された重要語とを比較することにより、当該文書のカテゴリを推定することができる。
【００３０】
文書ベクトルの次元はカテゴリを区別するために採用した重要語の数となる。例えば、教育カテゴリに属する文書と映画カテゴリに属する文書の集合体があって、これを教育カテゴリと映画カテゴリに分類したいとする。教育に関する重要語がＮ１個あり、映画に関する重要語がＮ２個あった場合、文書ベクトルはＮ１＋Ｎ２次元空間内のベクトルとして表される。そして、教育に関する文書の文書ベクトルは、共にほぼ同様の方向を指し、また、絵画に関する文書の文書ベクトルも共にほぼ同様の方向を指すと考えられ、これによって各文書の属するカテゴリを推定することができる。
【００３１】
更に、詳細に述べると、まず文書ベクトルを設定しようとする文書中から予めデータベース化してある重要語（教師データ）を自動抽出する。そして、当該文書の文書ベクトルを、例えば出現回数など所定の方法で重み付けした重要度ｆ（ｘ）を成分とするベクトルで表す。ｘは重要語である。
【００３２】
仮に、文書ベクトルを表現する空間の座標軸を、教育現場、進学率、撮影、映画館の４つの重要語で構成したとする。例えば、教育に関する文書Ａを解析した場合、ｆ（教育現場）＝１６、ｆ（進学率）＝１２、ｆ（撮影）＝１、ｆ（映画館）＝０などと、教育関係の単語に関する成分が大きくなり、文書Ａの文書ベクトルは（１６、１２、１、０）となる。
このように、文書ベクトルの方向と大きさは、当該文書のカテゴリを設定する際の指標とすることができる。
【００３３】
本実施の形態では、２つの文書の類似度を数値化する方法として、ＴＦ＊ＩＤＦスコアを用いた。
ＴＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ）は、該当文書中に、所定の語が出現した回数を表し、ＩＤＦ（Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）は以下の式１で表される値を表す。
ｌｏｇ（全体文書数／該当語を含む文書数）＋１…（式１）
ＴＦ＊ＩＤＦは、ＴＦとＩＤＦの積である。この値が大きい語ほど、文書全体の中から特定文書を弁別できることを意味し、ＴＦ＊ＩＤＦを文書ベクトルの成分の重みとして採用することができる。
ＴＦ＊ＩＤＦスコアと言うのは、２つの文書ベクトルにＴＦ＊ＩＤＦの重みを持たせて例えば、内積などで求めた類似度スコアである。
【００３４】
更に、ＴＦ＊ＩＤＦスコアを内積によって求める場合は、以下のようになる。
内容が同じカテゴリに関して書かれた文書の文書ベクトルは互いに平行に近くなる傾向がある。文書ベクトル間の角度は通常のベクトルと同様にして求めることができる。即ち、２つのベクトルの成す方向余弦（ｃｏｓθ）は、当該２つの文書ベクトル内積を求め、これをそれぞれの文書ベクトルの絶対値で除することにより求めることができる。この方向余弦の値から２つの文書ベクトルの成す角度（θ）を求めることができる。
なお、文書の類似度の判定法は、これに限定するものではなく、他の方法を用いても良い。
【００３５】
図３は、本実施の形態のリンク集作成装置が接続されるネットワークの構成の一例を示した図である。
当該ネットワークは、メールサーバ６２、Ｗｅｂサーバ６３、端末装置６４、６４、６４、…、などがインターネット６１に接続可能に配設されることにより構成されている。
インターネット６１は、公衆回線、光ファイバ網、衛星通信回線、移動体端末装置用無線回線などの通信回線が接続されることにより構成されている。
【００３６】
メールサーバ６２は、端末装置６４から電子メールのアップロードを受付、宛先の端末装置６４が接続した際に、当該電子メールを宛先の端末装置６４にダウンロードする。これによって、１のユーザから他のユーザに電子メールを送信することができる。なお、メールサーバの機能を単純化して説明したものであって、実際は、アップロード用のサーバ装置やダウンロード用のサーバ装置が複数台あり、電子メールのデータをサーバ装置間で転送しながら、所定のユーザにこれを配信している。
【００３７】
リンク集作成装置は、メールサーバ６２から紹介文を作成するための文書ファイル５を取得することができる。
Ｗｅｂサーバ６３は、端末装置６４、６４、６４、…、に対してＨＴＭＬ形式のファイルなどをダウンロードするサーバ装置である。図３では、Ｗｅｂサーバ６３は、１台のみ示してあるが、実際は複数のＷｅｂサーバがインターネット６１に接続しており、ユーザは、端末装置６４、６４、６４、…、からＵＲＬを入力することにより、Ｗｅｂサーバ６３と当該Ｗｅｂサーバ６３からダウンロードするＨＴＭＬ形式のファイルを特定することができる。
【００３８】
リンク集作成装置は、ＵＲＬ抽出手段２２により抽出したＵＲＬを用いて所定のＷｅｂサーバ６３から紹介文を決定する際に使用する本文１１をダウンロードすることができる。
Ｗｅｂサーバ６３が掲示板機能を提供している場合は、リンク集作成装置は当該掲示板から紹介文を作成するための素材である文書ファイル５を取得することも可能である。
【００３９】
端末装置６４、６４、６４、…、は、例えばＰＣなどを用いて構成されたクライアント端末装置であって、インターネット６１を介してメールサーバ６２、Ｗｅｂサーバ６３などと接続可能に構成されている。
端末装置６４は、リンク集作成プログラムなどを備えることにより、リンク集作成装置として機能させることができる。
リンク集作成機能を持った端末装置６４は、インターネット６１を介して、紹介文を作成するための素材である、ＵＲＬを含んだ文書ファイル５（電子メール、ニュースグループの投稿文書、掲示板の文書など）や、Ｗｅｂページの本文１１を取得することができる。
【００４０】
なお、端末装置６４は、ＰＣの他にも例えばインターネット接続可能なワードプロセッサ、インターネット接続可能なテレビ、移動体端末装置、などにより構成することも可能である。
また、端末装置６４は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｏｒｌｄ Ａｒｅａ Ｎｅｔｗｏｒｋ）などを介してインターネット６１に接続するように構成しても良い。
【００４１】
図４は、リンク集作成装置４０の具体的な構成の一例を示した図である。
本実施の形態では、リンク集作成装置をＰＣを用いて構成した。
リンク集作成装置４０は、システム全体を制御するための制御部４１を備えている。
そして、制御部４１は、ＣＰＵ４２、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）４３、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）４４などから構成されている。
ＲＯＭ４３は、ＣＰＵ４２が各種演算や制御を行うための各種プログラムやデータを格納したリードオンリーメモリである。ＣＰＵ４２は、ＲＯＭ４３からプログラムやデータを読み込むことはできるが、これらを書き換えたり消去することはできない。
【００４２】
ＲＡＭ４４は、ＣＰＵ４２にワーキングメモリとして使用されるランダムアクセスメモリである。ＣＰＵ４２は、ＲＡＭ４４にプログラムやデータなどを書込んだり消去したりすることができる。本実施の形態では、ＲＡＭ４４には、文書分解処理、文書べクトル設定処理、クラスタリング処理、ディレクトリ型リンク集ページ作成処理などの各種処理を行うためのエリアが確保可能となっている。
【００４３】
制御部４１には、バスライン４９を介してキーボード４５、マウス４６、表示装置４７、印刷装置４８、記憶装置５３、記憶媒体駆動装置５７、入出力インターフェース５８、文字認識装置５９などが接続されている。
キーボード４５は、ユーザがユーザがカテゴリ数を手動で設定する場合にカテゴリ数を入力したり、又はその他の文字や情報を入力するためのデバイスである。キーボード４５は、カナや英文字などを入力するためのキーや数字を入力するためのテンキー、各種機能キー、カーソルキー及びその他のキーによって構成されている。
【００４４】
マウス４６は、ポインティングデバイスであって、表示装置４７上に表示されたボタンやアイコンをクリックすることにより、所定の機能の指定を行う入力装置である。
表示装置４７は、例えば例えばＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ、液晶ディスプレイ、プラズマディスプレイなどで構成される。
表示装置４７には、例えば、インターネットを介してサーバ装置から送られてきた各種画面や電子メール、リンク集作成装置４０にて作成されたディレクトリ型リンク集ページなどをユーザに対して表示する。
【００４５】
印刷装置４８は、文書６、６、６、…、や画像などを紙などの印刷媒体に印刷するデバイスであって、例えば、インクジェットプリンタ、レーザプリンタ、熱転写プリンタ、ドットプリンタなどの各種プリンタ装置によって構成されている。
通信制御部５０は、ＣＰＵ４２にコントロールされながらＷｅｂサーバやメールサーバなどとリンク集作成装置４０を接続するための制御装置である。
通信制御部５０を介して、説明文を作成する素材である文書ファイル５を取得したり、ＵＲＬ抽出手段にて抽出されたＵＲＬにて指定されるサイトから本文１１を取得したりすることができる。
【００４６】
記憶装置５３は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータを読み書きするための駆動装置によって構成されている。この記憶媒体として主にハードディスクが使用されるが、その他に、例えば、光磁気ディスク、磁気ディスク、半導体メモリなどの他の読み書き可能な記憶媒体によって構成することも可能である。
記憶装置５３には、リンク集作成処理プログラム５４、文書データベース１３、ブラウザ、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）、インターネット接続プログラムその他のプログラムやデータベースなどが格納されている。
【００４７】
リンク集作成プログラム５４は、リンク集作成装置４０が、ディレクトリ型リンク集ページを作成するための機能を実現するためのプログラムである。
リンク集作成プログラム５４が起動される場合は、全部又は動作に必要な部分がＲＡＭ４４にロードされる。ＣＰＵ４２は、ＲＡＭ４４にロードされたリンク集作成プログラム５４をレジスタ（ＣＰＵ４２内のメモリ）に読み込んでこれに従って動作し、図２に示した文書取得手段２１、ＵＲＬ抽出手段２２、文書分解手段２３、紹介部決定手段２４、本文取得手段２７、クラスタリング器３３、文書分類器３２などの機能を実現する。
【００４８】
ブラウザは、ＨＴＭＬ形式のファイル（ＨＴＭＬ言語によって表示装置４７に表示する画面やリンク先などが記述されている）を用いて表示装置４７に所定の画面を表示したり、表示された画面に対してユーザが入力したデータをネットワーク接続したサーバ装置に送信したりなどする機能を実現するためのプログラムである。ブラウザで表示されるＨＴＭＬ形式のファイルは、例えば、リンク集作成装置４０とネットワーク接続されたサーバ装置からダウンロードしたり、記憶媒体などから取得する。ＣＰＵ４２は、ブラウザが持つ機能を実現することにより、文書分類器３２が作成したディレクトリ型リンク集ページを表示装置４７に表示することができる。
【００４９】
ＯＳは、リンク集作成装置４０（本実施の形態ではＰＣ）を動作させるための基本的なプログラムであり、例えばＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）にて、ユーザがリンク集作成装置４０を操作できる環境を実現することができる。
インターネット接続プログラムは、通信制御部５０を介してＣＰＵ４２をインターネットに接続し、インターネット上に設置されたＷｅｂサーバやメールサーバなどとデータの送受信を制御する機能を実現するためのプログラムである。
【００５０】
記憶媒体駆動装置５７は、ＣＰＵ４２が外部の記憶媒体からコンピュータプログラム、紹介文を作成するための素材である電子メールなどの文書ファイル５やその他のデータが記憶された着脱可能な記憶媒体を駆動するための駆動装置である。
この着脱可能な記憶媒体としては、磁気ディスク、光磁気ディスク、半導体メモリなどの読み書き可能な媒体が使用され、この記憶媒体にリンク集作成プログラム５４や文書データベース１３、文書分類器３２が作成したディレクトリ型リンク集ページ３１を表示するためのデータなど格納することも可能である。
また、ＣＤ−ＲＯＭなどの読み出しのみ可能な記憶媒体を駆動することも可能である。
【００５１】
入出力インターフェース５８は、例えば、シリアルインターフェースやその他の規格のインターフェースにより構成されており、リンク集作成装置４０と外部の機器を接続するためのインターフェースである。入出力インターフェース５８により、例えばジョイスティックやマイクロフォンなどの入力装置や、スピーカなどの出力装置、或いは、記憶媒体駆動装置などの入出力装置などを接続し、リンク集作成装置４０と外部機器との入出力を行うことができる。
文字認識装置５９は、紙などの印刷媒体などに記載されたテキスト文書やＨＴＭＬ文書を読み取って認識する装置であって、イメージスキャナや文字認識プログラムなどに構成されている。文字認識装置５９により、用紙などに印刷された文書ファイル５をリンク集作成装置４０に入力することが可能である。
【００５２】
図５は、リンク先作成装置４０がリンク先ページを作成する手順を示したフローチャートである。
まず、ユーザはリンク先作成装置４０をメールサーバ６２やＷｅｂサーバ６３などに接続し、文書取得手段２１によってＵＲＬを含んだ文書ファイル５を取得する（ステップ１０）。文書ファイル５は、リンク先サイトの紹介文を作成するための素材となる。また、必要に応じて文書ファイル５を記憶装置５３に格納しておくこともできる。
【００５３】
次に、文書取得手段２１にて取得した文書ファイル５からＵＲＬを抽出する（ステップ１５）。このとき、スパムメールなどはフィルタを用いて取り除き、署名欄はレイアウト解析器にて取り除く。
また、ＵＲＬ抽出手段２２は、検出したＵＲＬを文書データベース１３に問い合わせる。問い合わせの結果、当該ＵＲＬにて特定される本文１１が文書データベース１３内に既存であることが確認できた場合、次に述べる本文取得手段２７による本文１１の取得は行わず、文書データベース１３に格納されている本文１１を用いて作業を行う。
【００５４】
本文取得手段２７が、ＵＲＬ抽出手段２２にて抽出されたＵＲＬにて特定されるサイトから本文１１を取得し、これを文書データベース１３に格納する（ステップ２０）。この段階では当該サイトに対する紹介文は未決定である。
次に、文書分解手段２３が、文書ファイル５中のＵＲＬを検出し、ＵＲＬ前後の自然文を規定文数だけ紹介文候補として抽出する（ステップ３０）。
【００５５】
次に、紹介文決定手段２４が、文書分解手段２３で得た各候補文と文書データベース１３に格納した本文１１との類似度を計算する（ステップ３５）。
ステップ３５における類似度の計算は、文書６、６、６、…、に対する文書ベクトル１０、１０、１０、…、と本文１１に対する文書ベクトル１２を設定し、これらに対して所定の演算を施すことにより類似度が数値化される。
【００５６】
次に、紹介文決定手段２４は、類似度が最も大きい文書６を特定した後、当該文書６の類似度が所定の閾値に達しているかどうかを判断する（ステップ４０）。
類似度が所定の閾値に達している場合は（ステップ４０；Ｙ）、紹介文決定手段２４は、当該文書６を紹介文として対応するＵＲＬと共に文書データベース１３に出力する。
類似度が所定の閾値に達していない場合は（ステップ４０；Ｎ）、文書要約器が起動して本文１１の要約文を生成する（ステップ４５）。文書要約器は生成した要約文を紹介文として対応するＵＲＬと共に文書データベース１３に出力する。
【００５７】
文書分類器３２は、紹介文をＵＲＬと共にカテゴリ毎にまとめて（ステップ５０）、ＨＴＭＬファイルにて出力する（ステップ５５）。
なお、入力テキストを追加する場合、文書データベース１３の統計情報が十分であれば、上記のステップ１０からステップ２０までを省略でき、文書データベース１３に格納されているデータを用いてステップ２５以下を行うことが可能である。
【００５８】
以上、本実施の形態では、文書分類器３２が、ＨＴＭＬファイルにてリンク集ページを出力するように構成したが、これはリンク集ページを作成するコンピュータ言語をＨＴＭＬに限定するものではなく、例えばＪａｖａ、ＪａｖａＳｃｒｉｐｔ、ＸＭＬ（Ｅｘｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）、Ｐｅｒｌ、ＸＨＴＭＬ（Ｅｘｔｅｎｓｉｂｌｅ Ｈｙｐｅｒｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）その他のコンピュータ言語を用いて作成しても良い。Ｊａｖａ、ＪａｖａＳｃｒｉｐｔを用いてリンク集ページを構成すると、初期画面でディレクトリの階層のトップだけが表示され、マウスなどでフォーカスを移動すると階層の下が展開されるといった動的なページ表現を行うことが可能である。
【００５９】
また、本実施の形態では、文書ファイル５からＵＲＬ抽出手段２２にてＵＲＬを抽出した後、文書分解手段２３にて文書ファイル５を文書６、６、６、…、に分解したが、これに限定するものではなく、ＵＲＬの抽出と文書ファイル５の分解を同時に行っても良いし、又は、文書ファイル５を分解した後にＵＲＬを抽出するように構成することもできる。
文書ファイル５を分解した後にＵＲＬを抽出する場合は、例えば、文書ファイル５の全てを分解し、分解後にＵＲＬ近傍の文書６、６、６、・・・、を抽出するようにすることができできる。
【００６０】
本実施の形態では、ディレクトリ型リンク集ページを作成したが、これに限定するものではなく、ディレクトリ型でないリンク集ページを作成するように構成することもできる。
また、リンク集ページに限らず、例えばユーザが入力したキーワードにヒットする紹介文及びＵＲＬを文書データベース１３から検索するように構成することもできる。
また、本実施の形態では、リンク集作成プログラムをクライアント端末装置であるＰＣに設置したが、これに限定するものではなく、例えば、Ｗｅｂサーバ装置に設置してサーバ上でリンク集ページを作成し、クライアント端末装置から当該リンク集ページを利用できるように構成しても良い。
【００６１】
以上に述べた本実施の形態では、以下のような効果が得られる。
電子メール、掲示板、ニュースグループの投稿に埋もれている、人から人へ紹介されたＵＲＬ情報を、利用しやすいディレクトリ型リンク集に加工する処理を自動的に行うことができる。
メーリングリスト、掲示板、ニュースグループのアーカイブなど、特定の読者層を対象にした大量のテキストデータから、上記ＵＲＬと紹介文の組を抽出し、分類配置することができる。
リンク作成者の作業は、最初の分類カテゴリ作成だけで、リンク集メンテナンス作業から開放される。
通常の自然文によるＵＲＬ紹介メッセージを投稿するだけで、二次加工されて情報活用されるので、投稿者への動機付けとなり、このシステムを採用したメーリングリスト、掲示板の投稿活動が活性化される。
【００６２】
（実施の形態の変形例１）
上記、実施の形態では、文書分類器３２に与える教師データは、クラスタリング器３３が作成し、文書分類器３２に与えたが、これは、ユーザが作成して文書分類器３２に与えることもできる。
この場合は、例えば「教育」に関連するＵＲＬを１００個、「映画」に関連するＵＲＬを１００個、…、などと各カテゴリに属するＵＲＬをインターネット上でディレクトリサービスを行っている既存のサイトから集めて来る。そして、これらのＵＲＬにて指定されるサイトに掲載されている文書も集める。
即ち、所定のカテゴリに属することがわかっているデータを適当な数だけ集めるのである。そして、これらのデータを、文書分類器３２に学習させるための教師データとして使用することができる。
【００６３】
変形例１では、リンク集作成装置４０がクラスタリング器３３を装備していない場合でもリンク集を作成することができる。
【００６４】
（本実施の形態の変形例２）
本変形例は、既に作成してあるリンク集ページに掲載されている紹介文よりも、より本文に類似した紹介文を取得した場合に、前者の紹介文を後者の紹介文で置き換えることによりリンク集ページを更新するものである。システム的には図２のシステム構成に紹介文更新手段を追加する。
【００６５】
文書データベース１３には、前回にリンク集ページを作成した際のデータ（ＵＲＬ、紹介文など）が格納されているものとする。
文書６、６、６、…、からＵＲＬの紹介文を決定するところまでは実施の形態と同じである。このように新たに取得したＵＲＬと紹介文をそれぞれ新規ＵＲＬ、新規紹介文と呼ぶことにする。
紹介文更新手段は、まず、新規ＵＲＬと同じＵＲＬが存在するかどうか文書データベース１３を検索する。
【００６６】
同じＵＲＬが存在しなかった場合は、紹介文更新手段は、新規ＵＲＬと新規紹介文を文書データベース１３に追加する。
後は、実施の形態と同様にしてクラスタリング器３３や文書分類器３２などを用いてディレクトリ型リンク集ページ３１を生成する。
【００６７】
同じＵＲＬが存在する場合は、紹介文更新手段は、既に文書データベース１３に格納されている当該ＵＲＬに係る紹介文（旧紹介文と呼ぶことにする）の文書ベクトルと新規紹介文の文書ベクトルを生成して本文１１との類似度を比較する。
類似度の比較の結果、新規紹介文の方が旧紹介文よりも本文１１に類似していた場合は、紹介文更新手段は、文書データベース１３内の旧紹介文を新規紹介文で置き換える。
【００６８】
類似度比較の結果、旧紹介文の方が新規紹介文よりも本文１１に類似している場合は、紹介文更新手段は、文書データベース１３内の旧紹介文をそのまま保持する。
以上に示したように、紹介文更新手段を起動することにより文書データベース１３内の紹介文は、より適切にリンク先を紹介する紹介文に更新することができる。そして、更新後に文書分類器３２を起動してディレクトリ型リンク集ページ３１を新たに生成することにより、ディレクトリ型リンク集ページを更新することができる。
【００６９】
（本実施の形態の変形例３）
本変形例は、紹介文決定手段２４にて計算した文書６、６、６、…、の本文１１に対する類似度の内、最も大きいものが所定の閾値に達しなかった場合に、本文１１を文書要約器にて生成した要約文を用いて文書６、６、６、…、類似度を計算するものである。
これは、文書要約器にて本文１１を要約することにより、文書６、６、６、・・・、との類似度を高めることが期待できるためである。
これは、本文１１を要約することにより、本文１１の要旨と関係の無い部分がカットされるため、要旨と関係の無い部分に含まれる言葉によるベクトル成分の文書ベクトルに対する寄与が少なくなるためである。
【００７０】
図６は、本変形例において、リンク先作成装置４０がリンク先ページを作成する手順を示したフローチャートである。
図５のフローチャートと対応するステップには、同じステップ番号を付してある。
ステップ１０からステップ３５までは、発明の実施の形態と同じである。
紹介文決定手段２４は、文書６、６、６、…、の本文１１に対する類似度を計算した後、最も大きい類似度が所定の閾値に達しているか否かを判断する（ステップ４０）。
類似度が所定の閾値に達している場合は（ステップ４０；Ｙ）、紹介文決定手段２４は、当該文書６を紹介文として対応するＵＲＬと共に文書データベース１３に出力する。
【００７１】
類似度が所定の閾値に達していない場合は（ステップ４０；Ｎ）、文書要約器が起動して本文１１の要約文を生成する（ステップ４５）。
文書要約器は、生成した要約文を文書データベース１３に出力する。紹介文決定手段２４は、文書データベース１３から当該要約文を取得し、これを新たな文書１１として文書６、６、６、…、の当該要約文に対する類似度を計算する（ステップ３５）。
以下、類似度が所定の閾値に達するまで、ステップ３５、４０、４５を繰り返す。
類似度が所定の閾値に達した場合は、文書６、６、６、…、から最も類似度が大きかった文書がリンク先のサイトの紹介文となる。
【００７２】
以上の構成は、ステップ３５、４０、４５を所定の回数だけ繰り返しても類似度が閾値に達しなかった場合は、文書要約器にて本文１１を要約したものを紹介文とするように構成しても良い。
また、本文取得手段２７にて取得した本文１１を、まず文書要約器にて要約した後、当該要約後の本文に対する文書６、６、６、…、の類似度を算出するように構成することもできる。
【００７３】
変形例３によれば、たとえ文書６、６、６、…、の本文１１に対する類似度が所定の類似度に達しない場合でも、本文１１の内容に最も類似すると思われる文書６を紹介文として採用することができる。
【００７４】
【発明の効果】
本発明によれば、リンク集を自動作成作成することができる。
【図面の簡単な説明】
【図１】リンク集作成装置がリンク集を作成する方法を説明するための図である
【図２】リンク集作成装置のシステム構成を概念的に示した図である。
【図３】本実施の形態のリンク集作成装置が接続されるネットワークの構成の一例を示した図である。
【図４】リンク集作成装置の具体的な構成の一例を示した図である。
【図５】リンク集作成装置がリンク先ページファイルを作成する手順を示したフローチャートである。
【図６】変形例３に係るリンク集作成装置がリンク先ページファイルを作成する手順を示したフローチャートである。
【図７】ディレクトリ構造の一例を説明するための図である。
【符号の説明】
５ 文書
６ 文書
７ ＵＲＬ
１０ 文書ベクトル
１１ 本文
１２ 文書ベクトル
１３ 文書データベース
１５ ファイル
２１ 文書取得手段
２２ ＵＲＬ抽出手段
２３ 文書分解手段
２４ 紹介文決定手段
２７ 本文取得手段
３１ ディレクトリ型リンク集ページ
３２ 文書分類器
３３ クラスタリング器
４０ リンク集作成装置
４１ 制御部
４２ ＣＰＵ
４３ ＲＯＭ
４４ ＲＡＭ
４５ キーボード
４６ マウス
４７ 表示装置
４８ 印刷装置
５０ 通信制御部
５３ 記憶装置
５４ リンク集作成プログラム
５７ 記憶媒体駆動装置
５８ 入出力インターフェース
５９ 文字認識装置
６１ インターネット
６２ メールサーバ
６３ Ｗｅｂサーバ
６４ 端末装置

Claims (11)

1. 文書ファイルを取得する文書取得手段と、
   前記取得した文書ファイルに含まれるリンク先特定情報を抽出するリンク先特定情報抽出手段と、
   前記抽出したリンク先特定情報で特定されるリンク先に含まれるリンク先文書を取得するリンク先文書取得手段と、
   前記取得した文書ファイルに含まれている文書から複数の紹介文候補を抽出する紹介文候補抽出手段と、
   前記抽出した各紹介文候補の前記取得したリンク先文書に対する類似度を算出する類似度算出手段と、
   前記算出した類似度を用いて紹介文を特定する紹介文特定手段と、
   を具備したことを特徴とするリンク集作成装置。
2. 前記類似度算出手段は、前記リンク先文書の文書ベクトルと前記紹介文候補の文書ベクトルを用いて所定の演算を行うことにより前記類似度を算出することを特徴とする請求項１に記載のリンク集作成装置。
3. 前記紹介文特定手段は、前記類似度が最も大きい前記紹介文候補を紹介文として特定することを特徴とする請求項１又は請求項２に記載のリンク集作成装置。
4. 前記リンク先文書を要約して要約文を生成する要約手段を更に具備し、
   前記算出した類似度の内、最も大きいものが所定の閾値に達しない場合に、前記要約手段は、前記リンク先文書の要約文を生成し、
   前記紹介文特定手段は、前記要約手段が生成した前記要約文を紹介文として特定することを特徴とする請求項１又は請求項２に記載のリンク集作成装置。
5. 前記リンク先文書を要約して要約文を生成する要約手段を更に具備し、
   前記算出した類似度の内、最も大きいものが所定の閾値に達しない場合に、前記要約手段は、前記リンク先文書の要約文を生成し、
   前記類似度算出手段は、前記生成した前記要約文に対する前記各紹介文候補の類似度を算出し、
   前記紹介文特定手段は、前記類似度が最も大きい紹介文候補を紹介文として特定することを特徴とする請求項１又は請求項２に記載のリンク集作成装置。
6. 前記リンク先文書を要約して要約文を生成する要約手段を更に具備し、
   前記リンク先文書取得手段は、前記要約手段で生成した要約文をリンク先文書として取得することを特徴とする請求項１、請求項２又は請求項３に記載のリンク集作成装置。
7. 前記紹介文特定手段にて特定した前記紹介文の内容から、当該紹介文が属するカテゴリを特定するカテゴリ特定手段と、
   前記紹介文に、当該紹介文に対応するリンク先特定情報と前記特定したカテゴリを関連けて出力する出力手段と、
   を更に具備したことを特徴とする請求項１から請求項６までの内の何れかの１の請求項に記載のリンク集作成装置。
8. 前記出力手段は、前記紹介文を当該紹介文に対応したリンク先特定情報と共に所定のコンピュータ言語で記述したディレクトリ構造として出力し、前記ディレクトリ構造は、紹介文のカテゴリを階層的に配置したツリー構造を有していることを特徴とする請求項７に記載のリンク集作成装置。
9. 前記リンク先特定情報は、前記リンク先のサイトを特定するＵＲＬであることを特徴とする請求項１から請求項８までの内の何れかの１の請求項に記載のリンク集作成装置。
10. 文書取得手段と、リンク先特定情報抽出手段と、リンク先文書取得手段と、紹介文候補抽出手段と、類似度算出手段と、紹介文特定手段と、を備えたコンピュータにおいて、
    前記文書取得手段で、文書ファイルを取得する文書取得ステップと、
    前記リンク先特定情報抽出手段で、前記取得した文書ファイルに含まれるリンク先特定情報を抽出するリンク先特定情報抽出ステップと、
    前記リンク先文書取得手段で、前記抽出したリンク先特定情報で特定されるリンク先に含まれるリンク先文書を取得するリンク先文書取得ステップと、
    前記紹介文候補抽出手段で、前記取得した文書ファイルに含まれている文書から複数の紹介文候補を抽出する紹介文候補抽出ステップと、
    前記類似度算出手段で、前記抽出した各紹介文候補の前記取得したリンク先文書に対する類似度を算出する類似度算出ステップと、
    前記紹介文特定手段で、前記算出した類似度を用いて紹介文を特定する紹介文特定手ステップと、
    から構成されたことを特徴とするリンク集作成方法。
11. 文書ファイルを取得する文書取得機能と、
    前記取得した文書ファイルに含まれるリンク先特定情報を抽出するリンク先特定情報抽出機能と、
    前記抽出したリンク先特定情報で特定されるリンク先に含まれるリンク先文書を取得するリンク先文書取得機能と、
    前記取得した文書ファイルに含まれている文書から複数の紹介文候補を抽出する紹介文候補抽出機能と、
    前記抽出した各紹介文候補の前記取得したリンク先文書に対する類似度を算出する類似度算出機能と、
    前記算出した類似度を用いて紹介文を特定する紹介文特定機能と、
    をコンピュータに実現させるためのリンク集作成プログラム。

Images