JP3622503B2 - 特徴文字列抽出方法および装置とこれを用いた類似文書検索方法および装置並びに特徴文字列抽出プログラムを格納した記憶媒体および類似文書検索プログラムを格納した記憶媒体 - Google Patents
特徴文字列抽出方法および装置とこれを用いた類似文書検索方法および装置並びに特徴文字列抽出プログラムを格納した記憶媒体および類似文書検索プログラムを格納した記憶媒体 Download PDFInfo
- Publication number
- JP3622503B2 JP3622503B2 JP14872198A JP14872198A JP3622503B2 JP 3622503 B2 JP3622503 B2 JP 3622503B2 JP 14872198 A JP14872198 A JP 14872198A JP 14872198 A JP14872198 A JP 14872198A JP 3622503 B2 JP3622503 B2 JP 3622503B2
- Authority
- JP
- Japan
- Prior art keywords
- character string
- document
- feature
- text
- gram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99931—Database or file accessing
- Y10S707/99933—Query processing, i.e. searching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99931—Database or file accessing
- Y10S707/99933—Query processing, i.e. searching
- Y10S707/99935—Query augmenting and refining, e.g. inexact access
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99944—Object-oriented database structure
- Y10S707/99945—Object-oriented database structure processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、文書に記述された内容の特徴を表す文字列を抽出する方法および装置並びに文字列抽出プログラムを格納した記憶媒体と、この方法および装置を用いて、ユーザが指定した文書に記述されている内容と類似する内容を含む文書を文書データベースの中から検索する方法および装置並びに検索プログラムを格納した記憶媒体に関する。
【０００２】
【従来の技術】
近年、パーソナルコンピュータやインターネット等の普及に伴い、電子化文書が爆発的に増加しており、今後も加速度的に増大していくものと予想される。このような状況において、ユーザが所望する情報を含んだ文書を高速かつ効率的に検索したいという要求が高まってきている。
【０００３】
このような要求に応える技術として全文検索がある。全文検索では、検索対象文書をテキストとして計算機システムに登録してデータベース化し、この中からユーザが指定した検索文字列（以下、検索タームと呼ぶ）を含む文書を検索する。このように全文検索では、文書中の文字列そのものを対象として検索を行うため、予めキーワードを付与し、このキーワードを手掛りに検索する従来のキーワード検索システムとは異なり、どんな言葉でも検索ができるという特長がある。
【０００４】
しかし、ユーザが所望する情報を含んだ文書を的確に検索するためには、ユーザの検索意図を正確に表わす複雑な検索条件式を作成し、入力する必要がある。これは、情報検索の専門家でない一般のユーザにとっては容易なことではない。
【０００５】
この繁雑さを解消するために、ユーザが自分の所望する内容を含んだ文書（以下、種文書と呼ぶ）を例示し、その文書と類似する文書を検索する類似文書検索技術が注目されている。
【０００６】
類似文書検索の方法としては、例えば、「特開平８−３３５２２２号公報」に、形態素解析により種文書中に含まれる単語を抽出し、これを用いて類似文書を検索する技術（以下、従来技術１と呼ぶ）が開示されている。
【０００７】
従来技術１では、形態素解析により種分書中に含まれる単語を抽出し、この単語を含む文書を類似文書として検索する。例えば、文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」を種文書とする場合、形態素解析により単語辞書を参照して、「携帯電話」「マナー」「問題」等の単語を抽出する。この結果、「携帯電話」を含む文書２「・・・。電車内での携帯電話の使用は禁止されている・・・」を類似文書として検索することができる。
【０００８】
しかし、従来技術１では、単語の抽出に単語辞書を用いるため、次のような２つの問題がある。
【０００９】
まず、単語辞書に掲載されていない単語が文書の本質的な内容（以下、中心概念と呼ぶ）を表わす場合、この単語が種文書から検索用の単語として抽出されないため、他の単語によって類似検索が行われたとしても、文書の中心概念が正確に検索できない恐れがある。すなわち、ユーザが所望する情報が新語で表されるような場合、これが単語辞書に含まれていないと、目的とする中心概念からずれた文書が検索されてしまうという問題がある。
【００１０】
次に、ユーザが所望する情報を表わす言葉が単語辞書に掲載されている場合でも、単語の抽出の仕方によっては検索の対象とする中心概念がずれてしまうという問題がある。例えば、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」という種文書からは、「携帯電話」「マナー」「問題」等の単語が抽出される。しかし、「電話」という単語が抽出されないため文書３「・・・。電話での話し方について注意された。・・・」という文書の類似度が低く算出されてしまう恐れがある。
【００１１】
これらは、全て単語辞書を用いて検索用の単語を抽出する方法を用いていることに起因する。
【００１２】
以上が従来技術１の問題点である。
【００１３】
この問題を解決するために、「特願平９−３０９０７８号」で、単語辞書を用いずに、種文書中から漢字やカタカナ等の文字種別に連続する ｎ文字の文字列（以下、ｎ−ｇｒａｍと呼ぶ）を漢字やカタカナ等の文字種別に機械的に抽出し、これを用いて類似文書を検索する技術（以下、従来技術２と呼ぶ）を提案した。
【００１４】
従来技術２では、文字種別にｎ−ｇｒａｍの抽出方法を変え、意味のまとまりをもったｎ−ｇｒａｍ（以下、特徴文字列と呼ぶ）を抽出する。例えば、漢字で構成される文字列（以下、漢字文字列と呼ぶ）からは機械的に２−ｇｒａｍを抽出し、カタカナで構成される文字列（以下、カタカナ文字列と呼ぶ）からは、カタカナで構成される最長の文字列（以下、カタカナ最長文字列と呼ぶ）、すなわちカタカナ文字列そのものを抽出する。この場合、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」という種文書からは、「携帯」「帯電」「電話」「使用」「マナー」「問題」等という特徴文字列が抽出される。すなわち、「電話」という文字列も漏れなく抽出されるため、従来技術１では低い類似度が算出されてしまう文書３「・・・。電話での話し方について注意された。・・・」についても正しく類似度が算出されるようになる。
【００１５】
しかし、従来技術２では、複合語を構成する可能性のある漢字文字列等からは、単語間にまたがるｎ−ｇｒａｍも抽出する可能性がある。このため、これを検索に用いると、内容の類似しない文書に対してまでも類似度が算出され、この結果、関連のない文書が類似文書として検索されるという問題が生じる。例えば、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」という種文書から抽出された「帯電」という特徴文字列により類似度が算出され、文書４「・・・。電荷の帯電を防ぐために、接地しなくてはならない。・・・」という文書が類似文書として誤って検索されてしまうという問題がある。
【００１６】
この問題を解決するための技術として、「情報処理学会論文誌 ｐｐ．２２８６〜２２９７， Ｖｏｌ．３８， Ｎｏ．１１， Ｎｏｖ．１９９７」に、１−ｇｒａｍの統計情報を用いて特徴文字列を抽出する技術（以下、従来技術３と呼ぶ）が提案されている。
【００１７】
従来技術３では、文書登録時に登録文書中に出現する各１−ｇｒａｍについて、単語の先頭である確率（以下、先頭確率と呼ぶ）と末尾である確率（以下、末尾確率と呼ぶ）を算出しておく。ここでは、単語を、漢字やカタカナ等の文字種境界で区切られ、単一の文字種で構成される文字列（以下、単一文字種文字列と呼ぶ）とし、文字種境界の直後に位置する１−ｇｒａｍを単語の先頭にある１−ｇｒａｍとし、文字種境界の直前に位置する１−ｇｒａｍを単語の末尾にある１−ｇｒａｍとしている。
【００１８】
例えば、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」から文字種境界で抽出した“使用”という漢字文字列では、“使”が単語の先頭にある１−ｇｒａｍで、“用”が単語の末尾にある１−ｇｒａｍとなる。
【００１９】
類似文書検索時には、まず指定された種文書から単一文字種文字列を抽出する。次に、単一文字種文字列内の連続する２個の１−ｇｒａｍにおける前方の１−ｇｒａｍの末尾確率と後方の１−ｇｒａｍの先頭確率から、これらの１−ｇｒａｍ間で単一文字種文字列が分割される確率（以下、分割確率と呼ぶ）を算出し、この値が所定の値（以下、分割閾値と呼ぶ）を越えている場合には、そこで単一文字種文字列を分割するという処理を行う。
【００２０】
以下、分割閾値を０．０５０として、従来技術３の具体的な処理方法を説明する。
【００２１】
まず、文書登録時には全登録対象文書中に出現する各１−ｇｒａｍについて、出現回数、単語の先頭に出現する回数（以下、先頭回数と呼ぶ）および末尾に出現する回数（以下、末尾回数と呼ぶ）を計数し、出現情報ファイルに格納する。例えば、上記の文書１では“携”の出現回数は１回、先頭回数は１回および末尾回数は０回という出現情報が得られる。図２に出現情報ファイルの例を示す。
【００２２】
その後、上記出現情報ファイルを参照し、各１−ｇｒａｍについて、それぞれ先頭確率と末尾確率を算出し、出現確率ファイルに格納する。例えば、１−ｇｒａｍ“携”の先頭確率は７６８ ／ ４，７４０ ＝ ０．１６、末尾確率は ４９２ ／ ４，７４０ ＝ ０．１０となる。図３に出現確率ファイルの例を示す。
【００２３】
次に、単一文字種文字列「携帯電話」を例として、従来技術３の文書検索方法を説明する。
【００２４】
まず、単一文字種文字列「携帯電話」の中から１−ｇｒａｍの二つの組として、（“携”，“帯”）、（“帯”，“電”）および（“電”，“話”）の３個を抽出する。次に、各１−ｇｒａｍの組において、前方の１−ｇｒａｍの末尾確率と後方の１−ｇｒａｍの先頭確率を、登録時に作成した出現確率ファイルから取得し、分割確率を算出する。
【００２５】
図４に、「携帯電話」から抽出した３個の１−ｇｒａｍの組における分割確率の算出過程を示す。本例では、（“携”，“帯”）、（“帯”，“電”）および（“電”，“話”）の分割確率として、それぞれ０．０１１、０．０５４および０．００５が算出され、これらの分割確率のうち、（“帯”，“電”）の０．０５４が分割閾値０．０５０より大きいので、“帯”と“電”の間で分割される。一方、（“携”，“帯”）および（“電”，“話”）の分割確率はそれぞれ０．０１１および０．００５であり、これらは分割閾値０．０５０より小さいので、これらの１−ｇｒａｍ間では分割されない。その結果、「携帯電話」が“帯”と“電”の間で分割され、「携帯」と「電話」の２個の特徴文字列が抽出されることになる。
【００２６】
以上が、従来技術３の具体的な処理方法である。このように従来技術３では、１−ｇｒａｍの統計情報を用いて特徴文字列を抽出することにより、単語間にまたがる不適切な特徴文字列を抽出しないようにして、内容の類似しない文書が検索されることのないように配慮している。
【００２７】
しかし、従来技術３では、分割確率の絶対値で分割の可否を判断するため、単語としての特徴文字列の抽出精度が低いという問題がある。例えば、単一文字種文字列「帯電」に対しては、１−ｇｒａｍの組（“帯”，“電”）が抽出され、この１−ｇｒａｍ間の分割確率として０．０５４が算出される。
【００２８】
この値は分割閾値０．０５０より大きいため、「帯電」が「帯」と「電」のように誤って分割（以下、誤分割と呼ぶ）されてしまい、不適切な２個の特徴文字列が抽出されてしまう。この結果、「帯（おび）」に関係のある文書等も類似文書として検索されてしまい、検索ノイズが混入して、目的とする中心概念がずれた文書が類似文書として検索されてしまうという問題がある。
【００２９】
【発明が解決しようとする課題】
以上述べたように、従来技術１のように単語辞書を用いて単語を抽出する方法では、単語辞書に掲載されていない単語が種文書の中心概念を表す場合には、中心概念からずれた文書が検索されてしまうという問題がある。
【００３０】
また、従来技術２のように単一文字種文字列から文字種別に、単純にｎ−ｇｒａｍを抽出する方法では、複合語を構成する可能性のある漢字文字列等から単語間にまたがるｎ−ｇｒａｍを抽出してしまうことにより、関連のない文書が類似文書として検索されてしまうという問題がある。
【００３１】
さらに、従来技術３のように、１−ｇｒａｍの統計情報を用いて分割確率を算出し、この値の絶対値で分割の可否を判断する方法においても、単語としての特徴文字列の抽出精度が低いため、検索ノイズが混入し、目的とする中心概念がずれた文書が類似文書として検索されてしまうという問題がある。
【００３２】
こうした従来技術の問題に対し、本発明では、誤分割が少なくなるように特徴文字列を抽出する方法および装置を提供することを目的とする。
【００３３】
また、誤分割が少なくなるように特徴文字列を抽出することにより、検索ノイズを少なくすることで中心概念のずれを低減した類似文書検索が行える方法および装置を提供することを目的とする。
【００３４】
【課題を解決するための手段】
上記課題を解決するために、本発明による特徴文字列抽出方法では、以下に示すステップからなる処理により、種文書から特徴文字列の抽出を行なう。
【００３５】
すなわち、本発明による特徴文字列抽出方法では、文書の登録処理として、
（ステップ１）登録対象文書を読み込む文書読込みステップ、
（ステップ２）上記文書読込みステップで読み込んだ登録対象文書中の文字列を、漢字やカタカナ等の文字種境界で分割し、単一文字種文字列として抽出する単一文字種文字列抽出ステップ、
（ステップ３）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列に対して、その文字種を判定し、漢字やカタカナならば予め定められた長さのｎ−ｇｒａｍについて登録文書における出現回数、単語の先頭に出現する回数（以下、先頭回数と呼ぶ）と末尾に出現する回数（以下、末尾回数と呼ぶ）、およびｎ−ｇｒａｍそのものが単語として出現する回数（以下、単独回数と呼ぶ）を計数する出現情報計数ステップ、
（ステップ４）上記出現情報計数ステップで計数されたｎ−ｇｒａｍの出現情報を、既にデータベースに登録されている文書に関する該ｎ−ｇｒａｍの出現情報に加算することで、データベース全体の出現情報を算出し、該当する出現情報ファイルへ格納する出現情報ファイル作成登録ステップ、
（ステップ５）上記出現情報計数ステップで出現情報が計数されたｎ−ｇｒａｍに関して、該当する出現情報ファイルからデータベース全体における出現情報を取得し、単語の先頭である確率（以下、先頭確率と呼ぶ）と末尾である確率（以下、末尾確率と呼ぶ）およびｎ−ｇｒａｍそのものが単語として出現する確率（以下、単独確率と呼ぶ）を算出し、該当する出現確率ファイルに格納する出現確率ファイル作成登録ステップ、
（ステップ６）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列から、予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書中における出現回数を計数する出現回数計数ステップ、
（ステップ７）上記出現回数計数ステップで計数された出現回数を該当する出現回数ファイルに格納する出現回数ファイル作成登録ステップ、
を有し、
種文書から特徴文字列を抽出する処理として、
（ステップ８）種文書を読み込む種文書読込みステップ、
（ステップ９）上記種文書読込みステップにおいて読み込まれた種文書中の文字列を文字種境界で分割し、単一文字種文字列として抽出する検索用単一文字種文字列抽出ステップ、
（ステップ１０）上記検索用単一文字種文字列抽出ステップで抽出された単一文字種文字列に関して、その文字種を判定し、
漢字やカタカナならば、前記出現確率ファイルを読み込み、単一文字種文字列の先頭から ｉ文字目までの文字列の単独確率、（ｉ＋１）文字目までの文字列の単独確率、（ｉ＋１）文字目の文字の先頭確率および（ｉ＋２）文字目の文字の先頭確率を取得し、
ｉ文字目で単一文字種文字列が分割される確率（以下、分割確率と呼ぶ）を ｉ文字目までの文字列の単独確率と（ｉ＋１）文字目の文字の先頭確率の積として算出し、
（ｉ＋１）文字目での分割確率を、（ｉ＋１）文字目までの文字列の単独確率と（ｉ＋２）文字目の文字の先頭確率の積として算出し、
これらの ｉ文字目と（ｉ＋１）文字目の分割確率を比較して、値の大きい方を単一文字種文字列が分割される点（以下、分割点と呼ぶ）とし、先頭から分割点までの文字列を特徴文字列として抽出し、
漢字やカタカナ以外ならば、単一文字種文字列そのものを特徴文字列として抽出し、
抽出された特徴文字列を除外した残りの文字列に対して、同様の処理を繰り返すことによって特徴文字列を抽出する特徴文字列抽出ステップ
を有する。
【００３６】
また、前述の課題を解決するために、本発明による類似文書検索方法では、上記ステップからなる処理により、種文書と類似する文書を検索するための特徴文字列を抽出し、これを用いて類似文書検索を行う。
【００３７】
すなわち、本発明による類似文書検索方法では、文書の登録処理として、
（ステップ１）登録対象文書を読み込む文書読込みステップ、
（ステップ２）上記文書読込みステップで読み込んだ登録対象文書中の文字列を、漢字やカタカナ等の文字種境界で分割し、単一文字種文字列として抽出する単一文字種文字列抽出ステップ、
（ステップ３）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列に対して、その文字種を判定し、漢字やカタカナならば予め定められた長さのｎ−ｇｒａｍについて登録文書における出現回数、単語の先頭に出現する回数（以下、先頭回数と呼ぶ）と末尾に出現する回数（以下、末尾回数と呼ぶ）、およびｎ−ｇｒａｍそのものが単語として出現する回数（以下、単独回数と呼ぶ）を計数する出現情報計数ステップ、
（ステップ４）上記出現情報計数ステップで計数されたｎ−ｇｒａｍの出現情報を、既にデータベースに登録されている文書に関する該ｎ−ｇｒａｍの出現情報に加算することで、データベース全体の出現情報を算出し、該当する出現情報ファイルへ格納する出現情報ファイル作成登録ステップ、
（ステップ５）上記出現情報計数ステップで出現情報が計数されたｎ−ｇｒａｍに関して、該当する出現情報ファイルからデータベース全体における出現情報を取得し、単語の先頭である確率（以下、先頭確率と呼ぶ）と末尾である確率（以下、末尾確率と呼ぶ）およびｎ−ｇｒａｍそのものが単語として出現する確率（以下、単独確率と呼ぶ）を算出し、該当する出現確率ファイルに格納する出現確率ファイル作成登録ステップ、
（ステップ６）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列から、予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書中における出現回数を計数する出現回数計数ステップ、
（ステップ７）上記出現回数計数ステップで計数された出現回数を該当する出現回数ファイルに格納する出現回数ファイル作成登録ステップ、
を有し、
種文書に類似する文書の検索処理として、
（ステップ８）種文書を読み込む種文書読込みステップ、
（ステップ９）上記種文書読込みステップにおいて読み込まれた種文書中の文字列を文字種境界で分割し、単一文字種文字列として抽出する検索用単一文字種文字列抽出ステップ、
（ステップ１０）上記検索用単一文字種文字列抽出ステップで抽出された単一文字種文字列に関して、その文字種を判定し、
漢字やカタカナならば、前記出現確率ファイルを読み込み、単一文字種文字列の先頭から ｉ文字目までの文字列の単独確率、（ｉ＋１）文字目までの文字列の単独確率、（ｉ＋１）文字目の文字の先頭確率および（ｉ＋２）文字目の文字の先頭確率を取得し、
ｉ文字目で単一文字種文字列が分割される確率（以下、分割確率と呼ぶ）を ｉ文字目までの文字列の単独確率と（ｉ＋１）文字目の文字の先頭確率の積として算出し、
（ｉ＋１）文字目での分割確率を、（ｉ＋１）文字目までの文字列の単独確率と（ｉ＋２）文字目の文字の先頭確率の積として算出し、
これらの ｉ文字目と（ｉ＋１）文字目の分割確率を比較して、値の大きい方を単一文字種文字列が分割される点（以下、分割点と呼ぶ）とし、先頭から分割点までの文字列を特徴文字列として抽出し、
漢字やカタカナ以外ならば、単一文字種文字列そのものを特徴文字列として抽出し、
抽出された特徴文字列を除外した残りの文字列に対して、同様の処理を繰り返すことによって特徴文字列を抽出する特徴文字列抽出ステップ、
（ステップ１１）上記特徴文字列抽出ステップで抽出された全ての特徴文字列に対して、種文書内における出現回数を計数する種文書内出現回数計数ステップ、
（ステップ１２）上記特徴文字列抽出ステップで抽出された全ての特徴文字列に対して、前記出現回数ファイルを読み込み、データベース内の各文書における該当特徴文字列の出現回数を取得するデータベース内出現回数取得ステップ、
（ステップ１３）上記特徴文字列抽出ステップで抽出された特徴文字列に対し、上記種文書内出現回数計数ステップで計数された種文書内の出現回数と、上記データベース内出現回数取得ステップで取得されたデータベース内の各文書における出現回数を用いて、予め定められた算出式に基づいて種文書とデータベース内の各文書との類似度を算出する類似度算出ステップ、
（ステップ１４）上記類似度算出ステップで算出された類似度に基づいて、検索結果を出力する検索結果出力ステップ
を有する。
【００３８】
上記文書検索方法を用いた本発明の原理を、以下に説明する。
【００３９】
本発明では、文書を登録する際に、（ステップ１）〜（ステップ７）を実行する。
【００４０】
まず、文書読込みステップ（ステップ１）で登録対象となる文書を読み込む。次に、単一文字種文字列抽出ステップ（ステップ２）において、上記文書読込みステップ（ステップ１）で読み込まれた登録対象文書中の文字列を、漢字やカタカナ等の文字種境界で分割し、単一文字種からなる文字列を抽出する。例えば、前述の文書２「・・・。電車内での携帯電話の使用は禁止されている。・・・」という文書からは、「電車内」「での」「携帯電話」「の」「使用」「は」「禁止」「されている」等の単一文字種文字列が抽出される。
【００４１】
次に、出現情報計数ステップ（ステップ３）において、単一文字種文字列抽出ステップ（ステップ２）で抽出された上記各単一文字種文字列について、その文字種を判定し、漢字やカタカナならば予め定められた長さ ｎのｎ−ｇｒａｍの登録対象文書中の出現回数、先頭回数、末尾回数および単独回数を計数する。例えば、漢字文字列とカタカナ文字列から１−ｇｒａｍおよび２−ｇｒａｍの出現回数、先頭回数および末尾回数を計数するものと定められている場合には、上記単一文字種文字列抽出ステップ（ステップ２）で抽出された単一文字種文字列について、“携”の出現回数は１回、そのうち先頭回数は１回、末尾回数は０回、単独回数は０回であり、“携帯”の出現回数は１回、そのうち先頭回数は１回、末尾回数は０回、単独回数は０回と計数される。
【００４２】
次に、出現情報ファイル作成登録ステップ（ステップ４）において、先に出現情報計数ステップ（ステップ３）で抽出されたｎ−ｇｒａｍの出現情報を、既にデータベースに登録されている文書に関する出現情報に加算し、累積情報としての出現情報を該当する出現情報ファイルへ格納する。図５に出現情報ファイルの例を示す。本図に示した出現情報ファイルは、上記出現情報計数ステップ（ステップ３）において抽出された出現情報を格納した場合の例である。本図に示した出現情報ファイルは、前述の１−ｇｒａｍ“携”に関しては、出現回数４，７４０回、先頭回数７６８回、末尾回数４９２回、および単独回数４２回という情報を格納し、２−ｇｒａｍ“携帯”に関しては、出現回数４６２回、先頭回数４１９回、末尾回数５２回、および単独回数４８回という情報を格納していることを表わす。
【００４３】
次に、出現確率ファイル作成登録ステップ（ステップ５）において、出現情報ファイル作成登録ステップ（ステップ４）で出現情報が格納されたｎ−ｇｒａｍに対して、それぞれ出現確率を算出し、該当する出現確率ファイルに格納する。例えば、図５に示すように、１−ｇｒａｍ“携”に関しては、出現回数４，７４０回、先頭回数７６８回、末尾回数４９２回、および単独回数４２回であることから、先頭確率は７６８ ／ ４，７４０ ＝ ０．１６、末尾確率は ４９２ ／ ４，７４０ ＝ ０．１０、単独確率は４２ ／ ４，７４０ ＝ ０．０１と計算される。図６に出現確率ファイルの例を示す。本図に示した出現確率ファイルは、上記出現情報計数ステップ（ステップ３）において抽出された出現確率を格納した場合の例であり、前述の１−ｇｒａｍ“携”に関しては、先頭確率０．１６、末尾確率０．１０、および単独確率０．０１という情報が格納され、２−ｇｒａｍ“携帯”に関しては、先頭確率０．９０、末尾確率０．１１、および単独確率０．１０という情報が格納されていることを表わす。
【００４４】
次に、出現回数計数ステップ（ステップ６）において、単一文字種文字列抽出ステップ（ステップ２）で抽出された全ての単一文字種文字列から、予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書中における出現回数を計数する。そして、出現回数ファイル作成登録ステップ（ステップ７）において、上記出現回数計数ステップ（ステップ６）で抽出された各ｎ−ｇｒａｍの出現回数を該当する出現回数ファイルに格納する。
【００４５】
図２４に、前述の文書２「・・・。電車内での携帯電話の使用は禁止されている。・・・」を例に、出現回数ファイル作成処理の手順を示す。
【００４６】
まず、単一文字種文字列抽出ステップ（ステップ２）で登録対象文書である文書２から全ての単一文字種文字列を抽出する。
【００４７】
次に、出現回数計数ステップ（ステップ６）で、上記単一文字種文字列抽出ステップ（ステップ２）で抽出された全ての単一文字種文字列から予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書内の出現回数を計数する。本図に示した例では、単一文字種文字列から長さが３のｎ−ｇｒａｍまでを抽出するものとし、単一文字種文字列２４０４に含まれる「電車内」から、長さが１の“電”、“車”、“内”、長さが２の“電車”、“車内”、および長さが３の“電車内”が抽出され、文書２における出現回数が計数される。この結果、“電”は文書２の中に２回出現し、“車”は文書２の中に１回出現しているというように計数される。
【００４８】
そして、出現回数ファイル作成登録ステップ（ステップ７）で、出現回数計数ステップ（ステップ６）で抽出された各ｎ−ｇｒａｍの出現回数を該当する出現回数ファイルに格納する。この結果、文書２からは、１−ｇｒａｍ“電”（２，２）、“車”（２，１）、“内”（２，１）、２−ｇｒａｍ“電車”（２，１）、“車内”（２，１）、３−ｇｒａｍ“電車内”（２，１）のように各ｎ−ｇｒａｍの登録対象文書の識別番号と出現回数が組みとして格納される。ここで、“電車”（２，１）は、２−ｇｒａｍ“電車”が文書番号２の文書に、１回出現するということを示している。
【００４９】
検索時には、（ステップ８）〜（ステップ１４）を実行する。
【００５０】
まず、種文書読込みステップ（ステップ８）において、種文書として文書１を読み込む。 次に、検索用単一文字種文字列抽出ステップ（ステップ９）において、上記種文書読込みステップ（ステップ８）で読み込まれた種文書（文書１）中の文字列を文字種境界で分割し、単一文字種文字列を抽出する。
【００５１】
次に、特徴文字列抽出ステップ（ステップ１０）において、上記検索用単一文字種文字列抽出ステップ（ステップ９）で抽出された単一文字種文字列について、その文字種を判定する。
【００５２】
この文字種が、漢字やカタカナならば、前述した出現確率ファイルを読み込み、単一文字種文字列の先頭から ｉ文字目までの文字列の単独確率、（ｉ＋１）文字目までの文字列の単独確率、（ｉ＋１）文字目の文字の先頭確率および（ｉ＋２）文字目の文字の先頭確率を取得する。そして、 ｉ文字目での分割確率を ｉ文字目までの文字列の単独確率と（ｉ＋１）文字目の文字の先頭確率の積として算出し、（ｉ＋１）文字目での分割確率を（ｉ＋１）文字目までの文字列の単独確率と（ｉ＋２）文字目の文字の先頭確率の積として算出する。そして、これらの ｉ文字目と（ｉ＋１）文字目の分割確率を比較して、値の大きい方を分割点とし、先頭から該分割点までの文字列を特徴文字列として抽出する。
【００５３】
また、漢字やカタカナでなければ、単一文字種文字列そのものを特徴文字列として抽出し、以下、同様の処理を繰り返すことによって、特徴文字列を抽出する。
【００５４】
図８に、文書１から抽出した単一文字種文字列「携帯電話」から特徴文字列を抽出する例を示す。まず、「携帯電話」における１文字目での分割確率は、「携」の単独確率０．０１と「帯」の先頭確率０．１１の積として０．００１が算出され、２文字目での分割確率は、「携帯」の単独確率０．１０と「電」の先頭確率０．３６の積として０．０３６が算出される。次に、これらの分割確率を比較し、値の大きい方で単一文字種文字列を分割する。この場合、２文字目の分割確率０．０３６の方が大きいので、単一文字種文字列「携帯電話」は「携帯」と「電話」に分割される。
【００５５】
また、図９に、従来技術３では適切に分割されない単一文字種文字列「帯電」の例について、本発明の分割処理を示す。まず、「帯電」における １文字目での分割確率は、「帯」の単独確率０．０１と「電」の単独確率０．０１の積として０．０００１と算出される。また、 ２文字目での分割確率、すなわち「帯電」が単一文字種文字列そのものとして出現する確率は、「帯電」の単独確率０．１０と算出される。これらの値を比較して、値の大きい方で単一文字種文字列に分割される。この場合、「帯電」の単独確率０．１０の方が大きいので、「帯電」は ２文字目で分割されることになり、結果的に単一文字種文字列「帯電」は分割されず、一塊の文字列として抽出されることになる。
【００５６】
このように分割確率を比較して単一文字種文字列を分割することにより、データベース中での実際の出現状況を正確に反映した単語分割が行なえるため、分割確率の絶対値で分割する前述した従来技術３に比べ、不適切な分割を大幅に削減することが可能になる。
【００５７】
次に、種文書内出現回数計数ステップ（ステップ１１）において、上記特徴文字列抽出ステップ（ステップ１０）で抽出された特徴文字列の種文書内における出現回数を計数する。
【００５８】
そして、データベース内出現回数取得ステップ（ステップ１２）において、上記特徴文字列抽出ステップ（ステップ１０）で抽出された特徴文字列に対して、前述した出現回数ファイルを参照し、データベース内の各文書における出現回数を得る。
【００５９】
そして、類似度算出ステップ（ステップ１３）において、前記特徴文字列抽出ステップ（ステップ１０）で抽出された特徴文字列に対して、上記種文書内出現回数計数ステップ（ステップ１１）とデータベース内出現回数取得ステップ（ステップ１２）で計数された種文書内における出現回数と、データベース内の各文書における出現回数を基に、類似度が算出される。
【００６０】
類似度の算出には、例えば、「特開平６−１１０９４８号公報」に開示されている以下に示す類似度算出式（１）を用いてもよい。
【００６１】
【数式１】
【００６２】
ここで、Ｕ（ｊ）は種文書中の ｊ番目のｎ−ｇｒａｍの正規化ウエイトを示し、各ｎ−ｇｒａｍの種文書内出現回数から算出される。Ｒ（ｊ）はデータベース中文書の ｊ番目のｎ−ｇｒａｍの正規化ウエイトを示、各ｎ−ｇｒａｍのデータベース内の各文書における出現回数から算出される。正規化ウエイトとは、データベースにおけるｎ−ｇｒａｍの出現偏りを表し、この値が大きいｎ−ｇｒａｍほどある特定の文書に偏って出現することを意味する。この正規化ウエイトの算出方法については、「特開平６−１１０９４８号公報」で説明されているため、ここでは説明を省略する。また、 ｎはデータベース中の全文書数を表わす。
【００６３】
この類似度算出式（１）を用いて、文書１が種文書として指定された場合の文書 ｉの類似度Ｓ（ｉ）を算出すると、次のようになる。
【００６４】
Ｓ（１） ＝ １．０
Ｓ（２） ＝ ０．２６２
Ｓ（３） ＝ ０．０４８
Ｓ（４） ＝ ０．０
この結果、検索結果出力ステップ（ステップ１４）で、文書を類似度の降順に整列すると、文書１、文書２、および文書３の順に表示されることになる。類似度が ０の文書４は検索結果としては出力されない。
【００６５】
以上説明したように、本発明の特徴文字列抽出方法を用いた類似文書検索方法によれば、 従来技術１のように単語辞書を用いることなく単一文字種文字列から文字列を機械的に抽出することができるため、どのような単語についても漏れなく検索に供することができ、種文書が表わす概念を正確に検索することが可能となる。
【００６６】
また、従来技術２のように単一文字種文字列から文字種別に、単純にｎ−ｇｒａｍを抽出するのではなく、統計情報を用いて意味のまとまったｎ−ｇｒａｍを抽出することにより、種文書が表わす概念をより正確に検索することが可能となる。
【００６７】
さらに、従来技術３のように分割確率の絶対値で分割するのではなく、分割確率を比較し、その値が大きい方で分割することにより、データベース中での実際の出現状況を正確に反映した単語分割が可能となり、不適切な単語分割を大幅に削減することが可能となる。そのため、従来技術３に比べ不適切な特徴文字列が検索に供されないため、種文書が表わす概念を適切に検索できるとともに、高速に類似文書を検索することができるようになる。
【００６８】
【発明の実施の形態】
以下、本発明の第一の実施例について図１を用いて説明する。
【００６９】
本発明を適用した類似文書検索システムの第一の実施例は、ディスプレイ１００、キーボード１０１、中央演算処理装置（ＣＰＵ）１０２、磁気ディスク装置１０５、フロッピディスクドライブ（ＦＤＤ）１０３、主メモリ１０６およびこれらを結ぶバス１０７から構成される。
【００７０】
磁気ディスク装置１０５には、テキスト１５０、出現情報ファイル１５１、出現確率ファイル１５２および出現回数ファイル１５３が格納される。ＦＤＤ１０３を介してフロッピディスク１０４に格納されている登録文書や種文書等の情報が、主メモリ１０６内に確保されるワークエリア１７０あるいは磁気ディスク装置１０５へ読み込まれる。
【００７１】
主メモリ１０６には、システム制御プログラム１１０、文書登録制御プログラム１１１、共有ライブラリ１６０、テキスト登録プログラム１２０、出現情報ファイル作成登録プログラム１２１、出現確率ファイル作成登録プログラム１２４、出現回数ファイル作成登録プログラム１２７、検索制御プログラム１１２、検索条件式解析プログラム１３０、類似文書検索プログラム１３１および検索結果出力プログラム１３２が格納されるとともにワークエリア１７０が確保される。これらのプログラムは、フロッピーディスクやＣＤ−ＲＯＭなどの持ち運び可能な記憶媒体に格納され、ここから読み出し磁気ディスク装置１０５へインストールする。本装置起動時に、システム制御プログラム１１０が起動し、これらのプログラムを磁気ディスク装置１０５から読み出し、主メモリ１０６へ格納する。
【００７２】
共有ライブラリ１６０は、単一文字種文字列抽出プログラム１６１で構成される。
【００７３】
出現情報ファイル作成登録プログラム１２１は、出現情報計数プログラム１２２と出現情報ファイル作成プログラム１２３で構成されるとともに、後述するように共有ライブラリ１６０から単一文字種文字列抽出プログラム１６１を呼び出す構成をとる。
【００７４】
出現確率ファイル作成登録プログラム１２４は、出現確率算出プログラム１２５と出現確率ファイル作成プログラム１２６で構成される。
【００７５】
出現回数ファイル作成登録プログラム１２７は、出現回数計数プログラム１２８と出現回数ファイル作成プログラム１２９で構成される。
【００７６】
類似文書検索プログラム１３１は、種文書読込みプログラム１４０、特徴文字列抽出プログラム１４１、種文書内出現回数計数プログラム１４５、出現回数取得プログラム１４６および類似度算出プログラム１４８で構成されるとともに、後述するように共有ライブラリ１６０から単一文字種文字列抽出プログラム１６１を呼び出す構成をとる。
【００７７】
特徴文字列抽出プログラム１４１は、分割確率比較特徴文字列抽出プログラム１４２を呼び出す構成をとる。分割確率比較特徴文字列抽出プログラム１４２は、分割確率算出プログラム１４３を呼び出す構成をとる。分割確率算出プログラム１４３は出現確率ファイル読込みプログラム１４４を呼び出す構成をとる。
【００７８】
出現回数取得プログラム１４６は、出現回数ファイル読込みプログラム１４７を呼び出す構成をとる。
【００７９】
文書登録制御プログラム１１１および検索制御プログラム１１２は、ユーザによるキーボード１０１からの指示に応じてシステム制御プログラム１１０によって起動され、それぞれテキスト登録プログラム１２０、出現情報ファイル作成登録プログラム１２１、出現確率ファイル作成登録プログラム１２４および出現回数ファイル作成登録プログラム１２７の制御と、検索条件式解析プログラム１３０、類似文書検索プログラム１３１および検索結果出力プログラム１３２の制御を行なう。
【００８０】
以下、本実施例における類似文書検索システムの処理手順について説明する。
【００８１】
まず、システム制御プログラム１１０の処理手順について図１０のＰＡＤ（Ｐｒｏｂｌｅｍ Ａｎａｌｙｓｉｓ Ｄｉａｇｒａｍ）図を用いて説明する。
【００８２】
システム制御プログラム１１０では、まずステップ１０００で、キーボード１０１から入力されたコマンドを解析する。
【００８３】
次に、ステップ１００１で、この解析結果が登録実行のコマンドであると判定された場合には、ステップ１００２で文書登録制御プログラム１１１を起動して、文書の登録を行なう。
【００８４】
またステップ１００３で、検索実行のコマンドであると判定された場合には、ステップ１００４で検索制御プログラム１１２を起動して、類似文書の検索を行なう。
【００８５】
以上が、システム制御プログラム１１０の処理手順である。
【００８６】
次に、図１０に示したステップ１００２でシステム制御プログラム１１０により起動される文書登録制御プログラム１１１の処理手順について、図１１のＰＡＤ図を用いて説明する。
【００８７】
文書登録制御プログラム１１１では、まずステップ１１００でテキスト登録プログラム１２０を起動し、ＦＤＤ１０３に挿入されたフロッピディスク１０４から登録すべき文書のテキストデータをワークエリア１７０に読み込み、これをテキスト１５０として磁気ディスク装置１０５に格納する。テキストデータは、フロッピディスク１０４を用いて入力するだけに限らず、通信回線やＣＤ−ＲＯＭ装置（図１には示していない）等を用いて他の装置から入力するような構成を取ることも可能である。
【００８８】
次に、ステップ１１０１で出現情報ファイル作成登録プログラム１２１を起動し、ワークエリア１７０に格納されているテキスト１５０を読み出し、その中の各ｎ−ｇｒａｍに対する出現情報ファイル１５１を作成し、磁気ディスク装置１０５に格納する。
【００８９】
次に、ステップ１１０２で出現確率ファイル作成登録プログラム１２４を起動し、ワークエリア１７０に格納されているテキスト１５０中の各ｎ−ｇｒａｍに対する出現確率を算出し、該当する出現確率ファイル１５２として、磁気ディスク装置１０５へ格納する。
【００９０】
次に、ステップ１１０３で出現回数ファイル作成登録プログラム１２７を起動し、ワークエリア１７０に格納されているテキスト１５０を読み出し、その中の各文書における全てのｎ−ｇｒａｍに対する出現回数を計数し、該当する出現回数ファイル１５３として、磁気ディスク装置１０５へ格納する。
【００９１】
以上が、文書登録制御プログラム１１１の処理手順である。
【００９２】
次に、図１１に示したステップ１１０１で文書登録制御プログラム１１１により起動される出現情報ファイル作成登録プログラム１２１の処理手順について、図１２のＰＡＤ図を用いて説明する。
【００９３】
出現情報ファイル作成登録プログラム１２１では、まずステップ１２００で単一文字種文字列抽出プログラム１６１を起動し、テキスト１５０の文字列を文字種境界で分割することにより単一文字種文字列を抽出し、ワークエリア１７０に格納する。
【００９４】
次に、ステップ１２０１において、出現情報計数プログラム１２２を起動し、テキスト１５０における予め定められた長さのｎ−ｇｒａｍの出現回数と、ワークエリア１７０に格納されている単一文字種文字列の先頭回数、末尾回数および単独回数を計数し、同じくワークエリア１７０に格納する。
【００９５】
そして、ステップ１２０２において、出現情報ファイル作成プログラム１２３を起動し、ワークエリア１７０に格納されているテキスト１５０におけるｎ−ｇｒａｍの出現回数、先頭回数、末尾回数および単独回数を、それぞれ出現情報ファイル１５１に格納されている該当ｎ−ｇｒａｍの出現回数、先頭回数、末尾回数および単独回数に加算し、ワークエリア１７０に格納するとともに出現情報ファイル１５１として磁気ディスク装置１０５に格納する。
【００９６】
以上が、出現情報ファイル作成登録プログラム１２１の処理手順である。
【００９７】
次に、図１１に示したステップ１１０２で文書登録制御プログラム１１１により起動される出現確率ファイル作成登録プログラム１２４の処理手順について、図１６のＰＡＤ図を用いて説明する。
【００９８】
出現確率ファイル作成登録プログラム１２４では、まずステップ１６００で出現確率算出プログラム１２５を起動し、ワークエリア１７０に格納されている各ｎ−ｇｒａｍの出現情報から、各ｎ−ｇｒａｍの単独確率、先頭確率および末尾確率を算出し、ワークエリア１７０へ格納する
次に、ステップ１６０１において、出現確率ファイル作成プログラム１２６を起動し、ワークエリア１７０に格納されている各ｎ−ｇｒａｍの単独確率、先頭確率および末尾確率を出現確率ファイル１５２として磁気ディスク装置１０５に格納する。
【００９９】
以上が、出現確率ファイル作成登録プログラム１２４の処理手順である。
【０１００】
次に、図１１に示したステップ１１０３で文書登録制御プログラム１１１により起動される出現回数ファイル作成登録プログラム１２７の処理手順について、図２５に示すＰＡＤ図を用いて説明する。
【０１０１】
出現回数ファイル作成登録プログラム１２７では、まずステップ２５００で出現回数計数プログラム１２８を起動し、図１２のステップ１２００でワークエリア１７０に格納した全ての単一文字種文字列の中から、長さが１から単一文字種文字列自体の長さｍまでのｎ−ｇｒａｍを抽出し、登録対象文書におけるそれらの出現回数を計数し、ワークエリア１７０に格納する。
【０１０２】
次に、ステップ２５０１において、出現回数ファイル作成プログラム１２９を起動し、ステップ２５００で計数した各ｎ−ｇｒａｍの出現回数を登録対象文書の識別番号（以下、文書番号と呼ぶ）とともに出現回数ファイル１５３として磁気ディスク装置１０５に格納する
次に、図１０に示したステップ１００４でシステム制御プログラム１１０により起動される検索制御プログラム１１２による類似文書検索の処理手順について、図１３のＰＡＤ図を用いて説明する。
【０１０３】
検索制御プログラム１１２では、まずステップ１３００で検索条件式解析プログラム１３０を起動し、キーボード１０１から入力された検索条件式を解析し、検索条件式のパラメータとして指定された種文書の文書番号を抽出する。
【０１０４】
次に、ステップ１３０１で類似文書検索プログラム１３１を起動し、上記検索条件式解析プログラム１３０により抽出された文書番号の種文書に対し、磁気ディスク装置１０５に格納されているテキスト１５０中の各文書の類似度を算出する。
【０１０５】
最後に、ステップ１３０２において、検索結果出力プログラム１３２を起動し、上記類似文書検索プログラム１３１で算出された各文書の類似度に基づいて、検索結果を出力する。
【０１０６】
以上が、検索制御プログラム１１２による文書検索の処理手順である。
【０１０７】
次に、図１３に示したステップ１３０１で検索制御プログラム１１２により起動される類似文書検索プログラム１３１の処理手順について、図１４のＰＡＤ図を用いて説明する。
【０１０８】
類似文書検索プログラム１３１では、まずステップ１４００で種文書読込みプログラム１４０を起動し、検索条件式解析プログラム１３０によって検索条件式から抽出された文書番号の種文書を磁気ディスク装置１０５中のテキスト１５０からワークエリア１７０に読み込む。
【０１０９】
ここで、種文書は、テキスト１５０中に格納されている文書を読み込むだけでなく、キーボード１０１から直接入力することも可能であり、フロッピディスク１０４、ＣＤ−ＲＯＭ装置（図１には示していない）や通信回線等を用いて、他の装置から入力するような構成を取ることも可能であり、また、全文検索システム等による検索結果から入力するような構成を取ることも可能であり、さらには、検索結果出力プログラム１３２の出力から種文書を選択する構成を取ることも可能である。
【０１１０】
次に、ステップ１４０１において、共有ライブラリ１６０の単一文字種文字列抽出プログラム１６１を起動し、上記種文書読込みプログラム１４０で読み込んだ種文書のテキストを、文字種境界で分割して単一文字種文字列を取得し、ワークエリア１７０に格納する。
【０１１１】
そして、ステップ１４０２において、後述する特徴文字列抽出プログラム１４１を起動し、上記単一文字種文字列抽出プログラム１６１で取得した単一文字種文字列から、特徴文字列を抽出する。
【０１１２】
次に、ステップ１４０３において、種文書内出現回数計数プログラム１４５を起動し、上記特徴文字列抽出プログラム１４１で取得した特徴文字列の、種文書内での出現回数を計数する。
【０１１３】
次に、ステップ１４０４において、出現回数取得プログラム１４６を起動し、上記特徴文字列抽出プログラム１４１で取得した特徴文字列のテキスト１５０中の各文書における出現回数を取得する。
【０１１４】
最後に、ステップ１４０５において、類似度算出プログラム１４８を起動し、上記特徴文字列抽出プログラム１４１で取得した各特徴文字列に対する、上記種文書内出現回数取得プログラム１４５で取得した種文書内出現回数と、上記出現回数取得プログラム１４６で取得したテキスト１５０中の各文書における出現回数から、種文書とテキスト１５０内の各文書との類似度を算出する。
【０１１５】
本実施例では、類似度の算出に、前述の類似度算出式（１）を用いるが、他の方法を用いても構わない。この類似度算出式（１）を用いて、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」が種文書として指定された場合の文書 ｉの類似度Ｓ（ｉ）を算出すると、次のようになる。
【０１１６】
Ｓ（１） ＝ １．０
Ｓ（２） ＝ ０．２６２
Ｓ（３） ＝ ０．０４８
Ｓ（４） ＝ ０．０
以上が、類似文書検索プログラム１３１の処理手順である。
【０１１７】
次に、図１４に示したステップ１４０２において、類似文書検索プログラム１３１により起動される特徴文字列抽出プログラム１４１の処理手順について、図１７のＰＡＤ図を用いて説明する。
【０１１８】
特徴文字列抽出プログラム１４１では、ステップ１７００において、図１４に示したステップ１４０１における単一文字種文字列抽出プログラム１６１により、ワークエリア１７０に格納されている全ての単一文字種文字列を取得する。
【０１１９】
次に、ステップ１７０１において、上記ステップ１７００で取得した全ての単一文字種文字列に対して、次のステップ１７０２〜１７０４を繰り返し実行する。
【０１２０】
すなわち、ステップ１７０２では、ステップ１７００で取得した単一文字種文字列の文字種を判定し、その文字種が漢字やカタカナである場合には、ステップ１７０３を実行し、漢字やカタカナ以外の場合には、ステップ１７０４を実行する。
【０１２１】
ステップ１７０３では、後述する分割確率比較特徴文字列抽出プログラム１４２を起動し、漢字やカタカナの単一文字種文字列から特徴文字列を抽出する。
【０１２２】
ステップ１７０４では、漢字やカタカナ以外の単一文字種文字列そのものを特徴文字列として抽出する。
【０１２３】
そして、最後にステップ１７０５において、上記ステップ１７０２やステップ１７０３で抽出された特徴文字列をワークエリア１７０へ格納する。
【０１２４】
以上が、特徴文字列抽出プログラム１４１の処理手順である。
【０１２５】
以下、図１４に示した特徴文字列抽出プログラム１４１の処理手順について具体例を用いて説明する。
【０１２６】
図２７に、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から特徴文字列を抽出する例を示す。
【０１２７】
まず、文書１から単一文字種文字列「・・・」「。」「携帯電話」「の」「使用時」「の」「マナー」「が」「問題」「になる」「。」「・・・」を抽出する。
【０１２８】
次に、これらの単一文字種文字列の文字種を判定し、漢字文字列「携帯電話」、「使用時」および「問題」とカタカナ文字列「マナー」に対して分割確率比較特徴文字列抽出プログラム１４２により特徴文字列を抽出し、漢字文字列とカタカナ文字列以外の文字列「の」「の」「が」「になる」「。」からは単一文字種文字列そのものを特徴文字列として抽出する。
【０１２９】
以上が、特徴文字列抽出プログラム１４１の具体的な処理例である。
【０１３０】
次に、図１４に示したステップ１４０４において類似文書検索プログラム１３１により起動される出現回数取得プログラム１４６の処理手順を図２６のＰＡＤ図を用いて説明する。
【０１３１】
出現回数取得プログラム１４６では、図１４に示したステップ１４０２においてワークエリア１７０に格納した特徴文字列を取得する（ステップ２６００）。
【０１３２】
そして、ワークエリア１７０に格納されている全ての特徴文字列に対して、ステップ２６０２を実行する（ステップ２６０１）。
【０１３３】
ステップ２６０２では、出現回数ファイル読込みプログラム１４７を起動し、テキスト１５０内の各文書における特徴文字列の出現回数を取得し、ワークエリア１７０に格納する。
【０１３４】
以上が、出現回数取得プログラム１４６の処理手順である。
【０１３５】
次に、図１７に示したステップ１７０３において特徴文字列抽出プログラム１４１により起動される分割確率比較特徴文字列抽出プログラム１４２の処理手順について、図１８のＰＡＤ図を用いて説明する。
【０１３６】
分割確率比較特徴文字列抽出プログラム１４２は、ステップ１８００において、最後に特徴文字列が抽出された末尾の文字位置（以下、最新分割点と呼ぶ）ＬＳの初期値を ０に設定する。
【０１３７】
そして、図１７に示したステップ１７０３において、入力された単一文字種文字列の文字列長が予め定められた長さ以上のとき、次のステップ１８０２〜１８０９までを繰り返し実行する（ステップ１８０１）。
【０１３８】
ステップ１８０２では、後述する分割確率算出プログラム１４３を起動し、単一文字種文字列の先頭から ｉ文字目の分割確率Ｐ（ｉ）と、（ｉ＋１）文字目の分割確率Ｐ（ｉ＋１）を算出する。
【０１３９】
次に、ステップ１８０３において、上記分割確率算出プログラム１４３で算出したＰ（ｉ）とＰ（ｉ＋１）の値を比較し、Ｐ（ｉ）がＰ（ｉ＋１）よりも大きい場合にはステップ１８０４を実行し、Ｐ（ｉ）がＰ（ｉ＋１）よりも小さい場合にはステップ１８０６を実行し、Ｐ（ｉ）とＰ（ｉ＋１）が等しい場合にはステップ１８０８を実行する。
【０１４０】
ステップ１８０４では、単一文字種文字列の先頭から ｉ文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０５において、最新分割点ＬＳを ｉに設定し、 ｉの値を １加算する。
【０１４１】
ステップ１８０６では、単一文字種文字列の先頭から（ｉ＋１）文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０７において、最新分割点ＬＳを（ｉ＋１）に設定し、ｉの値を ２加算する。
【０１４２】
ステップ１８０８では、それぞれ単一文字種文字列の先頭から ｉ文字目までの文字列と（ｉ＋１）文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０９において、最新分割点ＬＳを（ｉ＋１）に設定し、 ｉの値を ２加算する。
【０１４３】
以上が、分割確率比較特徴文字列抽出プログラム１４２の処理手順である。
【０１４４】
以下、図１８に示した分割確率比較特徴文字列抽出プログラム１４２の処理手順について具体例を用いて説明する。
【０１４５】
図８に、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から抽出された単一文字種文字列「携帯電話」から特徴文字列を抽出する例を示す。
【０１４６】
まず、「携帯電話」における１文字目での分割確率Ｐ（１）は、「携」の単独確率０．０１と「帯」の先頭確率０．１１の積として０．００１が算出され、２文字目での分割確率Ｐ（２）は、「携帯」の単独確率０．１０と「電」の先頭確率０．３６の積として０．０３６が算出される。次に、これらの分割確率を比較し、値の大きい方で単一文字種文字列「携帯電話」を分割する。この場合、１文字目の分割確率Ｐ（１）（＝０．０００）よりも２文字目の分割確率Ｐ（２）（＝０．０３６）の方が大きいので、単一文字種文字列「携帯電話」は「携帯」と「電話」に分割される。
【０１４７】
また、図２０に、上記文書１から抽出した単一文字種文字列「マナー」から特徴文字列を抽出する例を示す。まず、「マナー」における２文字目での分割確率Ｐ（２）は、「マナ」の単独確率０．００と「ー」の単独確率０．００の積として０．００と算出される。次に、３文字目での分割確率Ｐ（３）、すなわち「マナー」が単一文字種文字列そのものとして出現する確率は「ナー」の末尾確率０．７９と１．０の積として０．７９と算出される。これらの値を比較して、値の大きい方で単一文字種文字列に分割される。この場合、「マナー」の２文字目での分割確率Ｐ（２）（＝０．００）よりも３文字目での分割確率Ｐ（３）（＝０．７９）の方が大きいので、３文字目で分割されることになり、結果的に単一文字種文字列「マナー」は分割されないことになる。
【０１４８】
以上が、分割確率比較特徴文字列抽出プログラム１４２の具体的な処理手順である。
【０１４９】
次に、図１８に示したステップ１８０１において分割確率比較特徴文字列抽出プログラム１４２により起動される分割確率算出プログラム１４３の処理手順について、図１９のＰＡＤ図を用いて説明する。
【０１５０】
分割確率算出プログラム１４３は、ステップ１９００において、図１８に示したステップ１８０１において指定される分割確率の算出位置 ｉおよび最新分割点ＬＳを取得する。
【０１５１】
次に、算出位置 ｉにおける分割確率Ｐ（ｉ）を算出するために、ステップ１９０１〜１９０６を実行し、各出現確率を取得する。
【０１５２】
まず、ステップ１９０１において、図１２に示したステップ１２０１で抽出されたｎ−ｇｒａｍの長さ ｎと分割確率の算出位置 ｉを比較し、（ｉ − ＬＳ）が ｎ以下である場合には、ステップ１９０２を実行し、（ｉ − ＬＳ）が ｎよりも大きい場合には、ステップ１９０３を実行する。
【０１５３】
ステップ１９０２では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから ｉ文字目までの文字列の単独確率を取得し、分割確率算出位置 ｉの前方の文字列の出現確率Ｐｒｅ（ｉ）とする。
【０１５４】
ステップ１９０３では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから ｉ文字目までの文字列の後方のｎ−ｇｒａｍの末尾確率を取得し、分割確率算出位置 ｉの前方の文字列の出現確率Ｐｒｅ（ｉ）とする。
【０１５５】
次に、ステップ１９０４において、単一文字種文字列の文字列長Ｌｎと分割確率算出位置 ｉを比較し、Ｌｎが（ｉ＋１）よりも大きい場合にはステップ１９０５を実行し、Ｌｎが（ｉ＋１）と等しい場合には、ステップ１９０６を実行する。
【０１５６】
ステップ１９０５では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋１）文字目の１ｇｒａｍの先頭確率を取得し、分割確率算出位置 ｉの後方の文字列の出現確率Ｐｏｓｔ（ｉ）とする。
【０１５７】
ステップ１９０６では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋１）文字目の１ｇｒａｍの単独確率を取得し、分割確率算出位置 ｉの後方の文字列の出現確率Ｐｏｓｔ（ｉ）とする。
【０１５８】
次に、算出位置（ｉ＋１）における分割確率Ｐ（ｉ＋１）を算出するために、ステップ１９０７〜１９１３を実行し、各出現確率を取得する。
【０１５９】
まず、ステップ１９０７において、図１２に示したステップ１２０１で抽出されたｎ−ｇｒａｍの長さ ｎと分割確率の算出位置 ｉを比較し、（（ｉ＋１） − ＬＳ）が ｎ以下である場合には、ステップ１９０８を実行し、（（ｉ＋１） − ＬＳ）が ｎよりも大きい場合には、ステップ１９０９を実行する。
【０１６０】
ステップ１９０８では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから（ｉ＋１）文字目までの文字列の単独確率を取得し、分割確率算出位置（ｉ＋１）の前方の文字列の出現確率Ｐｒｅ（ｉ＋１）とする。
【０１６１】
ステップ１９０９では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから（ｉ＋１）文字目までの文字列の後方のｎ−ｇｒａｍの末尾確率を取得し、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｒｅ（ｉ＋１）とする。
【０１６２】
次に、ステップ１９１０において、単一文字種文字列の文字列長Ｌｎと分割確率算出位置 ｉを比較し、Ｌｎが（ｉ＋２）よりも大きい場合にはステップ１９１１を実行し、Ｌｎが（ｉ＋２）と等しい場合には、ステップ１９１２を実行し、Ｌｎが（ｉ＋１）と等しい場合には、ステップ１９１３を実行する。
【０１６３】
ステップ１９１１では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋２）文字目の１ｇｒａｍの先頭確率を取得し、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｏｓｔ（ｉ＋１）とする。
【０１６４】
ステップ１９１２では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋２）文字目の１ｇｒａｍの単独確率を取得し、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｏｓｔ（ｉ＋１）とする。
【０１６５】
ステップ１９１３では、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｏｓｔ（ｉ＋１） ＝ １とする。
【０１６６】
次に、ステップ１９１４において、上記ステップ１９０１〜１９０３で取得したＰｒｅ（ｉ）と上記ステップ１９０４〜１９０６で取得したＰｏｓｔ（ｉ）の積を算出位置 ｉにおける分割確率Ｐ（ｉ）とし、上記ステップ１９０７〜１９０９で取得したＰｒｅ（ｉ＋１）と上記ステップ１９１０〜１９１３で取得したＰｏｓｔ（ｉ＋１）の積を算出位置（ｉ＋１）における分割確率Ｐ（ｉ＋１）として、それぞれワークエリア１７０に格納する。
【０１６７】
以上が、分割確率算出プログラム１４３の処理手順である。
【０１６８】
以下、図１９に示した分割確率算出プログラム１４３の処理手順について具体例を用いて説明する。
【０１６９】
図２８に前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から抽出された単一文字種文字列「携帯電話」の分割確率を算出する例を示す。なお、本図に示す例では、出現確率ファイル１５２に格納されているｎ−ｇｒａｍ長を ２とし、分割確率を算出する ｉ文字目を １文字目とする。すなわち、 １文字目での分割確率Ｐ（１）および ２文字目での分割確率Ｐ（２）を算出するものとして、以下の説明を行なう。
【０１７０】
まず、分割確率の算出位置である １文字目までの文字列の単独確率が出現確率ファイル６００に格納されているかどうかを確認するために、出現確率ファイル６００に格納されているｎ−ｇｒａｍ長 ２と分割確率算出位置 １を比較する。その結果、格納されているｎ−ｇｒａｍ長の方が大きいので、 １文字目までの文字列「携」の単独確率０．０１を出現確率ファイル６００より取得する。
【０１７１】
次に、分割確率の算出位置の後方に何文字存在するかを確認するために、単一文字種文字列「携帯電話」の文字列長 ４と分割確率算出位置 １を比較する。その結果、 ２文字以上の文字列「帯電話」が存在するため、「帯」の先頭確率０．１１を出現確率ファイル６００から取得する。そして、「携」の単独確率０．０１と「帯」の先頭確率０．１１の積を算出し、 １文字目での分割確率Ｐ（１）＝０．００１を得る。
【０１７２】
同様に、分割確率の算出位置である ２文字目までの文字列の単独確率が出現確率ファイル６００に格納されているかを確認するために、出現確率ファイル６００に格納されているｎ−ｇｒａｍ長 ２と分割確率算出位置 ２を比較する。その結果、格納されているｎ−ｇｒａｍ長と算出位置が等しいので、 ２文字目までの文字列「携帯」の単独確率０．１０を出現確率ファイル６００より取得する。
【０１７３】
次に、分割確率の算出位置の後方に何文字存在するかを確認するために、単一文字種文字列「携帯電話」の文字列長 ４と分割確率算出位置 ２を比較する。その結果、 ２文字以上の文字列「電話」が存在するため、「電」の先頭確率０．３６を出現確率ファイル６００から取得する。そして、「携帯」の単独確率０．１０と「帯」の先頭確率０．３６の積を算出し、２文字目での分割確率Ｐ（２）＝０．０３６を得る。
【０１７４】
以上が、分割確率算出プログラム１４３の具体的な処理手順である。
【０１７５】
以上が、本発明の第一の実施例である。
【０１７６】
本実施例では、出現情報ファイル１５１と出現確率ファイル１５２に格納するｎ−ｇｒａｍの長さとして２を用いて、特徴文字列抽出プログラム１４３の処理手順を説明したが、この長さとして１や３等の固定値を用いてもよいし、データベース中の出現回数等の情報に基づき可変長としてもよいし、単一文字種文字列自体の長さｍとしてもよいし、さらには、それらの組み合わせであっても、同様に特徴文字列抽出の処理を行なうことができるのは明らかであろう。
【０１７７】
また、本実施例では、種文書の内容に類似する文書を検索するものとして特徴文字列抽出プログラム１４３の処理手順を説明したが、この種文書の代わりに、文章が指定されたとしても同様に特徴文字列を抽出することができ、類似文書検索を行なうことができるのは明らかであろう。
【０１７８】
また、本実施例では、単一文字種文字列の先頭から ｎ文字目までの分割確率と（ｎ＋１）文字目までの分割確率を比較することで特徴文字列を抽出する例を用いて、分割確率比較特徴文字列抽出プログラム１４２の処理手順を説明したが、単一文字種文字列の末尾から、それぞれ ｎ文字目までの分割確率と（ｎ＋１）文字目までの分割確率を比較しても、さらには、単一文字種文字列中の ｍ文字（ ｍは １以上の整数）と ｎ文字の分割確率を比較しても、同様に、文書の特徴を表す特徴文字列の抽出が行えることは明らかであろう。
【０１７９】
なお、本実施例においては、漢字やカタカナの単一文字種文字列に対する分割確率比較特徴文字列抽出プログラム１４２を含む構成として説明したが、漢字あるいはカタカナを含まないデータベースを対象とする場合等には、対応する分割確率比較特徴文字列抽出プログラム１４２を含まない構成としてもよいし、漢字やカタカナ以外に対応する分割確率比較特徴文字列抽出プログラム１４２を含む構成としてもよいし、従来技術２で示したように、各文字種に対応する特徴文字列抽出プログラムを含む構成であってもよい。
【０１８０】
また、本実施例においては、単一文字種文字列から特徴文字列を抽出する構成としたが、特定の文字種間を境界として前後に跨る部分文字列から特徴文字列を抽出することにより、例えば、「Ｆ１」や「ビタミンＣ」、「Ｗ杯」、「ケイ素」等の文字列を検索に用いることができ、さらに高精度な類似文書検索を実現することも可能となる。
【０１８１】
また、本実施例における出現情報ファイル作成登録プログラム１２１では、文字種境界を単語の区切れ目とみなし、各ｎ−ｇｒａｍの先頭回数、末尾回数および単独回数を計数するものとしたが、付属語、すなわち助詞や助動詞等を単語の区切れ目の候補とみなし、各ｎ−ｇｒａｍの先頭回数、末尾回数および単独回数を計数してもよい。
【０１８２】
さらに、本実施例においては、出現情報ファイル１５１を図５に示した表形式で作成されるものとしたが、この方法では、対象とするｎ−ｇｒａｍ長が増大するにともない、ｎ−ｇｒａｍ種類が増加するため、分割確率ファイル作成登録プログラム１２４の処理に長大な時間を要することになる。この問題は、特徴文字列に対して、検索用のインデクスを付加することにより解決できる。これにより、ｎ−ｇｒａｍ種類が増加しても、高速に登録処理を実現することができる。この特徴文字列に対する検索用インデクスとしては、全文検索用インデクス１５３を用いてもよいし、「特開平８−３２９１１２号公報」等に開示されているような単語インデクス方式を用いてもよい。この問題は、出現確率ファイル１５２および出現回数ファイル１５３においても発生するが、同様に検索用のインデクスを付加することで解決することができる。
【０１８３】
さらに、本実施例においては、文書登録時に出現確率ファイル作成登録プログラム１２４を起動し、出現確率ファイル１５２を作成する構成としたが、類似文書検索時の分割確率比較特徴文字列抽出プログラム１４２実行時に、出現情報ファイル１５１に格納されている各ｎ−ｇｒａｍの出現情報から該当する出現確率を算出することにより、磁気ディスク１０５に格納するファイルを削減することも可能である。
【０１８４】
また、本実施例においては、特徴文字列抽出プログラム１４１により抽出された特徴文字列を用いた類似文書検索システムについて説明したが、種文書から特徴文字列を抽出する特徴文字列抽出システムとして用いることも可能であるし、「特開平８−１５３１２１号公報」に示されるような形態素解析により文書中に含まれる単語を抽出し、これを用いて文書を自動的に分類するシステムに用いることも可能である。
【０１８５】
ただし、第一の実施例における分割確率比較特徴文字列抽出プログラム１４２は、 ｉ文字目での分割確率Ｐ（ｉ）と（ｉ＋１）文字目での分割確率Ｐ（ｉ＋１）を比較し、その値の大きい方で分割するため、全ての単一文字種文字列から（ｉ＋１）文字以下の特徴文字列が抽出されてしまい、（ｉ＋１）文字より長い単語が誤って分割されてしまうという問題がある。
【０１８６】
以下、第一の実施例で（ｉ＋１）文字より長い単語が誤って分割されてしまうという問題が生じる例を図２２に示す具体例を用いて説明する。なお、本図では、漢字で構成される単一文字種文字列「北海道」を対象とし、分割確率算出位置 ｉの初期値を １とする。
【０１８７】
分割確率比較特徴文字列抽出プログラム１４２では、まず、ステップ２２００において、前述した分割確率算出プログラム１４３を起動し、１文字目の分割確率Ｐ（１）と２文字目の分割確率Ｐ（２）を算出する。本図に示した例では、単一文字種文字列「北海道」の１文字目で「北」と「海道」に分割される確率は、１−ｇｒａｍ「北」の単独確率０．０３と２−ｇｒａｍ「海道」の単独確率０．００の積としてＰ（１）＝０．０００と算出される。同様に、２文字目で「北海」と「道」に分割される確率は、２−ｇｒａｍ「北海」の単独確率０．０３と１−ｇｒａｍ「道」の単独確率０．１２の積Ｐ（２）＝０．００４として算出される。
【０１８８】
次に、ステップ２２０１において、上記ステップ２２００で算出されたＰ（１）とＰ（２）のうち、値の大きい方を分割点とし、単一文字種文字列の先頭から分割点までの文字列を特徴文字列として抽出する。本図に示した例では、Ｐ（２）の方がＰ（１）よりも大きいので、 ２文字目で単一文字種文字列「北海道」を分割し、 ２文字目までの文字列“北海”を特徴文字列として抽出する。
【０１８９】
次に、ステップ２２０２において、最後に特徴文字列が抽出された末尾の文字位置（以下、最新分割点と呼ぶ）ＬＳを ２に設定し、最新分割点以降の単一文字種文字列「道」を対象に特徴文字列抽出処理を継続する。
【０１９０】
次に、ステップ２２０３において、単一文字種文字列「道」の文字列長 １は、予め定められた長さ ２未満であるため、文字列“道”が特徴文字列として抽出される。この結果、「・・・。道の駅と呼ばれるサービスエリアが国道沿いに建設されることになった。・・・」等という文書が類似文書として誤って検索されてしまうことになる。
【０１９１】
以上が、第一の実施例における分割確率比較特徴文字列抽出プログラム１４２の処理例である。本図に示した例では、 １文字目と ２文字目の分割確率Ｐ（１）とＰ（２）を比較し、値の大きい方を分割点とするため、単一文字種文字列「北海道」から“北海”と“道”が特徴文字列として抽出されてしまい、種文書の中心概念からずれた文書が類似文書として検索されてしまう。
【０１９２】
このために、本発明を適用した類似文書検索システムの第二の実施例では、単一文字種文字列から特徴文字列を抽出する際に算出された分割確率が所定値（以下、分割閾値と呼ぶ）よりも高い場合にのみ、比較処理を行なうことにより、（ｉ＋１）文字より長い特徴文字列を抽出できるようにする。
【０１９３】
本実施例は、第一の実施例（図１）とほぼ同様の構成を取るが、分割確率比較特徴文字列抽出プログラム１４２の処理手順が異なり、図２１のＰＡＤ図に示すように、ステップ２１００〜２１０４が追加される。
【０１９４】
以下、第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理手順について図２１のＰＡＤ図を用いて説明する。
【０１９５】
分割確率比較特徴文字列抽出プログラム１４２ａでは、ステップ１８００において、最新分割点ＬＳの初期値を ０に設定する。
【０１９６】
そして、特徴文字列の抽出対象となる単一文字種文字列の文字列長が予め定められた長さ以上のとき、次のステップ１８０２〜１８０７、ステップ２１０１〜２１０３までを繰り返し実行する（ステップ２１００）。
【０１９７】
ステップ１８０２では、分割確率算出プログラム１４３を起動し、単一文字種文字列の先頭から ｉ文字目の分割確率Ｐ（ｉ）と、（ｉ＋１）文字目の分割確率Ｐ（ｉ＋１）を算出する。
【０１９８】
次に、ステップ２１００において、上記分割確率算出プログラム１４３で算出された分割確率Ｐ（ｉ）、Ｐ（ｉ＋１）の値および予め定められた分割閾値Ｔｈの値を比較し、最大のものを抽出する。この結果、分割確率Ｐ（ｉ）が抽出されたならばステップ１８０４を実行し、分割確率Ｐ（ｉ＋１）が抽出された場合にはステップ１８０６を実行し、分割閾値Ｔｈが抽出された場合にはステップ２１０１を実行する。
【０１９９】
ステップ１８０４では、単一文字種文字列の先頭から ｉ文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０５において、最新分割点ＬＳを ｉに設定し、 ｉの値を １加算する。
【０２００】
ステップ１８０６では、単一文字種文字列の先頭から（ｉ＋１）文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０７において、最新分割点ＬＳを（ｉ＋１）に設定し、ｉの値を ２加算する。
【０２０１】
ステップ２１０１では、分割確率の算出位置 ｉと単一文字種文字列の文字列長Ｌｎとを比較し、（ｉ＋１）が文字列長Ｌｎよりも小さい場合には、 ステップ２１０２を実行し、（ｉ＋１）が文字列長Ｌｎ以上であるならば、ステップ２１０３を実行する。
【０２０２】
ステップ２１０２では、分割確率の算出位置 ｉの値を １加算する。
【０２０３】
ステップ２１０３では、単一文字種文字列そのものを特徴文字列として抽出する。そして、ステップ２１０４において、最新分割点ＬＳを文字列長Ｌｎに設定し、 ｉの値を １加算する。
【０２０４】
以上が、分割確率比較特徴文字列抽出プログラム１４２ａの処理手順である。
【０２０５】
以下、第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理手順をそれぞれ図２３に示す具体例で説明する。なお、本図では、漢字で構成される単一文字種文字列「北海道」を対象とし、分割閾値Ｔｈを０．０５０とし、分割確率算出位置 ｉの初期値を １として分割確率比較特徴文字列抽出プログラム１４２ａの処理手順を説明する。
【０２０６】
分割確率比較特徴文字列抽出プログラム１４２ａでは、まず、ステップ２２００において、前述した分割確率算出プログラム１４３を起動し、 １文字目の分割確率Ｐ（１）と ２文字目の分割確率Ｐ（２）を算出し、Ｐ（１）＝０．０００およびＰ（２）＝０．００４を得る。
【０２０７】
次にステップ２３０１において、上記ステップ２２００で算出した分割確率Ｐ（１）、Ｐ（２）および分割閾値Ｔｈうち、最大のものを抽出する。この結果、分割閾値Ｔｈが最大であるので、ステップ２３０２において、分割確率の算出位置 ｉ（＝１）と単一文字種文字列「北海道」の文字列長Ｌｎ（＝３）を比較する。この結果、分割確率の算出位置 ｉの方が小さいので、 ｉの値を １加算する。
【０２０８】
そして、ステップ２３０４において、２文字目での分割確率Ｐ（２）と３文字目での分割確率Ｐ（３）を算出する。この例では、２文字目で「北海」と「道」に分割される確率は、２−ｇｒａｍ「北海」の単独確率０．０３と１−ｇｒａｍ「道」の単独確率０．１２の積Ｐ（２）＝０．００４として算出され、３文字目までの「北海道」として出現する確率は、２−ｇｒａｍ「北海」の先頭確率と２−ｇｒａｍ「海道」の末尾確率の積Ｐ（３）＝０．４６５として算出される。
【０２０９】
次に、ステップ２３０５において、上記ステップ２３０４で算出した分割確率Ｐ（２）、Ｐ（３）および分割閾値Ｔｈのうち、最大のものを抽出する。この結果、Ｐ（３）が最大であるので、３文字目「北海道」までが特徴文字列として抽出される。
【０２１０】
以上説明したように、本実施例によれば、分割確率が分割閾値よりも高い場合にのみ、比較処理を行なうようにすることにより、本来分割されることのない位置での分割を削減することができる。このため、第一の実施例で抽出されていた不適切な特徴文字列を大幅に削減することが可能となる。そのため、種文書が表わす概念を適切に検索できるとともに、高速に類似文書を検索することができるようになる。
【０２１１】
次に、本発明の第三の実施例について図２９を用いて説明する。
【０２１２】
第一の実施例および第二の実施例においては、特徴文字列として抽出される可能性のある全ての文字列を出現回数ファイル１５３中に格納しておく必要があるため、文字列の種類の増加に伴い、データベース内の各文書における出現回数の取得に長大な時間を要するとともに、必要な磁気ディスク容量が増加してしまう。
【０２１３】
本発明を適用した類似文書検索システムの第三の実施例は、種文書から抽出した特徴文字列に対するデータベース内の各文書における出現回数の取得に、出現回数ファイル１５３を用いずに、全文検索用インデクスを利用することにより上記必要な磁気ディスク容量を低減する方式である。
【０２１４】
すなわち、本実施例によれば、第一の実施例におけるデータベース内の各文書における出現回数の取得に全文検索システムを利用することにより、文字列の種類数が多いデータベースに対しても高速な類似文書検索を実現することが可能となる。さらに、出現回数ファイル１５３を全文検索用インデクスで代用するため、本類似文書検索システムを全文検索システムと組み合わせて実現した場合に、第一の実施例に比べ必要となる磁気ディスク容量を削減できることになる。
【０２１５】
本実施例は、第一の実施例（図１）とほぼ同様の構成を取るが、類似文書検索プログラム１３１中の出現回数取得プログラム１４６を構成する出現回数ファイル読込みプログラム１４７が異なる。このプログラムの代わりに、図２９に示すように全文検索プログラム２９０２が用いられる。
【０２１６】
以下、本実施例における処理手順のうち、第一の実施例とは異なる出現回数取得プログラム１４６ａの処理手順について、図３０を用いて説明する。
【０２１７】
ここで、第一の実施例における出現回数取得プログラム１４６（図２６）と異なる点は、出現回数取得ステップ３０００だけである。他の処理ステップの処理手順は、第一の実施例で説明した通りである。
【０２１８】
出現回数取得ステップ３０００では、特徴文字列抽出プログラム１４１によりワークエリア１７０に格納された特徴文字列を全文検索プログラム２９０２で検索することにより、テキスト１５０内の各文書における該特徴文字列の出現回数を取得する。
【０２１９】
本実施例の出現回数取得ステップ３０００で用いる全文検索プログラム２９０２としては、どのような方式を適用しても構わない。例えば、「特開昭６４−３５６２７号公報」（以下、従来技術４と呼ぶ）で開示されているようなｎ−ｇｒａｍインデクス方式を用いることも可能である。
【０２２０】
この従来技術４によるｎ−ｇｒａｍインデクス方式では、図２９に示すように、文書の登録時に、データベースへ登録する文書のテキストデータからｎ−ｇｒａｍとそのｎ−ｇｒａｍのテキスト中における出現位置を抽出し、全文検索用インデクス２９０１として磁気ディスク装置２９００に格納しておく。検索時には指定された検索ターム中に出現するｎ−ｇｒａｍを抽出し、これらに対応するインデクスを上記磁気ディスク装置２９００中の全文検索用インデクス２９０１から読み込み、インデクス中のｎ−ｇｒａｍの出現位置を比較し、検索タームから抽出したｎ−ｇｒａｍの位置関係とインデクス中のｎ−ｇｒａｍの位置関係が等しいかどうかを判定することによって、指定された検索タームが出現する文書を高速に検索する。
【０２２１】
この方法を用いて、特徴文字列を検索タームとして全文検索プログラム２９０２へ入力し、該特徴文字列の出現文書とその位置情報を取得することにより、該特徴文字列の各文書における出現回数を取得することが可能となる。
【０２２２】
以下、この従来技術４を用いた出現回数の取得方法を図７と図１５を用いて具体的に説明する。なお、本図では、ｎ−ｇｒａｍの ｎの値を １としている。
【０２２３】
まず、文書の登録時の処理手順を図７を用いて具体的に説明する。データベースに登録するテキスト７０１がｎ−ｇｒａｍインデクス作成登録ステップ７０２に読み込まれ、ｎ−ｇｒａｍインデクス７００が作成される。このｎ−ｇｒａｍインデクス７００には、テキスト７０１に出現する全ての１−ｇｒａｍとテキスト７０１における１−ｇｒａｍの出現位置が格納される。
【０２２４】
本図に示すテキスト７０１では、「携」という１−ｇｒａｍはテキスト７０１内の文書番号２の２６文字目に現れるので、ｎ−ｇｒａｍインデクス７００には１−ｇｒａｍ「携」とこれに対応したかたちで、出現位置（２，２６）が格納される。ここで、例えば、（２，２６）は、文書番号２の２６文字目に出現するということを示している。
【０２２５】
次に、検索時の処理手順を図１５を用いて具体的に説明する。本図では、前述の文書１「携帯電話の使用のマナーが問題になる。・・・」から抽出された特徴文字列「電話」の出現回数を、前述したｎ−ｇｒａｍインデクス７００から取得する例について示す。
【０２２６】
まず、検索対象となる特徴文字列がｎ−ｇｒａｍ抽出部１５００に入力され、特徴文字列中に出現する全ての ｎ−ｇｒａｍとその ｎ−ｇｒａｍの特徴文字列における出現位置が抽出される。次に、抽出された ｎ−ｇｒａｍとこれに対応する ｎ−ｇｒａｍの特徴文字列における出現位置がインデクス検索部１５０１に入力される。インデクス検索部１５０１では、特徴文字列から抽出された ｎ−ｇｒａｍに対応するインデクスが ｎ−ｇｒａｍインデクス７００から読み込まれ、これらのインデクスの中から文書番号が一致し、かつ特徴文字列中の位置関係と同じ位置関係を持つものが抽出され、検索結果として出力される。
【０２２７】
特徴文字列として「電話」が入力された本図の場合、まず、ｎ−ｇｒａｍ抽出部１５００において、（１−ｇｒａｍ「電」、１−ｇｒａｍ位置「１」）と（１−ｇｒａｍ「話」、１−ｇｒａｍ位置「２」）が抽出される。ここで、 ｎ−ｇｒａｍ位置「１」は検索タームの先頭、 ｎ−ｇｒａｍ位置「２」はその次の文字位置を示す。
【０２２８】
次に、インデクス検索部１５０１において、ｎ−ｇｒａｍインデクス７００から１−ｇｒａｍ「電」と「話」に対応するインデクスが読み込まれる。これらのインデクスにおける出現文書番号が等しく、かつ出現位置がｎ−ｇｒａｍ位置「１」とｎ−ｇｒａｍ位置「２」のように連続するものが、すなわち隣接するものが抽出され検索結果として出力される。
【０２２９】
本図では、 １−ｇｒａｍ「電」の（２，２８）と１−ｇｒａｍ「話」の出現位置（２，２９）が文書番号が同じで、位置が「２８」と「２９」で隣接するため、 ｎ−ｇｒａｍ「電話」が文字列として存在することが分かり、文書２中に検索ターム「電話」が出現することが検出される。しかし、 １−ｇｒａｍ「電」の（３，１１）と１−ｇｒａｍ「話」の（３，１５）は隣接していないため、この位置には特徴文字列「電話」が出現しないことが分かる。
【０２３０】
そして、上記インデクス検索部１５０１から検索結果として出力される出現位置を計数することにより、該当特徴文字列の出現回数を得る。
【０２３１】
以上説明したように、本実施例によれば、出現回数ファイルの特徴文字列検索用インデクスと出現回数ファイルの代わりに、全文検索用インデクスを利用することにより、余分なファイルを増やさずに、高速に類似文書検索を実現することが可能となる。
【０２３２】
次に、本発明の第四の実施例について図３１を用いて説明する。
【０２３３】
第一、第二および第三の実施例においては、種文書から抽出された単一文字種文字列の先頭から ｎ文字目での分割確率と（ｎ＋１）文字目での分割確率を比較することで特徴文字列を抽出するものとしたが、出現情報ファイル１５１と出現確率ファイル１５２を保持する必要があるため、文字列の種類の増加に伴い、必要な磁気ディスク容量が増加してしまう。
【０２３４】
本発明を適用した類似文書検索システムの第四の実施例は、出現情報ファイル１５１と出現確率ファイル１５２を用いずに、出現回数ファイル１５３を利用することで、上記必要な磁気ディスク容量を低減する方式である。
【０２３５】
本発明を適用した第四の実施例は、第一の実施例（図１）とほぼ同様の構成をとるが、類似文書検索プログラム１３１を構成する特徴文字列抽出プログラム１４１が異なり、ｎ−ｇｒａｍ抽出プログラム３１００と前述の出現回数取得プログラム１４６で構成される。
【０２３６】
以下、本実施例における処理手順のうち、第一の実施例とは異なる特徴文字列抽出プログラム１４１ａの処理手順について、図３２を用いて説明する。
【０２３７】
特徴文字列抽出プログラム１４１ａは、まずステップ３２００において、前述の単一文字種文字列抽出プログラム１６１により、ワークエリア１７０に格納されている全ての単一文字種文字列を取得する。
【０２３８】
次に、ステップ３２０１において、上記ステップ３２００で取得した全ての単一文字種文字列に対して、次のステップ３２０２〜３２０５を繰り返し実行する。
【０２３９】
すなわち、ステップ３２０２では、ｎ−ｇｒａｍ抽出プログラム３１００を起動し、ステップ３２００で取得した単一文字種文字列から、予め定められた長さ ｎ（ ｎは １以上の整数）のｎ−ｇｒａｍを先頭から １文字ずつずらしながら、全てのｎ−ｇｒａｍを抽出する。
【０２４０】
そして、ステップ３２０３において、上記ｎ−ｇｒａｍ抽出プログラム３１００により抽出された全てのｎ−ｇｒａｍに対して、次のステップ３２０４を繰り返し実行する。すなわち、ステップ３２０４では、出現回数取得プログラム１４６を起動し、上記ｎ−ｇｒａｍ抽出プログラム３１００により抽出されたｎ−ｇｒａｍの出現回数を取得する。
【０２４１】
そして、ステップ３２０５において、上記ステップ３２０４で取得した各ｎ−ｇｒａｍの出現回数の降順にソートし、上位から予め定められた個数のｎ−ｇｒａｍを特徴文字列として抽出する。
【０２４２】
以上が、特徴文字列抽出プログラム１４１ａの処理手順である。
【０２４３】
以下、図３２に示した特徴文字列抽出プログラム１４１ａの処理手順について具体例を用いて説明する。
【０２４４】
図３３に、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から特徴文字列を抽出する例を示す。本図に示す例ではｎ−ｇｒａｍのｎの値を２とし、各単一文字種文字列から２個の２−ｇｒａｍを特徴ｎ−ｇｒａｍとして抽出するものとする。
【０２４５】
まず、文書１から単一文字種文字列「・・・」「。」「携帯電話」「の」「使用時」「の」「マナー」「が」「問題」「になる」「。」「・・・」を抽出する。
【０２４６】
次に、これらの単一文字種文字列の先頭から１文字ずつずらしながら全ての２−ｇｒａｍを抽出し、各２−ｇｒａｍの出現回数の降順にソートする。例えば、単一文字種文字列「携帯電話」からは“携帯”、“帯電”、“電話”の３つの２−ｇｒａｍを抽出し、それぞれデータベース内の出現回数を取得する。この結果、（電話，５，２８３）、（携帯，４６２）、（帯電，２６９）が得られる。ここで（電話，５，２８２）は、２−ｇｒａｍ“電話”のデータベース内における出現回数が５，２８３回であることを表わす。
【０２４７】
次に、各単一文字種文字列において、上位２個の２−ｇｒａｍを特徴ｎ−ｇｒａｍとして抽出する。この結果、単一文字種文字列「携帯電話」では（電話，５，２８３）、（携帯，４６２）が上位２個であるため、“電話”および“携帯”が特徴文字列として抽出される。
【０２４８】
以上が、特徴文字列抽出プログラム１４１ａの具体的な処理例である。
【０２４９】
以上説明したように、本実施例によれば、出現情報ファイル１５１と出現確率ファイル１５２を用いずに、出現回数ファイル１５３を利用することにより、データベース中での実際の出現状況を正確に反映した特徴文字列を抽出することが可能となる。
【０２５０】
なお、本実施例では、単一文字種文字列の先頭から １文字ずつずらしながら予め定められた長さ ｎのｎ−ｇｒａｍを全て抽出するものとして、ｎ−ｇｒａｍ抽出プログラム３１００の処理手順を説明したが、単一文字種文字列中の任意のｎ−ｇｒａｍを抽出してもよいし、さらには、単一文字種文字列中の ｍ−ｇｒａｍ（ ｍは １以上の整数）と ｎ−ｇｒａｍを抽出してもよい。さらに、抽出するｎ−ｇｒａｍの長さ ｎを予め定められたものとしたが、単一文字種文字列の長さにより抽出する ｎの値を変更してもよいし、単一文字種文字列の文字種により変更してもよい。また、本発明のｎ−ｇｒａｍ抽出手法は、文書の特徴を表すｎ−ｇｒａｍを抽出することができるため、ｎ−ｇｒａｍを用いた文書の特徴を表すベクトルの算出やｎ−ｇｒａｍを用いた文書の分類にも適用可能である。
【０２５１】
【発明の効果】
本発明によれば、誤分割が少なくなるように特徴文字列を抽出することができるようになる。これにより、単語辞書を参照せずに類似文書検索を行なった場合でも、意味のまとまった文字列を用いて検索を行なうことができるため、中心概念のずれを低減した類似文書検索を実現できる。
【図面の簡単な説明】
【図１】本発明による類似文書検索システムの第一の実施例の全体構成を示す図である。
【図２】従来技術３における出現情報ファイルの例を示す図である。
【図３】従来技術３における出現確率ファイルの例を示す図である。
【図４】従来技術３における特徴文字列抽出方法の例を示す図である。
【図５】本発明による出現情報ファイルの例を示す図である。
【図６】本発明による出現確率ファイルの例を示す図である。
【図７】本発明の第三の実施例におけるｎ−ｇｒａｍインデクスの例を示す図である。
【図８】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２を漢字文字列に適用した場合の処理例を示す図である。
【図９】本発明による特徴文字列の抽出方法の例を示す図である。
【図１０】本発明の第一の実施例におけるシステム制御プログラム１１０の処理手順を示すＰＡＤ図である。
【図１１】本発明の第一の実施例における文書登録制御プログラム１１１の処理手順を示すＰＡＤ図である。
【図１２】本発明の第一の実施例における出現情報ファイル作成登録プログラム１２１の処理手順を示すＰＡＤ図である。
【図１３】本発明の第一の実施例における検索制御プログラム１１２の処理手順を示すＰＡＤ図である。
【図１４】本発明の第一の実施例における類似文書検索プログラム１３１の処理手順を示すＰＡＤ図である。
【図１５】本発明の第三の実施例における出現回数取得の例を示す図である。
【図１６】本発明の第一の実施例における出現確率ファイル作成登録プログラム１２４の処理手順を示すＰＡＤ図である。
【図１７】本発明の第一の実施例における特徴文字列抽出プログラム１４１の処理手順を示すＰＡＤ図である。
【図１８】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２の処理手順を示すＰＡＤ図である。
【図１９】本発明の第一の実施例における分割確率算出プログラム１４３の処理手順を示すＰＡＤ図である。
【図２０】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２をカタカナ文字列に適用した場合の処理例を示す図である。
【図２１】本発明の第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理手順を示すＰＡＤ図である。
【図２２】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２の処理例を示す図である。
【図２３】本発明の第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理例を示す図である。
【図２４】本発明による出現回数ファイル作成処理の手順を示す図である。
【図２５】本発明の第一の実施例における出現回数ファイル作成登録プログラム１２７の処理手順を示すＰＡＤ図である。
【図２６】本発明の第一の実施例における出現回数取得プログラム１４６の処理手順を示すＰＡＤ図である。
【図２７】本発明の第一の実施例における特徴文字列抽出プログラム１４１の処理例を示す図である。
【図２８】本発明の第一の実施例における分割確率算出の処理例を示す図である。
【図２９】本発明の第三の実施例における類似文書検索プログラム１３１の構成を示す図である。
【図３０】本発明の第三の実施例における出現回数取得プログラム１４６ａの処理手順を示す図である。
【図３１】本発明の第四の実施例における特徴文字列抽出プログラム１４１ａの構成を示す図である。
【図３２】本発明の第四の実施例における特徴文字列抽出プログラム１４１ａの処理手順を示すＰＡＤ図である。
【図３３】本発明の第四の実施例における特徴文字列抽出プログラム１４１ａの処理例を示す図である。
【符号の説明】
１００…ディスプレイ、
１０１…キーボード、
１０２…中央演算処理装置（ＣＰＵ）、
１０３…フロッピディスクドライブ（ＦＤＤ）、
１０４…フロッピディスク、
１０５…磁気ディスク装置、
１０６…主メモリ、
１０７…バス、
１１０…システム制御プログラム、
１１１…文書登録制御プログラム、
１１２…検索制御プログラム、
１２０…テキスト登録プログラム、
１２１…出現情報ファイル作成登録プログラム、
１２２…出現情報計数プログラム、
１２３…出現情報ファイル作成プログラム、
１２４…出現確率ファイル作成登録プログラム、
１２５…出現確率算出プログラム、
１２６…出現確率ファイル作成プログラム、
１２７…出現回数ファイル作成登録プログラム、
１２８…出現回数計数プログラム、
１２９…出現回数ファイル作成プログラム、
１３０…検索条件式解析プログラム、
１３１…類似文書検索プログラム、
１３２…検索結果出力プログラム、
１４０…種文書読込みプログラム、
１４１…特徴文字列抽出プログラム、
１４２…分割確率比較特徴文字列抽出プログラム、
１４３…分割確率算出プログラム、
１４４…出現確率ファイル読込みプログラム、
１４５…種文書内出現回数計数プログラム、
１４６…出現回数取得プログラム、
１４７…出現回数ファイル読込みプログラム、
１４８…類似度算出プログラム、
１５０…テキスト、
１５１…出現情報ファイル、
１５２…出現確率ファイル、
１５３…出現回数ファイル、
１６０…共有ライブラリ、
１６１…同一文字種文字列抽出プログラム、
１７０…ワークエリア
【発明の属する技術分野】
本発明は、文書に記述された内容の特徴を表す文字列を抽出する方法および装置並びに文字列抽出プログラムを格納した記憶媒体と、この方法および装置を用いて、ユーザが指定した文書に記述されている内容と類似する内容を含む文書を文書データベースの中から検索する方法および装置並びに検索プログラムを格納した記憶媒体に関する。
【０００２】
【従来の技術】
近年、パーソナルコンピュータやインターネット等の普及に伴い、電子化文書が爆発的に増加しており、今後も加速度的に増大していくものと予想される。このような状況において、ユーザが所望する情報を含んだ文書を高速かつ効率的に検索したいという要求が高まってきている。
【０００３】
このような要求に応える技術として全文検索がある。全文検索では、検索対象文書をテキストとして計算機システムに登録してデータベース化し、この中からユーザが指定した検索文字列（以下、検索タームと呼ぶ）を含む文書を検索する。このように全文検索では、文書中の文字列そのものを対象として検索を行うため、予めキーワードを付与し、このキーワードを手掛りに検索する従来のキーワード検索システムとは異なり、どんな言葉でも検索ができるという特長がある。
【０００４】
しかし、ユーザが所望する情報を含んだ文書を的確に検索するためには、ユーザの検索意図を正確に表わす複雑な検索条件式を作成し、入力する必要がある。これは、情報検索の専門家でない一般のユーザにとっては容易なことではない。
【０００５】
この繁雑さを解消するために、ユーザが自分の所望する内容を含んだ文書（以下、種文書と呼ぶ）を例示し、その文書と類似する文書を検索する類似文書検索技術が注目されている。
【０００６】
類似文書検索の方法としては、例えば、「特開平８−３３５２２２号公報」に、形態素解析により種文書中に含まれる単語を抽出し、これを用いて類似文書を検索する技術（以下、従来技術１と呼ぶ）が開示されている。
【０００７】
従来技術１では、形態素解析により種分書中に含まれる単語を抽出し、この単語を含む文書を類似文書として検索する。例えば、文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」を種文書とする場合、形態素解析により単語辞書を参照して、「携帯電話」「マナー」「問題」等の単語を抽出する。この結果、「携帯電話」を含む文書２「・・・。電車内での携帯電話の使用は禁止されている・・・」を類似文書として検索することができる。
【０００８】
しかし、従来技術１では、単語の抽出に単語辞書を用いるため、次のような２つの問題がある。
【０００９】
まず、単語辞書に掲載されていない単語が文書の本質的な内容（以下、中心概念と呼ぶ）を表わす場合、この単語が種文書から検索用の単語として抽出されないため、他の単語によって類似検索が行われたとしても、文書の中心概念が正確に検索できない恐れがある。すなわち、ユーザが所望する情報が新語で表されるような場合、これが単語辞書に含まれていないと、目的とする中心概念からずれた文書が検索されてしまうという問題がある。
【００１０】
次に、ユーザが所望する情報を表わす言葉が単語辞書に掲載されている場合でも、単語の抽出の仕方によっては検索の対象とする中心概念がずれてしまうという問題がある。例えば、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」という種文書からは、「携帯電話」「マナー」「問題」等の単語が抽出される。しかし、「電話」という単語が抽出されないため文書３「・・・。電話での話し方について注意された。・・・」という文書の類似度が低く算出されてしまう恐れがある。
【００１１】
これらは、全て単語辞書を用いて検索用の単語を抽出する方法を用いていることに起因する。
【００１２】
以上が従来技術１の問題点である。
【００１３】
この問題を解決するために、「特願平９−３０９０７８号」で、単語辞書を用いずに、種文書中から漢字やカタカナ等の文字種別に連続する ｎ文字の文字列（以下、ｎ−ｇｒａｍと呼ぶ）を漢字やカタカナ等の文字種別に機械的に抽出し、これを用いて類似文書を検索する技術（以下、従来技術２と呼ぶ）を提案した。
【００１４】
従来技術２では、文字種別にｎ−ｇｒａｍの抽出方法を変え、意味のまとまりをもったｎ−ｇｒａｍ（以下、特徴文字列と呼ぶ）を抽出する。例えば、漢字で構成される文字列（以下、漢字文字列と呼ぶ）からは機械的に２−ｇｒａｍを抽出し、カタカナで構成される文字列（以下、カタカナ文字列と呼ぶ）からは、カタカナで構成される最長の文字列（以下、カタカナ最長文字列と呼ぶ）、すなわちカタカナ文字列そのものを抽出する。この場合、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」という種文書からは、「携帯」「帯電」「電話」「使用」「マナー」「問題」等という特徴文字列が抽出される。すなわち、「電話」という文字列も漏れなく抽出されるため、従来技術１では低い類似度が算出されてしまう文書３「・・・。電話での話し方について注意された。・・・」についても正しく類似度が算出されるようになる。
【００１５】
しかし、従来技術２では、複合語を構成する可能性のある漢字文字列等からは、単語間にまたがるｎ−ｇｒａｍも抽出する可能性がある。このため、これを検索に用いると、内容の類似しない文書に対してまでも類似度が算出され、この結果、関連のない文書が類似文書として検索されるという問題が生じる。例えば、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」という種文書から抽出された「帯電」という特徴文字列により類似度が算出され、文書４「・・・。電荷の帯電を防ぐために、接地しなくてはならない。・・・」という文書が類似文書として誤って検索されてしまうという問題がある。
【００１６】
この問題を解決するための技術として、「情報処理学会論文誌 ｐｐ．２２８６〜２２９７， Ｖｏｌ．３８， Ｎｏ．１１， Ｎｏｖ．１９９７」に、１−ｇｒａｍの統計情報を用いて特徴文字列を抽出する技術（以下、従来技術３と呼ぶ）が提案されている。
【００１７】
従来技術３では、文書登録時に登録文書中に出現する各１−ｇｒａｍについて、単語の先頭である確率（以下、先頭確率と呼ぶ）と末尾である確率（以下、末尾確率と呼ぶ）を算出しておく。ここでは、単語を、漢字やカタカナ等の文字種境界で区切られ、単一の文字種で構成される文字列（以下、単一文字種文字列と呼ぶ）とし、文字種境界の直後に位置する１−ｇｒａｍを単語の先頭にある１−ｇｒａｍとし、文字種境界の直前に位置する１−ｇｒａｍを単語の末尾にある１−ｇｒａｍとしている。
【００１８】
例えば、上記の文書１「・・・。携帯電話の使用のマナーが問題になる。・・・」から文字種境界で抽出した“使用”という漢字文字列では、“使”が単語の先頭にある１−ｇｒａｍで、“用”が単語の末尾にある１−ｇｒａｍとなる。
【００１９】
類似文書検索時には、まず指定された種文書から単一文字種文字列を抽出する。次に、単一文字種文字列内の連続する２個の１−ｇｒａｍにおける前方の１−ｇｒａｍの末尾確率と後方の１−ｇｒａｍの先頭確率から、これらの１−ｇｒａｍ間で単一文字種文字列が分割される確率（以下、分割確率と呼ぶ）を算出し、この値が所定の値（以下、分割閾値と呼ぶ）を越えている場合には、そこで単一文字種文字列を分割するという処理を行う。
【００２０】
以下、分割閾値を０．０５０として、従来技術３の具体的な処理方法を説明する。
【００２１】
まず、文書登録時には全登録対象文書中に出現する各１−ｇｒａｍについて、出現回数、単語の先頭に出現する回数（以下、先頭回数と呼ぶ）および末尾に出現する回数（以下、末尾回数と呼ぶ）を計数し、出現情報ファイルに格納する。例えば、上記の文書１では“携”の出現回数は１回、先頭回数は１回および末尾回数は０回という出現情報が得られる。図２に出現情報ファイルの例を示す。
【００２２】
その後、上記出現情報ファイルを参照し、各１−ｇｒａｍについて、それぞれ先頭確率と末尾確率を算出し、出現確率ファイルに格納する。例えば、１−ｇｒａｍ“携”の先頭確率は７６８ ／ ４，７４０ ＝ ０．１６、末尾確率は ４９２ ／ ４，７４０ ＝ ０．１０となる。図３に出現確率ファイルの例を示す。
【００２３】
次に、単一文字種文字列「携帯電話」を例として、従来技術３の文書検索方法を説明する。
【００２４】
まず、単一文字種文字列「携帯電話」の中から１−ｇｒａｍの二つの組として、（“携”，“帯”）、（“帯”，“電”）および（“電”，“話”）の３個を抽出する。次に、各１−ｇｒａｍの組において、前方の１−ｇｒａｍの末尾確率と後方の１−ｇｒａｍの先頭確率を、登録時に作成した出現確率ファイルから取得し、分割確率を算出する。
【００２５】
図４に、「携帯電話」から抽出した３個の１−ｇｒａｍの組における分割確率の算出過程を示す。本例では、（“携”，“帯”）、（“帯”，“電”）および（“電”，“話”）の分割確率として、それぞれ０．０１１、０．０５４および０．００５が算出され、これらの分割確率のうち、（“帯”，“電”）の０．０５４が分割閾値０．０５０より大きいので、“帯”と“電”の間で分割される。一方、（“携”，“帯”）および（“電”，“話”）の分割確率はそれぞれ０．０１１および０．００５であり、これらは分割閾値０．０５０より小さいので、これらの１−ｇｒａｍ間では分割されない。その結果、「携帯電話」が“帯”と“電”の間で分割され、「携帯」と「電話」の２個の特徴文字列が抽出されることになる。
【００２６】
以上が、従来技術３の具体的な処理方法である。このように従来技術３では、１−ｇｒａｍの統計情報を用いて特徴文字列を抽出することにより、単語間にまたがる不適切な特徴文字列を抽出しないようにして、内容の類似しない文書が検索されることのないように配慮している。
【００２７】
しかし、従来技術３では、分割確率の絶対値で分割の可否を判断するため、単語としての特徴文字列の抽出精度が低いという問題がある。例えば、単一文字種文字列「帯電」に対しては、１−ｇｒａｍの組（“帯”，“電”）が抽出され、この１−ｇｒａｍ間の分割確率として０．０５４が算出される。
【００２８】
この値は分割閾値０．０５０より大きいため、「帯電」が「帯」と「電」のように誤って分割（以下、誤分割と呼ぶ）されてしまい、不適切な２個の特徴文字列が抽出されてしまう。この結果、「帯（おび）」に関係のある文書等も類似文書として検索されてしまい、検索ノイズが混入して、目的とする中心概念がずれた文書が類似文書として検索されてしまうという問題がある。
【００２９】
【発明が解決しようとする課題】
以上述べたように、従来技術１のように単語辞書を用いて単語を抽出する方法では、単語辞書に掲載されていない単語が種文書の中心概念を表す場合には、中心概念からずれた文書が検索されてしまうという問題がある。
【００３０】
また、従来技術２のように単一文字種文字列から文字種別に、単純にｎ−ｇｒａｍを抽出する方法では、複合語を構成する可能性のある漢字文字列等から単語間にまたがるｎ−ｇｒａｍを抽出してしまうことにより、関連のない文書が類似文書として検索されてしまうという問題がある。
【００３１】
さらに、従来技術３のように、１−ｇｒａｍの統計情報を用いて分割確率を算出し、この値の絶対値で分割の可否を判断する方法においても、単語としての特徴文字列の抽出精度が低いため、検索ノイズが混入し、目的とする中心概念がずれた文書が類似文書として検索されてしまうという問題がある。
【００３２】
こうした従来技術の問題に対し、本発明では、誤分割が少なくなるように特徴文字列を抽出する方法および装置を提供することを目的とする。
【００３３】
また、誤分割が少なくなるように特徴文字列を抽出することにより、検索ノイズを少なくすることで中心概念のずれを低減した類似文書検索が行える方法および装置を提供することを目的とする。
【００３４】
【課題を解決するための手段】
上記課題を解決するために、本発明による特徴文字列抽出方法では、以下に示すステップからなる処理により、種文書から特徴文字列の抽出を行なう。
【００３５】
すなわち、本発明による特徴文字列抽出方法では、文書の登録処理として、
（ステップ１）登録対象文書を読み込む文書読込みステップ、
（ステップ２）上記文書読込みステップで読み込んだ登録対象文書中の文字列を、漢字やカタカナ等の文字種境界で分割し、単一文字種文字列として抽出する単一文字種文字列抽出ステップ、
（ステップ３）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列に対して、その文字種を判定し、漢字やカタカナならば予め定められた長さのｎ−ｇｒａｍについて登録文書における出現回数、単語の先頭に出現する回数（以下、先頭回数と呼ぶ）と末尾に出現する回数（以下、末尾回数と呼ぶ）、およびｎ−ｇｒａｍそのものが単語として出現する回数（以下、単独回数と呼ぶ）を計数する出現情報計数ステップ、
（ステップ４）上記出現情報計数ステップで計数されたｎ−ｇｒａｍの出現情報を、既にデータベースに登録されている文書に関する該ｎ−ｇｒａｍの出現情報に加算することで、データベース全体の出現情報を算出し、該当する出現情報ファイルへ格納する出現情報ファイル作成登録ステップ、
（ステップ５）上記出現情報計数ステップで出現情報が計数されたｎ−ｇｒａｍに関して、該当する出現情報ファイルからデータベース全体における出現情報を取得し、単語の先頭である確率（以下、先頭確率と呼ぶ）と末尾である確率（以下、末尾確率と呼ぶ）およびｎ−ｇｒａｍそのものが単語として出現する確率（以下、単独確率と呼ぶ）を算出し、該当する出現確率ファイルに格納する出現確率ファイル作成登録ステップ、
（ステップ６）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列から、予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書中における出現回数を計数する出現回数計数ステップ、
（ステップ７）上記出現回数計数ステップで計数された出現回数を該当する出現回数ファイルに格納する出現回数ファイル作成登録ステップ、
を有し、
種文書から特徴文字列を抽出する処理として、
（ステップ８）種文書を読み込む種文書読込みステップ、
（ステップ９）上記種文書読込みステップにおいて読み込まれた種文書中の文字列を文字種境界で分割し、単一文字種文字列として抽出する検索用単一文字種文字列抽出ステップ、
（ステップ１０）上記検索用単一文字種文字列抽出ステップで抽出された単一文字種文字列に関して、その文字種を判定し、
漢字やカタカナならば、前記出現確率ファイルを読み込み、単一文字種文字列の先頭から ｉ文字目までの文字列の単独確率、（ｉ＋１）文字目までの文字列の単独確率、（ｉ＋１）文字目の文字の先頭確率および（ｉ＋２）文字目の文字の先頭確率を取得し、
ｉ文字目で単一文字種文字列が分割される確率（以下、分割確率と呼ぶ）を ｉ文字目までの文字列の単独確率と（ｉ＋１）文字目の文字の先頭確率の積として算出し、
（ｉ＋１）文字目での分割確率を、（ｉ＋１）文字目までの文字列の単独確率と（ｉ＋２）文字目の文字の先頭確率の積として算出し、
これらの ｉ文字目と（ｉ＋１）文字目の分割確率を比較して、値の大きい方を単一文字種文字列が分割される点（以下、分割点と呼ぶ）とし、先頭から分割点までの文字列を特徴文字列として抽出し、
漢字やカタカナ以外ならば、単一文字種文字列そのものを特徴文字列として抽出し、
抽出された特徴文字列を除外した残りの文字列に対して、同様の処理を繰り返すことによって特徴文字列を抽出する特徴文字列抽出ステップ
を有する。
【００３６】
また、前述の課題を解決するために、本発明による類似文書検索方法では、上記ステップからなる処理により、種文書と類似する文書を検索するための特徴文字列を抽出し、これを用いて類似文書検索を行う。
【００３７】
すなわち、本発明による類似文書検索方法では、文書の登録処理として、
（ステップ１）登録対象文書を読み込む文書読込みステップ、
（ステップ２）上記文書読込みステップで読み込んだ登録対象文書中の文字列を、漢字やカタカナ等の文字種境界で分割し、単一文字種文字列として抽出する単一文字種文字列抽出ステップ、
（ステップ３）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列に対して、その文字種を判定し、漢字やカタカナならば予め定められた長さのｎ−ｇｒａｍについて登録文書における出現回数、単語の先頭に出現する回数（以下、先頭回数と呼ぶ）と末尾に出現する回数（以下、末尾回数と呼ぶ）、およびｎ−ｇｒａｍそのものが単語として出現する回数（以下、単独回数と呼ぶ）を計数する出現情報計数ステップ、
（ステップ４）上記出現情報計数ステップで計数されたｎ−ｇｒａｍの出現情報を、既にデータベースに登録されている文書に関する該ｎ−ｇｒａｍの出現情報に加算することで、データベース全体の出現情報を算出し、該当する出現情報ファイルへ格納する出現情報ファイル作成登録ステップ、
（ステップ５）上記出現情報計数ステップで出現情報が計数されたｎ−ｇｒａｍに関して、該当する出現情報ファイルからデータベース全体における出現情報を取得し、単語の先頭である確率（以下、先頭確率と呼ぶ）と末尾である確率（以下、末尾確率と呼ぶ）およびｎ−ｇｒａｍそのものが単語として出現する確率（以下、単独確率と呼ぶ）を算出し、該当する出現確率ファイルに格納する出現確率ファイル作成登録ステップ、
（ステップ６）上記単一文字種文字列抽出ステップで抽出された単一文字種文字列から、予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書中における出現回数を計数する出現回数計数ステップ、
（ステップ７）上記出現回数計数ステップで計数された出現回数を該当する出現回数ファイルに格納する出現回数ファイル作成登録ステップ、
を有し、
種文書に類似する文書の検索処理として、
（ステップ８）種文書を読み込む種文書読込みステップ、
（ステップ９）上記種文書読込みステップにおいて読み込まれた種文書中の文字列を文字種境界で分割し、単一文字種文字列として抽出する検索用単一文字種文字列抽出ステップ、
（ステップ１０）上記検索用単一文字種文字列抽出ステップで抽出された単一文字種文字列に関して、その文字種を判定し、
漢字やカタカナならば、前記出現確率ファイルを読み込み、単一文字種文字列の先頭から ｉ文字目までの文字列の単独確率、（ｉ＋１）文字目までの文字列の単独確率、（ｉ＋１）文字目の文字の先頭確率および（ｉ＋２）文字目の文字の先頭確率を取得し、
ｉ文字目で単一文字種文字列が分割される確率（以下、分割確率と呼ぶ）を ｉ文字目までの文字列の単独確率と（ｉ＋１）文字目の文字の先頭確率の積として算出し、
（ｉ＋１）文字目での分割確率を、（ｉ＋１）文字目までの文字列の単独確率と（ｉ＋２）文字目の文字の先頭確率の積として算出し、
これらの ｉ文字目と（ｉ＋１）文字目の分割確率を比較して、値の大きい方を単一文字種文字列が分割される点（以下、分割点と呼ぶ）とし、先頭から分割点までの文字列を特徴文字列として抽出し、
漢字やカタカナ以外ならば、単一文字種文字列そのものを特徴文字列として抽出し、
抽出された特徴文字列を除外した残りの文字列に対して、同様の処理を繰り返すことによって特徴文字列を抽出する特徴文字列抽出ステップ、
（ステップ１１）上記特徴文字列抽出ステップで抽出された全ての特徴文字列に対して、種文書内における出現回数を計数する種文書内出現回数計数ステップ、
（ステップ１２）上記特徴文字列抽出ステップで抽出された全ての特徴文字列に対して、前記出現回数ファイルを読み込み、データベース内の各文書における該当特徴文字列の出現回数を取得するデータベース内出現回数取得ステップ、
（ステップ１３）上記特徴文字列抽出ステップで抽出された特徴文字列に対し、上記種文書内出現回数計数ステップで計数された種文書内の出現回数と、上記データベース内出現回数取得ステップで取得されたデータベース内の各文書における出現回数を用いて、予め定められた算出式に基づいて種文書とデータベース内の各文書との類似度を算出する類似度算出ステップ、
（ステップ１４）上記類似度算出ステップで算出された類似度に基づいて、検索結果を出力する検索結果出力ステップ
を有する。
【００３８】
上記文書検索方法を用いた本発明の原理を、以下に説明する。
【００３９】
本発明では、文書を登録する際に、（ステップ１）〜（ステップ７）を実行する。
【００４０】
まず、文書読込みステップ（ステップ１）で登録対象となる文書を読み込む。次に、単一文字種文字列抽出ステップ（ステップ２）において、上記文書読込みステップ（ステップ１）で読み込まれた登録対象文書中の文字列を、漢字やカタカナ等の文字種境界で分割し、単一文字種からなる文字列を抽出する。例えば、前述の文書２「・・・。電車内での携帯電話の使用は禁止されている。・・・」という文書からは、「電車内」「での」「携帯電話」「の」「使用」「は」「禁止」「されている」等の単一文字種文字列が抽出される。
【００４１】
次に、出現情報計数ステップ（ステップ３）において、単一文字種文字列抽出ステップ（ステップ２）で抽出された上記各単一文字種文字列について、その文字種を判定し、漢字やカタカナならば予め定められた長さ ｎのｎ−ｇｒａｍの登録対象文書中の出現回数、先頭回数、末尾回数および単独回数を計数する。例えば、漢字文字列とカタカナ文字列から１−ｇｒａｍおよび２−ｇｒａｍの出現回数、先頭回数および末尾回数を計数するものと定められている場合には、上記単一文字種文字列抽出ステップ（ステップ２）で抽出された単一文字種文字列について、“携”の出現回数は１回、そのうち先頭回数は１回、末尾回数は０回、単独回数は０回であり、“携帯”の出現回数は１回、そのうち先頭回数は１回、末尾回数は０回、単独回数は０回と計数される。
【００４２】
次に、出現情報ファイル作成登録ステップ（ステップ４）において、先に出現情報計数ステップ（ステップ３）で抽出されたｎ−ｇｒａｍの出現情報を、既にデータベースに登録されている文書に関する出現情報に加算し、累積情報としての出現情報を該当する出現情報ファイルへ格納する。図５に出現情報ファイルの例を示す。本図に示した出現情報ファイルは、上記出現情報計数ステップ（ステップ３）において抽出された出現情報を格納した場合の例である。本図に示した出現情報ファイルは、前述の１−ｇｒａｍ“携”に関しては、出現回数４，７４０回、先頭回数７６８回、末尾回数４９２回、および単独回数４２回という情報を格納し、２−ｇｒａｍ“携帯”に関しては、出現回数４６２回、先頭回数４１９回、末尾回数５２回、および単独回数４８回という情報を格納していることを表わす。
【００４３】
次に、出現確率ファイル作成登録ステップ（ステップ５）において、出現情報ファイル作成登録ステップ（ステップ４）で出現情報が格納されたｎ−ｇｒａｍに対して、それぞれ出現確率を算出し、該当する出現確率ファイルに格納する。例えば、図５に示すように、１−ｇｒａｍ“携”に関しては、出現回数４，７４０回、先頭回数７６８回、末尾回数４９２回、および単独回数４２回であることから、先頭確率は７６８ ／ ４，７４０ ＝ ０．１６、末尾確率は ４９２ ／ ４，７４０ ＝ ０．１０、単独確率は４２ ／ ４，７４０ ＝ ０．０１と計算される。図６に出現確率ファイルの例を示す。本図に示した出現確率ファイルは、上記出現情報計数ステップ（ステップ３）において抽出された出現確率を格納した場合の例であり、前述の１−ｇｒａｍ“携”に関しては、先頭確率０．１６、末尾確率０．１０、および単独確率０．０１という情報が格納され、２−ｇｒａｍ“携帯”に関しては、先頭確率０．９０、末尾確率０．１１、および単独確率０．１０という情報が格納されていることを表わす。
【００４４】
次に、出現回数計数ステップ（ステップ６）において、単一文字種文字列抽出ステップ（ステップ２）で抽出された全ての単一文字種文字列から、予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書中における出現回数を計数する。そして、出現回数ファイル作成登録ステップ（ステップ７）において、上記出現回数計数ステップ（ステップ６）で抽出された各ｎ−ｇｒａｍの出現回数を該当する出現回数ファイルに格納する。
【００４５】
図２４に、前述の文書２「・・・。電車内での携帯電話の使用は禁止されている。・・・」を例に、出現回数ファイル作成処理の手順を示す。
【００４６】
まず、単一文字種文字列抽出ステップ（ステップ２）で登録対象文書である文書２から全ての単一文字種文字列を抽出する。
【００４７】
次に、出現回数計数ステップ（ステップ６）で、上記単一文字種文字列抽出ステップ（ステップ２）で抽出された全ての単一文字種文字列から予め定められた長さのｎ−ｇｒａｍを抽出し、登録対象文書内の出現回数を計数する。本図に示した例では、単一文字種文字列から長さが３のｎ−ｇｒａｍまでを抽出するものとし、単一文字種文字列２４０４に含まれる「電車内」から、長さが１の“電”、“車”、“内”、長さが２の“電車”、“車内”、および長さが３の“電車内”が抽出され、文書２における出現回数が計数される。この結果、“電”は文書２の中に２回出現し、“車”は文書２の中に１回出現しているというように計数される。
【００４８】
そして、出現回数ファイル作成登録ステップ（ステップ７）で、出現回数計数ステップ（ステップ６）で抽出された各ｎ−ｇｒａｍの出現回数を該当する出現回数ファイルに格納する。この結果、文書２からは、１−ｇｒａｍ“電”（２，２）、“車”（２，１）、“内”（２，１）、２−ｇｒａｍ“電車”（２，１）、“車内”（２，１）、３−ｇｒａｍ“電車内”（２，１）のように各ｎ−ｇｒａｍの登録対象文書の識別番号と出現回数が組みとして格納される。ここで、“電車”（２，１）は、２−ｇｒａｍ“電車”が文書番号２の文書に、１回出現するということを示している。
【００４９】
検索時には、（ステップ８）〜（ステップ１４）を実行する。
【００５０】
まず、種文書読込みステップ（ステップ８）において、種文書として文書１を読み込む。 次に、検索用単一文字種文字列抽出ステップ（ステップ９）において、上記種文書読込みステップ（ステップ８）で読み込まれた種文書（文書１）中の文字列を文字種境界で分割し、単一文字種文字列を抽出する。
【００５１】
次に、特徴文字列抽出ステップ（ステップ１０）において、上記検索用単一文字種文字列抽出ステップ（ステップ９）で抽出された単一文字種文字列について、その文字種を判定する。
【００５２】
この文字種が、漢字やカタカナならば、前述した出現確率ファイルを読み込み、単一文字種文字列の先頭から ｉ文字目までの文字列の単独確率、（ｉ＋１）文字目までの文字列の単独確率、（ｉ＋１）文字目の文字の先頭確率および（ｉ＋２）文字目の文字の先頭確率を取得する。そして、 ｉ文字目での分割確率を ｉ文字目までの文字列の単独確率と（ｉ＋１）文字目の文字の先頭確率の積として算出し、（ｉ＋１）文字目での分割確率を（ｉ＋１）文字目までの文字列の単独確率と（ｉ＋２）文字目の文字の先頭確率の積として算出する。そして、これらの ｉ文字目と（ｉ＋１）文字目の分割確率を比較して、値の大きい方を分割点とし、先頭から該分割点までの文字列を特徴文字列として抽出する。
【００５３】
また、漢字やカタカナでなければ、単一文字種文字列そのものを特徴文字列として抽出し、以下、同様の処理を繰り返すことによって、特徴文字列を抽出する。
【００５４】
図８に、文書１から抽出した単一文字種文字列「携帯電話」から特徴文字列を抽出する例を示す。まず、「携帯電話」における１文字目での分割確率は、「携」の単独確率０．０１と「帯」の先頭確率０．１１の積として０．００１が算出され、２文字目での分割確率は、「携帯」の単独確率０．１０と「電」の先頭確率０．３６の積として０．０３６が算出される。次に、これらの分割確率を比較し、値の大きい方で単一文字種文字列を分割する。この場合、２文字目の分割確率０．０３６の方が大きいので、単一文字種文字列「携帯電話」は「携帯」と「電話」に分割される。
【００５５】
また、図９に、従来技術３では適切に分割されない単一文字種文字列「帯電」の例について、本発明の分割処理を示す。まず、「帯電」における １文字目での分割確率は、「帯」の単独確率０．０１と「電」の単独確率０．０１の積として０．０００１と算出される。また、 ２文字目での分割確率、すなわち「帯電」が単一文字種文字列そのものとして出現する確率は、「帯電」の単独確率０．１０と算出される。これらの値を比較して、値の大きい方で単一文字種文字列に分割される。この場合、「帯電」の単独確率０．１０の方が大きいので、「帯電」は ２文字目で分割されることになり、結果的に単一文字種文字列「帯電」は分割されず、一塊の文字列として抽出されることになる。
【００５６】
このように分割確率を比較して単一文字種文字列を分割することにより、データベース中での実際の出現状況を正確に反映した単語分割が行なえるため、分割確率の絶対値で分割する前述した従来技術３に比べ、不適切な分割を大幅に削減することが可能になる。
【００５７】
次に、種文書内出現回数計数ステップ（ステップ１１）において、上記特徴文字列抽出ステップ（ステップ１０）で抽出された特徴文字列の種文書内における出現回数を計数する。
【００５８】
そして、データベース内出現回数取得ステップ（ステップ１２）において、上記特徴文字列抽出ステップ（ステップ１０）で抽出された特徴文字列に対して、前述した出現回数ファイルを参照し、データベース内の各文書における出現回数を得る。
【００５９】
そして、類似度算出ステップ（ステップ１３）において、前記特徴文字列抽出ステップ（ステップ１０）で抽出された特徴文字列に対して、上記種文書内出現回数計数ステップ（ステップ１１）とデータベース内出現回数取得ステップ（ステップ１２）で計数された種文書内における出現回数と、データベース内の各文書における出現回数を基に、類似度が算出される。
【００６０】
類似度の算出には、例えば、「特開平６−１１０９４８号公報」に開示されている以下に示す類似度算出式（１）を用いてもよい。
【００６１】
【数式１】
ここで、Ｕ（ｊ）は種文書中の ｊ番目のｎ−ｇｒａｍの正規化ウエイトを示し、各ｎ−ｇｒａｍの種文書内出現回数から算出される。Ｒ（ｊ）はデータベース中文書の ｊ番目のｎ−ｇｒａｍの正規化ウエイトを示、各ｎ−ｇｒａｍのデータベース内の各文書における出現回数から算出される。正規化ウエイトとは、データベースにおけるｎ−ｇｒａｍの出現偏りを表し、この値が大きいｎ−ｇｒａｍほどある特定の文書に偏って出現することを意味する。この正規化ウエイトの算出方法については、「特開平６−１１０９４８号公報」で説明されているため、ここでは説明を省略する。また、 ｎはデータベース中の全文書数を表わす。
【００６３】
この類似度算出式（１）を用いて、文書１が種文書として指定された場合の文書 ｉの類似度Ｓ（ｉ）を算出すると、次のようになる。
【００６４】
Ｓ（１） ＝ １．０
Ｓ（２） ＝ ０．２６２
Ｓ（３） ＝ ０．０４８
Ｓ（４） ＝ ０．０
この結果、検索結果出力ステップ（ステップ１４）で、文書を類似度の降順に整列すると、文書１、文書２、および文書３の順に表示されることになる。類似度が ０の文書４は検索結果としては出力されない。
【００６５】
以上説明したように、本発明の特徴文字列抽出方法を用いた類似文書検索方法によれば、 従来技術１のように単語辞書を用いることなく単一文字種文字列から文字列を機械的に抽出することができるため、どのような単語についても漏れなく検索に供することができ、種文書が表わす概念を正確に検索することが可能となる。
【００６６】
また、従来技術２のように単一文字種文字列から文字種別に、単純にｎ−ｇｒａｍを抽出するのではなく、統計情報を用いて意味のまとまったｎ−ｇｒａｍを抽出することにより、種文書が表わす概念をより正確に検索することが可能となる。
【００６７】
さらに、従来技術３のように分割確率の絶対値で分割するのではなく、分割確率を比較し、その値が大きい方で分割することにより、データベース中での実際の出現状況を正確に反映した単語分割が可能となり、不適切な単語分割を大幅に削減することが可能となる。そのため、従来技術３に比べ不適切な特徴文字列が検索に供されないため、種文書が表わす概念を適切に検索できるとともに、高速に類似文書を検索することができるようになる。
【００６８】
【発明の実施の形態】
以下、本発明の第一の実施例について図１を用いて説明する。
【００６９】
本発明を適用した類似文書検索システムの第一の実施例は、ディスプレイ１００、キーボード１０１、中央演算処理装置（ＣＰＵ）１０２、磁気ディスク装置１０５、フロッピディスクドライブ（ＦＤＤ）１０３、主メモリ１０６およびこれらを結ぶバス１０７から構成される。
【００７０】
磁気ディスク装置１０５には、テキスト１５０、出現情報ファイル１５１、出現確率ファイル１５２および出現回数ファイル１５３が格納される。ＦＤＤ１０３を介してフロッピディスク１０４に格納されている登録文書や種文書等の情報が、主メモリ１０６内に確保されるワークエリア１７０あるいは磁気ディスク装置１０５へ読み込まれる。
【００７１】
主メモリ１０６には、システム制御プログラム１１０、文書登録制御プログラム１１１、共有ライブラリ１６０、テキスト登録プログラム１２０、出現情報ファイル作成登録プログラム１２１、出現確率ファイル作成登録プログラム１２４、出現回数ファイル作成登録プログラム１２７、検索制御プログラム１１２、検索条件式解析プログラム１３０、類似文書検索プログラム１３１および検索結果出力プログラム１３２が格納されるとともにワークエリア１７０が確保される。これらのプログラムは、フロッピーディスクやＣＤ−ＲＯＭなどの持ち運び可能な記憶媒体に格納され、ここから読み出し磁気ディスク装置１０５へインストールする。本装置起動時に、システム制御プログラム１１０が起動し、これらのプログラムを磁気ディスク装置１０５から読み出し、主メモリ１０６へ格納する。
【００７２】
共有ライブラリ１６０は、単一文字種文字列抽出プログラム１６１で構成される。
【００７３】
出現情報ファイル作成登録プログラム１２１は、出現情報計数プログラム１２２と出現情報ファイル作成プログラム１２３で構成されるとともに、後述するように共有ライブラリ１６０から単一文字種文字列抽出プログラム１６１を呼び出す構成をとる。
【００７４】
出現確率ファイル作成登録プログラム１２４は、出現確率算出プログラム１２５と出現確率ファイル作成プログラム１２６で構成される。
【００７５】
出現回数ファイル作成登録プログラム１２７は、出現回数計数プログラム１２８と出現回数ファイル作成プログラム１２９で構成される。
【００７６】
類似文書検索プログラム１３１は、種文書読込みプログラム１４０、特徴文字列抽出プログラム１４１、種文書内出現回数計数プログラム１４５、出現回数取得プログラム１４６および類似度算出プログラム１４８で構成されるとともに、後述するように共有ライブラリ１６０から単一文字種文字列抽出プログラム１６１を呼び出す構成をとる。
【００７７】
特徴文字列抽出プログラム１４１は、分割確率比較特徴文字列抽出プログラム１４２を呼び出す構成をとる。分割確率比較特徴文字列抽出プログラム１４２は、分割確率算出プログラム１４３を呼び出す構成をとる。分割確率算出プログラム１４３は出現確率ファイル読込みプログラム１４４を呼び出す構成をとる。
【００７８】
出現回数取得プログラム１４６は、出現回数ファイル読込みプログラム１４７を呼び出す構成をとる。
【００７９】
文書登録制御プログラム１１１および検索制御プログラム１１２は、ユーザによるキーボード１０１からの指示に応じてシステム制御プログラム１１０によって起動され、それぞれテキスト登録プログラム１２０、出現情報ファイル作成登録プログラム１２１、出現確率ファイル作成登録プログラム１２４および出現回数ファイル作成登録プログラム１２７の制御と、検索条件式解析プログラム１３０、類似文書検索プログラム１３１および検索結果出力プログラム１３２の制御を行なう。
【００８０】
以下、本実施例における類似文書検索システムの処理手順について説明する。
【００８１】
まず、システム制御プログラム１１０の処理手順について図１０のＰＡＤ（Ｐｒｏｂｌｅｍ Ａｎａｌｙｓｉｓ Ｄｉａｇｒａｍ）図を用いて説明する。
【００８２】
システム制御プログラム１１０では、まずステップ１０００で、キーボード１０１から入力されたコマンドを解析する。
【００８３】
次に、ステップ１００１で、この解析結果が登録実行のコマンドであると判定された場合には、ステップ１００２で文書登録制御プログラム１１１を起動して、文書の登録を行なう。
【００８４】
またステップ１００３で、検索実行のコマンドであると判定された場合には、ステップ１００４で検索制御プログラム１１２を起動して、類似文書の検索を行なう。
【００８５】
以上が、システム制御プログラム１１０の処理手順である。
【００８６】
次に、図１０に示したステップ１００２でシステム制御プログラム１１０により起動される文書登録制御プログラム１１１の処理手順について、図１１のＰＡＤ図を用いて説明する。
【００８７】
文書登録制御プログラム１１１では、まずステップ１１００でテキスト登録プログラム１２０を起動し、ＦＤＤ１０３に挿入されたフロッピディスク１０４から登録すべき文書のテキストデータをワークエリア１７０に読み込み、これをテキスト１５０として磁気ディスク装置１０５に格納する。テキストデータは、フロッピディスク１０４を用いて入力するだけに限らず、通信回線やＣＤ−ＲＯＭ装置（図１には示していない）等を用いて他の装置から入力するような構成を取ることも可能である。
【００８８】
次に、ステップ１１０１で出現情報ファイル作成登録プログラム１２１を起動し、ワークエリア１７０に格納されているテキスト１５０を読み出し、その中の各ｎ−ｇｒａｍに対する出現情報ファイル１５１を作成し、磁気ディスク装置１０５に格納する。
【００８９】
次に、ステップ１１０２で出現確率ファイル作成登録プログラム１２４を起動し、ワークエリア１７０に格納されているテキスト１５０中の各ｎ−ｇｒａｍに対する出現確率を算出し、該当する出現確率ファイル１５２として、磁気ディスク装置１０５へ格納する。
【００９０】
次に、ステップ１１０３で出現回数ファイル作成登録プログラム１２７を起動し、ワークエリア１７０に格納されているテキスト１５０を読み出し、その中の各文書における全てのｎ−ｇｒａｍに対する出現回数を計数し、該当する出現回数ファイル１５３として、磁気ディスク装置１０５へ格納する。
【００９１】
以上が、文書登録制御プログラム１１１の処理手順である。
【００９２】
次に、図１１に示したステップ１１０１で文書登録制御プログラム１１１により起動される出現情報ファイル作成登録プログラム１２１の処理手順について、図１２のＰＡＤ図を用いて説明する。
【００９３】
出現情報ファイル作成登録プログラム１２１では、まずステップ１２００で単一文字種文字列抽出プログラム１６１を起動し、テキスト１５０の文字列を文字種境界で分割することにより単一文字種文字列を抽出し、ワークエリア１７０に格納する。
【００９４】
次に、ステップ１２０１において、出現情報計数プログラム１２２を起動し、テキスト１５０における予め定められた長さのｎ−ｇｒａｍの出現回数と、ワークエリア１７０に格納されている単一文字種文字列の先頭回数、末尾回数および単独回数を計数し、同じくワークエリア１７０に格納する。
【００９５】
そして、ステップ１２０２において、出現情報ファイル作成プログラム１２３を起動し、ワークエリア１７０に格納されているテキスト１５０におけるｎ−ｇｒａｍの出現回数、先頭回数、末尾回数および単独回数を、それぞれ出現情報ファイル１５１に格納されている該当ｎ−ｇｒａｍの出現回数、先頭回数、末尾回数および単独回数に加算し、ワークエリア１７０に格納するとともに出現情報ファイル１５１として磁気ディスク装置１０５に格納する。
【００９６】
以上が、出現情報ファイル作成登録プログラム１２１の処理手順である。
【００９７】
次に、図１１に示したステップ１１０２で文書登録制御プログラム１１１により起動される出現確率ファイル作成登録プログラム１２４の処理手順について、図１６のＰＡＤ図を用いて説明する。
【００９８】
出現確率ファイル作成登録プログラム１２４では、まずステップ１６００で出現確率算出プログラム１２５を起動し、ワークエリア１７０に格納されている各ｎ−ｇｒａｍの出現情報から、各ｎ−ｇｒａｍの単独確率、先頭確率および末尾確率を算出し、ワークエリア１７０へ格納する
次に、ステップ１６０１において、出現確率ファイル作成プログラム１２６を起動し、ワークエリア１７０に格納されている各ｎ−ｇｒａｍの単独確率、先頭確率および末尾確率を出現確率ファイル１５２として磁気ディスク装置１０５に格納する。
【００９９】
以上が、出現確率ファイル作成登録プログラム１２４の処理手順である。
【０１００】
次に、図１１に示したステップ１１０３で文書登録制御プログラム１１１により起動される出現回数ファイル作成登録プログラム１２７の処理手順について、図２５に示すＰＡＤ図を用いて説明する。
【０１０１】
出現回数ファイル作成登録プログラム１２７では、まずステップ２５００で出現回数計数プログラム１２８を起動し、図１２のステップ１２００でワークエリア１７０に格納した全ての単一文字種文字列の中から、長さが１から単一文字種文字列自体の長さｍまでのｎ−ｇｒａｍを抽出し、登録対象文書におけるそれらの出現回数を計数し、ワークエリア１７０に格納する。
【０１０２】
次に、ステップ２５０１において、出現回数ファイル作成プログラム１２９を起動し、ステップ２５００で計数した各ｎ−ｇｒａｍの出現回数を登録対象文書の識別番号（以下、文書番号と呼ぶ）とともに出現回数ファイル１５３として磁気ディスク装置１０５に格納する
次に、図１０に示したステップ１００４でシステム制御プログラム１１０により起動される検索制御プログラム１１２による類似文書検索の処理手順について、図１３のＰＡＤ図を用いて説明する。
【０１０３】
検索制御プログラム１１２では、まずステップ１３００で検索条件式解析プログラム１３０を起動し、キーボード１０１から入力された検索条件式を解析し、検索条件式のパラメータとして指定された種文書の文書番号を抽出する。
【０１０４】
次に、ステップ１３０１で類似文書検索プログラム１３１を起動し、上記検索条件式解析プログラム１３０により抽出された文書番号の種文書に対し、磁気ディスク装置１０５に格納されているテキスト１５０中の各文書の類似度を算出する。
【０１０５】
最後に、ステップ１３０２において、検索結果出力プログラム１３２を起動し、上記類似文書検索プログラム１３１で算出された各文書の類似度に基づいて、検索結果を出力する。
【０１０６】
以上が、検索制御プログラム１１２による文書検索の処理手順である。
【０１０７】
次に、図１３に示したステップ１３０１で検索制御プログラム１１２により起動される類似文書検索プログラム１３１の処理手順について、図１４のＰＡＤ図を用いて説明する。
【０１０８】
類似文書検索プログラム１３１では、まずステップ１４００で種文書読込みプログラム１４０を起動し、検索条件式解析プログラム１３０によって検索条件式から抽出された文書番号の種文書を磁気ディスク装置１０５中のテキスト１５０からワークエリア１７０に読み込む。
【０１０９】
ここで、種文書は、テキスト１５０中に格納されている文書を読み込むだけでなく、キーボード１０１から直接入力することも可能であり、フロッピディスク１０４、ＣＤ−ＲＯＭ装置（図１には示していない）や通信回線等を用いて、他の装置から入力するような構成を取ることも可能であり、また、全文検索システム等による検索結果から入力するような構成を取ることも可能であり、さらには、検索結果出力プログラム１３２の出力から種文書を選択する構成を取ることも可能である。
【０１１０】
次に、ステップ１４０１において、共有ライブラリ１６０の単一文字種文字列抽出プログラム１６１を起動し、上記種文書読込みプログラム１４０で読み込んだ種文書のテキストを、文字種境界で分割して単一文字種文字列を取得し、ワークエリア１７０に格納する。
【０１１１】
そして、ステップ１４０２において、後述する特徴文字列抽出プログラム１４１を起動し、上記単一文字種文字列抽出プログラム１６１で取得した単一文字種文字列から、特徴文字列を抽出する。
【０１１２】
次に、ステップ１４０３において、種文書内出現回数計数プログラム１４５を起動し、上記特徴文字列抽出プログラム１４１で取得した特徴文字列の、種文書内での出現回数を計数する。
【０１１３】
次に、ステップ１４０４において、出現回数取得プログラム１４６を起動し、上記特徴文字列抽出プログラム１４１で取得した特徴文字列のテキスト１５０中の各文書における出現回数を取得する。
【０１１４】
最後に、ステップ１４０５において、類似度算出プログラム１４８を起動し、上記特徴文字列抽出プログラム１４１で取得した各特徴文字列に対する、上記種文書内出現回数取得プログラム１４５で取得した種文書内出現回数と、上記出現回数取得プログラム１４６で取得したテキスト１５０中の各文書における出現回数から、種文書とテキスト１５０内の各文書との類似度を算出する。
【０１１５】
本実施例では、類似度の算出に、前述の類似度算出式（１）を用いるが、他の方法を用いても構わない。この類似度算出式（１）を用いて、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」が種文書として指定された場合の文書 ｉの類似度Ｓ（ｉ）を算出すると、次のようになる。
【０１１６】
Ｓ（１） ＝ １．０
Ｓ（２） ＝ ０．２６２
Ｓ（３） ＝ ０．０４８
Ｓ（４） ＝ ０．０
以上が、類似文書検索プログラム１３１の処理手順である。
【０１１７】
次に、図１４に示したステップ１４０２において、類似文書検索プログラム１３１により起動される特徴文字列抽出プログラム１４１の処理手順について、図１７のＰＡＤ図を用いて説明する。
【０１１８】
特徴文字列抽出プログラム１４１では、ステップ１７００において、図１４に示したステップ１４０１における単一文字種文字列抽出プログラム１６１により、ワークエリア１７０に格納されている全ての単一文字種文字列を取得する。
【０１１９】
次に、ステップ１７０１において、上記ステップ１７００で取得した全ての単一文字種文字列に対して、次のステップ１７０２〜１７０４を繰り返し実行する。
【０１２０】
すなわち、ステップ１７０２では、ステップ１７００で取得した単一文字種文字列の文字種を判定し、その文字種が漢字やカタカナである場合には、ステップ１７０３を実行し、漢字やカタカナ以外の場合には、ステップ１７０４を実行する。
【０１２１】
ステップ１７０３では、後述する分割確率比較特徴文字列抽出プログラム１４２を起動し、漢字やカタカナの単一文字種文字列から特徴文字列を抽出する。
【０１２２】
ステップ１７０４では、漢字やカタカナ以外の単一文字種文字列そのものを特徴文字列として抽出する。
【０１２３】
そして、最後にステップ１７０５において、上記ステップ１７０２やステップ１７０３で抽出された特徴文字列をワークエリア１７０へ格納する。
【０１２４】
以上が、特徴文字列抽出プログラム１４１の処理手順である。
【０１２５】
以下、図１４に示した特徴文字列抽出プログラム１４１の処理手順について具体例を用いて説明する。
【０１２６】
図２７に、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から特徴文字列を抽出する例を示す。
【０１２７】
まず、文書１から単一文字種文字列「・・・」「。」「携帯電話」「の」「使用時」「の」「マナー」「が」「問題」「になる」「。」「・・・」を抽出する。
【０１２８】
次に、これらの単一文字種文字列の文字種を判定し、漢字文字列「携帯電話」、「使用時」および「問題」とカタカナ文字列「マナー」に対して分割確率比較特徴文字列抽出プログラム１４２により特徴文字列を抽出し、漢字文字列とカタカナ文字列以外の文字列「の」「の」「が」「になる」「。」からは単一文字種文字列そのものを特徴文字列として抽出する。
【０１２９】
以上が、特徴文字列抽出プログラム１４１の具体的な処理例である。
【０１３０】
次に、図１４に示したステップ１４０４において類似文書検索プログラム１３１により起動される出現回数取得プログラム１４６の処理手順を図２６のＰＡＤ図を用いて説明する。
【０１３１】
出現回数取得プログラム１４６では、図１４に示したステップ１４０２においてワークエリア１７０に格納した特徴文字列を取得する（ステップ２６００）。
【０１３２】
そして、ワークエリア１７０に格納されている全ての特徴文字列に対して、ステップ２６０２を実行する（ステップ２６０１）。
【０１３３】
ステップ２６０２では、出現回数ファイル読込みプログラム１４７を起動し、テキスト１５０内の各文書における特徴文字列の出現回数を取得し、ワークエリア１７０に格納する。
【０１３４】
以上が、出現回数取得プログラム１４６の処理手順である。
【０１３５】
次に、図１７に示したステップ１７０３において特徴文字列抽出プログラム１４１により起動される分割確率比較特徴文字列抽出プログラム１４２の処理手順について、図１８のＰＡＤ図を用いて説明する。
【０１３６】
分割確率比較特徴文字列抽出プログラム１４２は、ステップ１８００において、最後に特徴文字列が抽出された末尾の文字位置（以下、最新分割点と呼ぶ）ＬＳの初期値を ０に設定する。
【０１３７】
そして、図１７に示したステップ１７０３において、入力された単一文字種文字列の文字列長が予め定められた長さ以上のとき、次のステップ１８０２〜１８０９までを繰り返し実行する（ステップ１８０１）。
【０１３８】
ステップ１８０２では、後述する分割確率算出プログラム１４３を起動し、単一文字種文字列の先頭から ｉ文字目の分割確率Ｐ（ｉ）と、（ｉ＋１）文字目の分割確率Ｐ（ｉ＋１）を算出する。
【０１３９】
次に、ステップ１８０３において、上記分割確率算出プログラム１４３で算出したＰ（ｉ）とＰ（ｉ＋１）の値を比較し、Ｐ（ｉ）がＰ（ｉ＋１）よりも大きい場合にはステップ１８０４を実行し、Ｐ（ｉ）がＰ（ｉ＋１）よりも小さい場合にはステップ１８０６を実行し、Ｐ（ｉ）とＰ（ｉ＋１）が等しい場合にはステップ１８０８を実行する。
【０１４０】
ステップ１８０４では、単一文字種文字列の先頭から ｉ文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０５において、最新分割点ＬＳを ｉに設定し、 ｉの値を １加算する。
【０１４１】
ステップ１８０６では、単一文字種文字列の先頭から（ｉ＋１）文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０７において、最新分割点ＬＳを（ｉ＋１）に設定し、ｉの値を ２加算する。
【０１４２】
ステップ１８０８では、それぞれ単一文字種文字列の先頭から ｉ文字目までの文字列と（ｉ＋１）文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０９において、最新分割点ＬＳを（ｉ＋１）に設定し、 ｉの値を ２加算する。
【０１４３】
以上が、分割確率比較特徴文字列抽出プログラム１４２の処理手順である。
【０１４４】
以下、図１８に示した分割確率比較特徴文字列抽出プログラム１４２の処理手順について具体例を用いて説明する。
【０１４５】
図８に、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から抽出された単一文字種文字列「携帯電話」から特徴文字列を抽出する例を示す。
【０１４６】
まず、「携帯電話」における１文字目での分割確率Ｐ（１）は、「携」の単独確率０．０１と「帯」の先頭確率０．１１の積として０．００１が算出され、２文字目での分割確率Ｐ（２）は、「携帯」の単独確率０．１０と「電」の先頭確率０．３６の積として０．０３６が算出される。次に、これらの分割確率を比較し、値の大きい方で単一文字種文字列「携帯電話」を分割する。この場合、１文字目の分割確率Ｐ（１）（＝０．０００）よりも２文字目の分割確率Ｐ（２）（＝０．０３６）の方が大きいので、単一文字種文字列「携帯電話」は「携帯」と「電話」に分割される。
【０１４７】
また、図２０に、上記文書１から抽出した単一文字種文字列「マナー」から特徴文字列を抽出する例を示す。まず、「マナー」における２文字目での分割確率Ｐ（２）は、「マナ」の単独確率０．００と「ー」の単独確率０．００の積として０．００と算出される。次に、３文字目での分割確率Ｐ（３）、すなわち「マナー」が単一文字種文字列そのものとして出現する確率は「ナー」の末尾確率０．７９と１．０の積として０．７９と算出される。これらの値を比較して、値の大きい方で単一文字種文字列に分割される。この場合、「マナー」の２文字目での分割確率Ｐ（２）（＝０．００）よりも３文字目での分割確率Ｐ（３）（＝０．７９）の方が大きいので、３文字目で分割されることになり、結果的に単一文字種文字列「マナー」は分割されないことになる。
【０１４８】
以上が、分割確率比較特徴文字列抽出プログラム１４２の具体的な処理手順である。
【０１４９】
次に、図１８に示したステップ１８０１において分割確率比較特徴文字列抽出プログラム１４２により起動される分割確率算出プログラム１４３の処理手順について、図１９のＰＡＤ図を用いて説明する。
【０１５０】
分割確率算出プログラム１４３は、ステップ１９００において、図１８に示したステップ１８０１において指定される分割確率の算出位置 ｉおよび最新分割点ＬＳを取得する。
【０１５１】
次に、算出位置 ｉにおける分割確率Ｐ（ｉ）を算出するために、ステップ１９０１〜１９０６を実行し、各出現確率を取得する。
【０１５２】
まず、ステップ１９０１において、図１２に示したステップ１２０１で抽出されたｎ−ｇｒａｍの長さ ｎと分割確率の算出位置 ｉを比較し、（ｉ − ＬＳ）が ｎ以下である場合には、ステップ１９０２を実行し、（ｉ − ＬＳ）が ｎよりも大きい場合には、ステップ１９０３を実行する。
【０１５３】
ステップ１９０２では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから ｉ文字目までの文字列の単独確率を取得し、分割確率算出位置 ｉの前方の文字列の出現確率Ｐｒｅ（ｉ）とする。
【０１５４】
ステップ１９０３では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから ｉ文字目までの文字列の後方のｎ−ｇｒａｍの末尾確率を取得し、分割確率算出位置 ｉの前方の文字列の出現確率Ｐｒｅ（ｉ）とする。
【０１５５】
次に、ステップ１９０４において、単一文字種文字列の文字列長Ｌｎと分割確率算出位置 ｉを比較し、Ｌｎが（ｉ＋１）よりも大きい場合にはステップ１９０５を実行し、Ｌｎが（ｉ＋１）と等しい場合には、ステップ１９０６を実行する。
【０１５６】
ステップ１９０５では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋１）文字目の１ｇｒａｍの先頭確率を取得し、分割確率算出位置 ｉの後方の文字列の出現確率Ｐｏｓｔ（ｉ）とする。
【０１５７】
ステップ１９０６では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋１）文字目の１ｇｒａｍの単独確率を取得し、分割確率算出位置 ｉの後方の文字列の出現確率Ｐｏｓｔ（ｉ）とする。
【０１５８】
次に、算出位置（ｉ＋１）における分割確率Ｐ（ｉ＋１）を算出するために、ステップ１９０７〜１９１３を実行し、各出現確率を取得する。
【０１５９】
まず、ステップ１９０７において、図１２に示したステップ１２０１で抽出されたｎ−ｇｒａｍの長さ ｎと分割確率の算出位置 ｉを比較し、（（ｉ＋１） − ＬＳ）が ｎ以下である場合には、ステップ１９０８を実行し、（（ｉ＋１） − ＬＳ）が ｎよりも大きい場合には、ステップ１９０９を実行する。
【０１６０】
ステップ１９０８では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから（ｉ＋１）文字目までの文字列の単独確率を取得し、分割確率算出位置（ｉ＋１）の前方の文字列の出現確率Ｐｒｅ（ｉ＋１）とする。
【０１６１】
ステップ１９０９では、出現確率ファイル読込みプログラム１４４を起動し、最新分割点ＬＳから（ｉ＋１）文字目までの文字列の後方のｎ−ｇｒａｍの末尾確率を取得し、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｒｅ（ｉ＋１）とする。
【０１６２】
次に、ステップ１９１０において、単一文字種文字列の文字列長Ｌｎと分割確率算出位置 ｉを比較し、Ｌｎが（ｉ＋２）よりも大きい場合にはステップ１９１１を実行し、Ｌｎが（ｉ＋２）と等しい場合には、ステップ１９１２を実行し、Ｌｎが（ｉ＋１）と等しい場合には、ステップ１９１３を実行する。
【０１６３】
ステップ１９１１では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋２）文字目の１ｇｒａｍの先頭確率を取得し、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｏｓｔ（ｉ＋１）とする。
【０１６４】
ステップ１９１２では、出現確率ファイル読込みプラグラム１４４を起動し、（ｉ＋２）文字目の１ｇｒａｍの単独確率を取得し、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｏｓｔ（ｉ＋１）とする。
【０１６５】
ステップ１９１３では、分割確率算出位置（ｉ＋１）の後方の文字列の出現確率Ｐｏｓｔ（ｉ＋１） ＝ １とする。
【０１６６】
次に、ステップ１９１４において、上記ステップ１９０１〜１９０３で取得したＰｒｅ（ｉ）と上記ステップ１９０４〜１９０６で取得したＰｏｓｔ（ｉ）の積を算出位置 ｉにおける分割確率Ｐ（ｉ）とし、上記ステップ１９０７〜１９０９で取得したＰｒｅ（ｉ＋１）と上記ステップ１９１０〜１９１３で取得したＰｏｓｔ（ｉ＋１）の積を算出位置（ｉ＋１）における分割確率Ｐ（ｉ＋１）として、それぞれワークエリア１７０に格納する。
【０１６７】
以上が、分割確率算出プログラム１４３の処理手順である。
【０１６８】
以下、図１９に示した分割確率算出プログラム１４３の処理手順について具体例を用いて説明する。
【０１６９】
図２８に前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から抽出された単一文字種文字列「携帯電話」の分割確率を算出する例を示す。なお、本図に示す例では、出現確率ファイル１５２に格納されているｎ−ｇｒａｍ長を ２とし、分割確率を算出する ｉ文字目を １文字目とする。すなわち、 １文字目での分割確率Ｐ（１）および ２文字目での分割確率Ｐ（２）を算出するものとして、以下の説明を行なう。
【０１７０】
まず、分割確率の算出位置である １文字目までの文字列の単独確率が出現確率ファイル６００に格納されているかどうかを確認するために、出現確率ファイル６００に格納されているｎ−ｇｒａｍ長 ２と分割確率算出位置 １を比較する。その結果、格納されているｎ−ｇｒａｍ長の方が大きいので、 １文字目までの文字列「携」の単独確率０．０１を出現確率ファイル６００より取得する。
【０１７１】
次に、分割確率の算出位置の後方に何文字存在するかを確認するために、単一文字種文字列「携帯電話」の文字列長 ４と分割確率算出位置 １を比較する。その結果、 ２文字以上の文字列「帯電話」が存在するため、「帯」の先頭確率０．１１を出現確率ファイル６００から取得する。そして、「携」の単独確率０．０１と「帯」の先頭確率０．１１の積を算出し、 １文字目での分割確率Ｐ（１）＝０．００１を得る。
【０１７２】
同様に、分割確率の算出位置である ２文字目までの文字列の単独確率が出現確率ファイル６００に格納されているかを確認するために、出現確率ファイル６００に格納されているｎ−ｇｒａｍ長 ２と分割確率算出位置 ２を比較する。その結果、格納されているｎ−ｇｒａｍ長と算出位置が等しいので、 ２文字目までの文字列「携帯」の単独確率０．１０を出現確率ファイル６００より取得する。
【０１７３】
次に、分割確率の算出位置の後方に何文字存在するかを確認するために、単一文字種文字列「携帯電話」の文字列長 ４と分割確率算出位置 ２を比較する。その結果、 ２文字以上の文字列「電話」が存在するため、「電」の先頭確率０．３６を出現確率ファイル６００から取得する。そして、「携帯」の単独確率０．１０と「帯」の先頭確率０．３６の積を算出し、２文字目での分割確率Ｐ（２）＝０．０３６を得る。
【０１７４】
以上が、分割確率算出プログラム１４３の具体的な処理手順である。
【０１７５】
以上が、本発明の第一の実施例である。
【０１７６】
本実施例では、出現情報ファイル１５１と出現確率ファイル１５２に格納するｎ−ｇｒａｍの長さとして２を用いて、特徴文字列抽出プログラム１４３の処理手順を説明したが、この長さとして１や３等の固定値を用いてもよいし、データベース中の出現回数等の情報に基づき可変長としてもよいし、単一文字種文字列自体の長さｍとしてもよいし、さらには、それらの組み合わせであっても、同様に特徴文字列抽出の処理を行なうことができるのは明らかであろう。
【０１７７】
また、本実施例では、種文書の内容に類似する文書を検索するものとして特徴文字列抽出プログラム１４３の処理手順を説明したが、この種文書の代わりに、文章が指定されたとしても同様に特徴文字列を抽出することができ、類似文書検索を行なうことができるのは明らかであろう。
【０１７８】
また、本実施例では、単一文字種文字列の先頭から ｎ文字目までの分割確率と（ｎ＋１）文字目までの分割確率を比較することで特徴文字列を抽出する例を用いて、分割確率比較特徴文字列抽出プログラム１４２の処理手順を説明したが、単一文字種文字列の末尾から、それぞれ ｎ文字目までの分割確率と（ｎ＋１）文字目までの分割確率を比較しても、さらには、単一文字種文字列中の ｍ文字（ ｍは １以上の整数）と ｎ文字の分割確率を比較しても、同様に、文書の特徴を表す特徴文字列の抽出が行えることは明らかであろう。
【０１７９】
なお、本実施例においては、漢字やカタカナの単一文字種文字列に対する分割確率比較特徴文字列抽出プログラム１４２を含む構成として説明したが、漢字あるいはカタカナを含まないデータベースを対象とする場合等には、対応する分割確率比較特徴文字列抽出プログラム１４２を含まない構成としてもよいし、漢字やカタカナ以外に対応する分割確率比較特徴文字列抽出プログラム１４２を含む構成としてもよいし、従来技術２で示したように、各文字種に対応する特徴文字列抽出プログラムを含む構成であってもよい。
【０１８０】
また、本実施例においては、単一文字種文字列から特徴文字列を抽出する構成としたが、特定の文字種間を境界として前後に跨る部分文字列から特徴文字列を抽出することにより、例えば、「Ｆ１」や「ビタミンＣ」、「Ｗ杯」、「ケイ素」等の文字列を検索に用いることができ、さらに高精度な類似文書検索を実現することも可能となる。
【０１８１】
また、本実施例における出現情報ファイル作成登録プログラム１２１では、文字種境界を単語の区切れ目とみなし、各ｎ−ｇｒａｍの先頭回数、末尾回数および単独回数を計数するものとしたが、付属語、すなわち助詞や助動詞等を単語の区切れ目の候補とみなし、各ｎ−ｇｒａｍの先頭回数、末尾回数および単独回数を計数してもよい。
【０１８２】
さらに、本実施例においては、出現情報ファイル１５１を図５に示した表形式で作成されるものとしたが、この方法では、対象とするｎ−ｇｒａｍ長が増大するにともない、ｎ−ｇｒａｍ種類が増加するため、分割確率ファイル作成登録プログラム１２４の処理に長大な時間を要することになる。この問題は、特徴文字列に対して、検索用のインデクスを付加することにより解決できる。これにより、ｎ−ｇｒａｍ種類が増加しても、高速に登録処理を実現することができる。この特徴文字列に対する検索用インデクスとしては、全文検索用インデクス１５３を用いてもよいし、「特開平８−３２９１１２号公報」等に開示されているような単語インデクス方式を用いてもよい。この問題は、出現確率ファイル１５２および出現回数ファイル１５３においても発生するが、同様に検索用のインデクスを付加することで解決することができる。
【０１８３】
さらに、本実施例においては、文書登録時に出現確率ファイル作成登録プログラム１２４を起動し、出現確率ファイル１５２を作成する構成としたが、類似文書検索時の分割確率比較特徴文字列抽出プログラム１４２実行時に、出現情報ファイル１５１に格納されている各ｎ−ｇｒａｍの出現情報から該当する出現確率を算出することにより、磁気ディスク１０５に格納するファイルを削減することも可能である。
【０１８４】
また、本実施例においては、特徴文字列抽出プログラム１４１により抽出された特徴文字列を用いた類似文書検索システムについて説明したが、種文書から特徴文字列を抽出する特徴文字列抽出システムとして用いることも可能であるし、「特開平８−１５３１２１号公報」に示されるような形態素解析により文書中に含まれる単語を抽出し、これを用いて文書を自動的に分類するシステムに用いることも可能である。
【０１８５】
ただし、第一の実施例における分割確率比較特徴文字列抽出プログラム１４２は、 ｉ文字目での分割確率Ｐ（ｉ）と（ｉ＋１）文字目での分割確率Ｐ（ｉ＋１）を比較し、その値の大きい方で分割するため、全ての単一文字種文字列から（ｉ＋１）文字以下の特徴文字列が抽出されてしまい、（ｉ＋１）文字より長い単語が誤って分割されてしまうという問題がある。
【０１８６】
以下、第一の実施例で（ｉ＋１）文字より長い単語が誤って分割されてしまうという問題が生じる例を図２２に示す具体例を用いて説明する。なお、本図では、漢字で構成される単一文字種文字列「北海道」を対象とし、分割確率算出位置 ｉの初期値を １とする。
【０１８７】
分割確率比較特徴文字列抽出プログラム１４２では、まず、ステップ２２００において、前述した分割確率算出プログラム１４３を起動し、１文字目の分割確率Ｐ（１）と２文字目の分割確率Ｐ（２）を算出する。本図に示した例では、単一文字種文字列「北海道」の１文字目で「北」と「海道」に分割される確率は、１−ｇｒａｍ「北」の単独確率０．０３と２−ｇｒａｍ「海道」の単独確率０．００の積としてＰ（１）＝０．０００と算出される。同様に、２文字目で「北海」と「道」に分割される確率は、２−ｇｒａｍ「北海」の単独確率０．０３と１−ｇｒａｍ「道」の単独確率０．１２の積Ｐ（２）＝０．００４として算出される。
【０１８８】
次に、ステップ２２０１において、上記ステップ２２００で算出されたＰ（１）とＰ（２）のうち、値の大きい方を分割点とし、単一文字種文字列の先頭から分割点までの文字列を特徴文字列として抽出する。本図に示した例では、Ｐ（２）の方がＰ（１）よりも大きいので、 ２文字目で単一文字種文字列「北海道」を分割し、 ２文字目までの文字列“北海”を特徴文字列として抽出する。
【０１８９】
次に、ステップ２２０２において、最後に特徴文字列が抽出された末尾の文字位置（以下、最新分割点と呼ぶ）ＬＳを ２に設定し、最新分割点以降の単一文字種文字列「道」を対象に特徴文字列抽出処理を継続する。
【０１９０】
次に、ステップ２２０３において、単一文字種文字列「道」の文字列長 １は、予め定められた長さ ２未満であるため、文字列“道”が特徴文字列として抽出される。この結果、「・・・。道の駅と呼ばれるサービスエリアが国道沿いに建設されることになった。・・・」等という文書が類似文書として誤って検索されてしまうことになる。
【０１９１】
以上が、第一の実施例における分割確率比較特徴文字列抽出プログラム１４２の処理例である。本図に示した例では、 １文字目と ２文字目の分割確率Ｐ（１）とＰ（２）を比較し、値の大きい方を分割点とするため、単一文字種文字列「北海道」から“北海”と“道”が特徴文字列として抽出されてしまい、種文書の中心概念からずれた文書が類似文書として検索されてしまう。
【０１９２】
このために、本発明を適用した類似文書検索システムの第二の実施例では、単一文字種文字列から特徴文字列を抽出する際に算出された分割確率が所定値（以下、分割閾値と呼ぶ）よりも高い場合にのみ、比較処理を行なうことにより、（ｉ＋１）文字より長い特徴文字列を抽出できるようにする。
【０１９３】
本実施例は、第一の実施例（図１）とほぼ同様の構成を取るが、分割確率比較特徴文字列抽出プログラム１４２の処理手順が異なり、図２１のＰＡＤ図に示すように、ステップ２１００〜２１０４が追加される。
【０１９４】
以下、第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理手順について図２１のＰＡＤ図を用いて説明する。
【０１９５】
分割確率比較特徴文字列抽出プログラム１４２ａでは、ステップ１８００において、最新分割点ＬＳの初期値を ０に設定する。
【０１９６】
そして、特徴文字列の抽出対象となる単一文字種文字列の文字列長が予め定められた長さ以上のとき、次のステップ１８０２〜１８０７、ステップ２１０１〜２１０３までを繰り返し実行する（ステップ２１００）。
【０１９７】
ステップ１８０２では、分割確率算出プログラム１４３を起動し、単一文字種文字列の先頭から ｉ文字目の分割確率Ｐ（ｉ）と、（ｉ＋１）文字目の分割確率Ｐ（ｉ＋１）を算出する。
【０１９８】
次に、ステップ２１００において、上記分割確率算出プログラム１４３で算出された分割確率Ｐ（ｉ）、Ｐ（ｉ＋１）の値および予め定められた分割閾値Ｔｈの値を比較し、最大のものを抽出する。この結果、分割確率Ｐ（ｉ）が抽出されたならばステップ１８０４を実行し、分割確率Ｐ（ｉ＋１）が抽出された場合にはステップ１８０６を実行し、分割閾値Ｔｈが抽出された場合にはステップ２１０１を実行する。
【０１９９】
ステップ１８０４では、単一文字種文字列の先頭から ｉ文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０５において、最新分割点ＬＳを ｉに設定し、 ｉの値を １加算する。
【０２００】
ステップ１８０６では、単一文字種文字列の先頭から（ｉ＋１）文字目までの文字列を特徴文字列として抽出する。そして、ステップ１８０７において、最新分割点ＬＳを（ｉ＋１）に設定し、ｉの値を ２加算する。
【０２０１】
ステップ２１０１では、分割確率の算出位置 ｉと単一文字種文字列の文字列長Ｌｎとを比較し、（ｉ＋１）が文字列長Ｌｎよりも小さい場合には、 ステップ２１０２を実行し、（ｉ＋１）が文字列長Ｌｎ以上であるならば、ステップ２１０３を実行する。
【０２０２】
ステップ２１０２では、分割確率の算出位置 ｉの値を １加算する。
【０２０３】
ステップ２１０３では、単一文字種文字列そのものを特徴文字列として抽出する。そして、ステップ２１０４において、最新分割点ＬＳを文字列長Ｌｎに設定し、 ｉの値を １加算する。
【０２０４】
以上が、分割確率比較特徴文字列抽出プログラム１４２ａの処理手順である。
【０２０５】
以下、第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理手順をそれぞれ図２３に示す具体例で説明する。なお、本図では、漢字で構成される単一文字種文字列「北海道」を対象とし、分割閾値Ｔｈを０．０５０とし、分割確率算出位置 ｉの初期値を １として分割確率比較特徴文字列抽出プログラム１４２ａの処理手順を説明する。
【０２０６】
分割確率比較特徴文字列抽出プログラム１４２ａでは、まず、ステップ２２００において、前述した分割確率算出プログラム１４３を起動し、 １文字目の分割確率Ｐ（１）と ２文字目の分割確率Ｐ（２）を算出し、Ｐ（１）＝０．０００およびＰ（２）＝０．００４を得る。
【０２０７】
次にステップ２３０１において、上記ステップ２２００で算出した分割確率Ｐ（１）、Ｐ（２）および分割閾値Ｔｈうち、最大のものを抽出する。この結果、分割閾値Ｔｈが最大であるので、ステップ２３０２において、分割確率の算出位置 ｉ（＝１）と単一文字種文字列「北海道」の文字列長Ｌｎ（＝３）を比較する。この結果、分割確率の算出位置 ｉの方が小さいので、 ｉの値を １加算する。
【０２０８】
そして、ステップ２３０４において、２文字目での分割確率Ｐ（２）と３文字目での分割確率Ｐ（３）を算出する。この例では、２文字目で「北海」と「道」に分割される確率は、２−ｇｒａｍ「北海」の単独確率０．０３と１−ｇｒａｍ「道」の単独確率０．１２の積Ｐ（２）＝０．００４として算出され、３文字目までの「北海道」として出現する確率は、２−ｇｒａｍ「北海」の先頭確率と２−ｇｒａｍ「海道」の末尾確率の積Ｐ（３）＝０．４６５として算出される。
【０２０９】
次に、ステップ２３０５において、上記ステップ２３０４で算出した分割確率Ｐ（２）、Ｐ（３）および分割閾値Ｔｈのうち、最大のものを抽出する。この結果、Ｐ（３）が最大であるので、３文字目「北海道」までが特徴文字列として抽出される。
【０２１０】
以上説明したように、本実施例によれば、分割確率が分割閾値よりも高い場合にのみ、比較処理を行なうようにすることにより、本来分割されることのない位置での分割を削減することができる。このため、第一の実施例で抽出されていた不適切な特徴文字列を大幅に削減することが可能となる。そのため、種文書が表わす概念を適切に検索できるとともに、高速に類似文書を検索することができるようになる。
【０２１１】
次に、本発明の第三の実施例について図２９を用いて説明する。
【０２１２】
第一の実施例および第二の実施例においては、特徴文字列として抽出される可能性のある全ての文字列を出現回数ファイル１５３中に格納しておく必要があるため、文字列の種類の増加に伴い、データベース内の各文書における出現回数の取得に長大な時間を要するとともに、必要な磁気ディスク容量が増加してしまう。
【０２１３】
本発明を適用した類似文書検索システムの第三の実施例は、種文書から抽出した特徴文字列に対するデータベース内の各文書における出現回数の取得に、出現回数ファイル１５３を用いずに、全文検索用インデクスを利用することにより上記必要な磁気ディスク容量を低減する方式である。
【０２１４】
すなわち、本実施例によれば、第一の実施例におけるデータベース内の各文書における出現回数の取得に全文検索システムを利用することにより、文字列の種類数が多いデータベースに対しても高速な類似文書検索を実現することが可能となる。さらに、出現回数ファイル１５３を全文検索用インデクスで代用するため、本類似文書検索システムを全文検索システムと組み合わせて実現した場合に、第一の実施例に比べ必要となる磁気ディスク容量を削減できることになる。
【０２１５】
本実施例は、第一の実施例（図１）とほぼ同様の構成を取るが、類似文書検索プログラム１３１中の出現回数取得プログラム１４６を構成する出現回数ファイル読込みプログラム１４７が異なる。このプログラムの代わりに、図２９に示すように全文検索プログラム２９０２が用いられる。
【０２１６】
以下、本実施例における処理手順のうち、第一の実施例とは異なる出現回数取得プログラム１４６ａの処理手順について、図３０を用いて説明する。
【０２１７】
ここで、第一の実施例における出現回数取得プログラム１４６（図２６）と異なる点は、出現回数取得ステップ３０００だけである。他の処理ステップの処理手順は、第一の実施例で説明した通りである。
【０２１８】
出現回数取得ステップ３０００では、特徴文字列抽出プログラム１４１によりワークエリア１７０に格納された特徴文字列を全文検索プログラム２９０２で検索することにより、テキスト１５０内の各文書における該特徴文字列の出現回数を取得する。
【０２１９】
本実施例の出現回数取得ステップ３０００で用いる全文検索プログラム２９０２としては、どのような方式を適用しても構わない。例えば、「特開昭６４−３５６２７号公報」（以下、従来技術４と呼ぶ）で開示されているようなｎ−ｇｒａｍインデクス方式を用いることも可能である。
【０２２０】
この従来技術４によるｎ−ｇｒａｍインデクス方式では、図２９に示すように、文書の登録時に、データベースへ登録する文書のテキストデータからｎ−ｇｒａｍとそのｎ−ｇｒａｍのテキスト中における出現位置を抽出し、全文検索用インデクス２９０１として磁気ディスク装置２９００に格納しておく。検索時には指定された検索ターム中に出現するｎ−ｇｒａｍを抽出し、これらに対応するインデクスを上記磁気ディスク装置２９００中の全文検索用インデクス２９０１から読み込み、インデクス中のｎ−ｇｒａｍの出現位置を比較し、検索タームから抽出したｎ−ｇｒａｍの位置関係とインデクス中のｎ−ｇｒａｍの位置関係が等しいかどうかを判定することによって、指定された検索タームが出現する文書を高速に検索する。
【０２２１】
この方法を用いて、特徴文字列を検索タームとして全文検索プログラム２９０２へ入力し、該特徴文字列の出現文書とその位置情報を取得することにより、該特徴文字列の各文書における出現回数を取得することが可能となる。
【０２２２】
以下、この従来技術４を用いた出現回数の取得方法を図７と図１５を用いて具体的に説明する。なお、本図では、ｎ−ｇｒａｍの ｎの値を １としている。
【０２２３】
まず、文書の登録時の処理手順を図７を用いて具体的に説明する。データベースに登録するテキスト７０１がｎ−ｇｒａｍインデクス作成登録ステップ７０２に読み込まれ、ｎ−ｇｒａｍインデクス７００が作成される。このｎ−ｇｒａｍインデクス７００には、テキスト７０１に出現する全ての１−ｇｒａｍとテキスト７０１における１−ｇｒａｍの出現位置が格納される。
【０２２４】
本図に示すテキスト７０１では、「携」という１−ｇｒａｍはテキスト７０１内の文書番号２の２６文字目に現れるので、ｎ−ｇｒａｍインデクス７００には１−ｇｒａｍ「携」とこれに対応したかたちで、出現位置（２，２６）が格納される。ここで、例えば、（２，２６）は、文書番号２の２６文字目に出現するということを示している。
【０２２５】
次に、検索時の処理手順を図１５を用いて具体的に説明する。本図では、前述の文書１「携帯電話の使用のマナーが問題になる。・・・」から抽出された特徴文字列「電話」の出現回数を、前述したｎ−ｇｒａｍインデクス７００から取得する例について示す。
【０２２６】
まず、検索対象となる特徴文字列がｎ−ｇｒａｍ抽出部１５００に入力され、特徴文字列中に出現する全ての ｎ−ｇｒａｍとその ｎ−ｇｒａｍの特徴文字列における出現位置が抽出される。次に、抽出された ｎ−ｇｒａｍとこれに対応する ｎ−ｇｒａｍの特徴文字列における出現位置がインデクス検索部１５０１に入力される。インデクス検索部１５０１では、特徴文字列から抽出された ｎ−ｇｒａｍに対応するインデクスが ｎ−ｇｒａｍインデクス７００から読み込まれ、これらのインデクスの中から文書番号が一致し、かつ特徴文字列中の位置関係と同じ位置関係を持つものが抽出され、検索結果として出力される。
【０２２７】
特徴文字列として「電話」が入力された本図の場合、まず、ｎ−ｇｒａｍ抽出部１５００において、（１−ｇｒａｍ「電」、１−ｇｒａｍ位置「１」）と（１−ｇｒａｍ「話」、１−ｇｒａｍ位置「２」）が抽出される。ここで、 ｎ−ｇｒａｍ位置「１」は検索タームの先頭、 ｎ−ｇｒａｍ位置「２」はその次の文字位置を示す。
【０２２８】
次に、インデクス検索部１５０１において、ｎ−ｇｒａｍインデクス７００から１−ｇｒａｍ「電」と「話」に対応するインデクスが読み込まれる。これらのインデクスにおける出現文書番号が等しく、かつ出現位置がｎ−ｇｒａｍ位置「１」とｎ−ｇｒａｍ位置「２」のように連続するものが、すなわち隣接するものが抽出され検索結果として出力される。
【０２２９】
本図では、 １−ｇｒａｍ「電」の（２，２８）と１−ｇｒａｍ「話」の出現位置（２，２９）が文書番号が同じで、位置が「２８」と「２９」で隣接するため、 ｎ−ｇｒａｍ「電話」が文字列として存在することが分かり、文書２中に検索ターム「電話」が出現することが検出される。しかし、 １−ｇｒａｍ「電」の（３，１１）と１−ｇｒａｍ「話」の（３，１５）は隣接していないため、この位置には特徴文字列「電話」が出現しないことが分かる。
【０２３０】
そして、上記インデクス検索部１５０１から検索結果として出力される出現位置を計数することにより、該当特徴文字列の出現回数を得る。
【０２３１】
以上説明したように、本実施例によれば、出現回数ファイルの特徴文字列検索用インデクスと出現回数ファイルの代わりに、全文検索用インデクスを利用することにより、余分なファイルを増やさずに、高速に類似文書検索を実現することが可能となる。
【０２３２】
次に、本発明の第四の実施例について図３１を用いて説明する。
【０２３３】
第一、第二および第三の実施例においては、種文書から抽出された単一文字種文字列の先頭から ｎ文字目での分割確率と（ｎ＋１）文字目での分割確率を比較することで特徴文字列を抽出するものとしたが、出現情報ファイル１５１と出現確率ファイル１５２を保持する必要があるため、文字列の種類の増加に伴い、必要な磁気ディスク容量が増加してしまう。
【０２３４】
本発明を適用した類似文書検索システムの第四の実施例は、出現情報ファイル１５１と出現確率ファイル１５２を用いずに、出現回数ファイル１５３を利用することで、上記必要な磁気ディスク容量を低減する方式である。
【０２３５】
本発明を適用した第四の実施例は、第一の実施例（図１）とほぼ同様の構成をとるが、類似文書検索プログラム１３１を構成する特徴文字列抽出プログラム１４１が異なり、ｎ−ｇｒａｍ抽出プログラム３１００と前述の出現回数取得プログラム１４６で構成される。
【０２３６】
以下、本実施例における処理手順のうち、第一の実施例とは異なる特徴文字列抽出プログラム１４１ａの処理手順について、図３２を用いて説明する。
【０２３７】
特徴文字列抽出プログラム１４１ａは、まずステップ３２００において、前述の単一文字種文字列抽出プログラム１６１により、ワークエリア１７０に格納されている全ての単一文字種文字列を取得する。
【０２３８】
次に、ステップ３２０１において、上記ステップ３２００で取得した全ての単一文字種文字列に対して、次のステップ３２０２〜３２０５を繰り返し実行する。
【０２３９】
すなわち、ステップ３２０２では、ｎ−ｇｒａｍ抽出プログラム３１００を起動し、ステップ３２００で取得した単一文字種文字列から、予め定められた長さ ｎ（ ｎは １以上の整数）のｎ−ｇｒａｍを先頭から １文字ずつずらしながら、全てのｎ−ｇｒａｍを抽出する。
【０２４０】
そして、ステップ３２０３において、上記ｎ−ｇｒａｍ抽出プログラム３１００により抽出された全てのｎ−ｇｒａｍに対して、次のステップ３２０４を繰り返し実行する。すなわち、ステップ３２０４では、出現回数取得プログラム１４６を起動し、上記ｎ−ｇｒａｍ抽出プログラム３１００により抽出されたｎ−ｇｒａｍの出現回数を取得する。
【０２４１】
そして、ステップ３２０５において、上記ステップ３２０４で取得した各ｎ−ｇｒａｍの出現回数の降順にソートし、上位から予め定められた個数のｎ−ｇｒａｍを特徴文字列として抽出する。
【０２４２】
以上が、特徴文字列抽出プログラム１４１ａの処理手順である。
【０２４３】
以下、図３２に示した特徴文字列抽出プログラム１４１ａの処理手順について具体例を用いて説明する。
【０２４４】
図３３に、前述の文書１「・・・。携帯電話の使用時のマナーが問題になる。・・・」から特徴文字列を抽出する例を示す。本図に示す例ではｎ−ｇｒａｍのｎの値を２とし、各単一文字種文字列から２個の２−ｇｒａｍを特徴ｎ−ｇｒａｍとして抽出するものとする。
【０２４５】
まず、文書１から単一文字種文字列「・・・」「。」「携帯電話」「の」「使用時」「の」「マナー」「が」「問題」「になる」「。」「・・・」を抽出する。
【０２４６】
次に、これらの単一文字種文字列の先頭から１文字ずつずらしながら全ての２−ｇｒａｍを抽出し、各２−ｇｒａｍの出現回数の降順にソートする。例えば、単一文字種文字列「携帯電話」からは“携帯”、“帯電”、“電話”の３つの２−ｇｒａｍを抽出し、それぞれデータベース内の出現回数を取得する。この結果、（電話，５，２８３）、（携帯，４６２）、（帯電，２６９）が得られる。ここで（電話，５，２８２）は、２−ｇｒａｍ“電話”のデータベース内における出現回数が５，２８３回であることを表わす。
【０２４７】
次に、各単一文字種文字列において、上位２個の２−ｇｒａｍを特徴ｎ−ｇｒａｍとして抽出する。この結果、単一文字種文字列「携帯電話」では（電話，５，２８３）、（携帯，４６２）が上位２個であるため、“電話”および“携帯”が特徴文字列として抽出される。
【０２４８】
以上が、特徴文字列抽出プログラム１４１ａの具体的な処理例である。
【０２４９】
以上説明したように、本実施例によれば、出現情報ファイル１５１と出現確率ファイル１５２を用いずに、出現回数ファイル１５３を利用することにより、データベース中での実際の出現状況を正確に反映した特徴文字列を抽出することが可能となる。
【０２５０】
なお、本実施例では、単一文字種文字列の先頭から １文字ずつずらしながら予め定められた長さ ｎのｎ−ｇｒａｍを全て抽出するものとして、ｎ−ｇｒａｍ抽出プログラム３１００の処理手順を説明したが、単一文字種文字列中の任意のｎ−ｇｒａｍを抽出してもよいし、さらには、単一文字種文字列中の ｍ−ｇｒａｍ（ ｍは １以上の整数）と ｎ−ｇｒａｍを抽出してもよい。さらに、抽出するｎ−ｇｒａｍの長さ ｎを予め定められたものとしたが、単一文字種文字列の長さにより抽出する ｎの値を変更してもよいし、単一文字種文字列の文字種により変更してもよい。また、本発明のｎ−ｇｒａｍ抽出手法は、文書の特徴を表すｎ−ｇｒａｍを抽出することができるため、ｎ−ｇｒａｍを用いた文書の特徴を表すベクトルの算出やｎ−ｇｒａｍを用いた文書の分類にも適用可能である。
【０２５１】
【発明の効果】
本発明によれば、誤分割が少なくなるように特徴文字列を抽出することができるようになる。これにより、単語辞書を参照せずに類似文書検索を行なった場合でも、意味のまとまった文字列を用いて検索を行なうことができるため、中心概念のずれを低減した類似文書検索を実現できる。
【図面の簡単な説明】
【図１】本発明による類似文書検索システムの第一の実施例の全体構成を示す図である。
【図２】従来技術３における出現情報ファイルの例を示す図である。
【図３】従来技術３における出現確率ファイルの例を示す図である。
【図４】従来技術３における特徴文字列抽出方法の例を示す図である。
【図５】本発明による出現情報ファイルの例を示す図である。
【図６】本発明による出現確率ファイルの例を示す図である。
【図７】本発明の第三の実施例におけるｎ−ｇｒａｍインデクスの例を示す図である。
【図８】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２を漢字文字列に適用した場合の処理例を示す図である。
【図９】本発明による特徴文字列の抽出方法の例を示す図である。
【図１０】本発明の第一の実施例におけるシステム制御プログラム１１０の処理手順を示すＰＡＤ図である。
【図１１】本発明の第一の実施例における文書登録制御プログラム１１１の処理手順を示すＰＡＤ図である。
【図１２】本発明の第一の実施例における出現情報ファイル作成登録プログラム１２１の処理手順を示すＰＡＤ図である。
【図１３】本発明の第一の実施例における検索制御プログラム１１２の処理手順を示すＰＡＤ図である。
【図１４】本発明の第一の実施例における類似文書検索プログラム１３１の処理手順を示すＰＡＤ図である。
【図１５】本発明の第三の実施例における出現回数取得の例を示す図である。
【図１６】本発明の第一の実施例における出現確率ファイル作成登録プログラム１２４の処理手順を示すＰＡＤ図である。
【図１７】本発明の第一の実施例における特徴文字列抽出プログラム１４１の処理手順を示すＰＡＤ図である。
【図１８】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２の処理手順を示すＰＡＤ図である。
【図１９】本発明の第一の実施例における分割確率算出プログラム１４３の処理手順を示すＰＡＤ図である。
【図２０】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２をカタカナ文字列に適用した場合の処理例を示す図である。
【図２１】本発明の第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理手順を示すＰＡＤ図である。
【図２２】本発明の第一の実施例における分割確率比較特徴文字列抽出プログラム１４２の処理例を示す図である。
【図２３】本発明の第二の実施例における分割確率比較特徴文字列抽出プログラム１４２ａの処理例を示す図である。
【図２４】本発明による出現回数ファイル作成処理の手順を示す図である。
【図２５】本発明の第一の実施例における出現回数ファイル作成登録プログラム１２７の処理手順を示すＰＡＤ図である。
【図２６】本発明の第一の実施例における出現回数取得プログラム１４６の処理手順を示すＰＡＤ図である。
【図２７】本発明の第一の実施例における特徴文字列抽出プログラム１４１の処理例を示す図である。
【図２８】本発明の第一の実施例における分割確率算出の処理例を示す図である。
【図２９】本発明の第三の実施例における類似文書検索プログラム１３１の構成を示す図である。
【図３０】本発明の第三の実施例における出現回数取得プログラム１４６ａの処理手順を示す図である。
【図３１】本発明の第四の実施例における特徴文字列抽出プログラム１４１ａの構成を示す図である。
【図３２】本発明の第四の実施例における特徴文字列抽出プログラム１４１ａの処理手順を示すＰＡＤ図である。
【図３３】本発明の第四の実施例における特徴文字列抽出プログラム１４１ａの処理例を示す図である。
【符号の説明】
１００…ディスプレイ、
１０１…キーボード、
１０２…中央演算処理装置（ＣＰＵ）、
１０３…フロッピディスクドライブ（ＦＤＤ）、
１０４…フロッピディスク、
１０５…磁気ディスク装置、
１０６…主メモリ、
１０７…バス、
１１０…システム制御プログラム、
１１１…文書登録制御プログラム、
１１２…検索制御プログラム、
１２０…テキスト登録プログラム、
１２１…出現情報ファイル作成登録プログラム、
１２２…出現情報計数プログラム、
１２３…出現情報ファイル作成プログラム、
１２４…出現確率ファイル作成登録プログラム、
１２５…出現確率算出プログラム、
１２６…出現確率ファイル作成プログラム、
１２７…出現回数ファイル作成登録プログラム、
１２８…出現回数計数プログラム、
１２９…出現回数ファイル作成プログラム、
１３０…検索条件式解析プログラム、
１３１…類似文書検索プログラム、
１３２…検索結果出力プログラム、
１４０…種文書読込みプログラム、
１４１…特徴文字列抽出プログラム、
１４２…分割確率比較特徴文字列抽出プログラム、
１４３…分割確率算出プログラム、
１４４…出現確率ファイル読込みプログラム、
１４５…種文書内出現回数計数プログラム、
１４６…出現回数取得プログラム、
１４７…出現回数ファイル読込みプログラム、
１４８…類似度算出プログラム、
１５０…テキスト、
１５１…出現情報ファイル、
１５２…出現確率ファイル、
１５３…出現回数ファイル、
１６０…共有ライブラリ、
１６１…同一文字種文字列抽出プログラム、
１７０…ワークエリア
Claims (11)
- テキストを含む文書から特徴を表す文字列（特徴文字列と呼ぶ）を抽出する特徴文字列抽出方法において、
単語間の区切れ目を境界として単語の候補となる文字列を上記テキストから抽出する文字列抽出ステップと、
上記文字列抽出ステップで抽出された文字列中の長さが ｎ（ ｎは １以上の整数）の連続する文字列（ｎ−ｇｒａｍと呼ぶ）に関するテキストデータベース内での出現回数を参照し、該出現回数が最大のｎ−ｇｒａｍを特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出ステップとを有することを特徴とした特徴文字列抽出方法。 - 請求項１記載の特徴文字列抽出方法における前記文字列抽出ステップとして、所定の文字種の変わり目を境界としてテキストから単語の候補となる文字列を抽出する文字列抽出ステップを有することを特徴とした特徴文字列抽出方法。
- 請求項１記載の特徴文字列抽出方法における前記特徴ｎ−ｇｒａｍ抽出ステップとして、
前記文字列抽出ステップで単語の候補として抽出された文字列からｍ−ｇｒａｍ（ ｍは １以上の整数）とｎ−ｇｒａｍ（ ｎは １以上の整数）を抽出し、
該ｍ−ｇｒａｍと該ｎ−ｇｒａｍに関するテキストデータベース内での出現回数を参照し、両者のうち出現回数の多い方を特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出ステップを有することを特徴とした特徴文字列抽出方法。 - 請求項１記載の特徴文字列抽出方法において、テキストデータベースへの文書登録時の処理として、
テキストから単語の区切れ目を抽出し、これを境界として単語の候補となる文字列を抽出する登録用文字列抽出ステップと、
上記登録用文字列抽出ステップで抽出された文字列（抽出文字列と呼ぶ）に関し、テキストデータベース中での出現回数を計数し、テキストデータベース中の全ての抽出文字列の出現回数に対する割合から出現確率を算出する出現確率算出ステップを有するとともに、
前記特徴ｎ−ｇｒａｍ抽出ステップにおいて、出現回数の代わりに該当する出現確率を参照し、前記文字列抽出ステップで抽出された文字列中のｎ−ｇｒａｍの出現確率を参照し、該出現確率が最大のｎ−ｇｒａｍを特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出ステップとを有することを特徴とした特徴文字列抽出方法。 - 文字情報をコードデータとして蓄積したテキストデータベースを対象として、ユーザが指定した文章あるいは文書（以後、まとめて文書と呼ぶ）と類似する文書を検索する類似文書検索方法において、
ユーザが指定した文書のテキスト（指定テキストと呼ぶ）から、単語間の区切れ目を抽出し、これを境界として単語の候補となる文字列を抽出する文字列抽出ステップと、
上記文字列抽出ステップで抽出された文字列の中から、長さが ｎ（ ｎは １以上の整数）の連続する文字列（ｎ−ｇｒａｍと呼ぶ）に関するテキストデータベース内での出現回数を参照し、該出現回数が最大のｎ−ｇｒａｍを特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出ステップと、
上記特徴ｎ−ｇｒａｍ抽出ステップで抽出された特徴文字列に対して、指定テキスト内の出現回数を計数する指定テキスト内出現回数計数ステップと、
上記特徴ｎ−ｇｒａｍ抽出ステップで抽出された特徴文字列に対して、テキストデータベース内の各文書における出現回数を取得するテキストデータベース内出現回数取得ステップと、
上記指定テキスト内出現回数計数ステップで計数した該特徴文字列の指定テキスト内の出現回数と、上記テキストデータベース内出現回数取得ステップで取得した該特徴文字列のテキストデータベース内の各文書における出現回数を用いて、指定テキストとテキストデータベース内の各文書の類似度を算出する類似度算出ステップと、
上記類似度算出ステップで算出されたテキストデータベース内の各文書の指定テキストに対する類似度を、検索結果として出力する検索結果出力ステップ
とを有することを特徴とした類似文書検索方法。 - 請求項５記載の類似文書検索方法において、テキストデータベースへの文書登録処理として、
テキストから単語の区切れ目を抽出し、これを境界として単語の候補となる文字列を抽出する登録用文字列抽出ステップと、
上記登録用文字列抽出ステップで抽出された文字列から、長さが１から該文字列自体の長さｍまでの全てのｎ−ｇｒａｍを抽出し、該登録文書の識別番号と該登録文書のテキストにおける出現回数を組みとして、これを該当する出現回数ファイルへ格納する出現回数ファイル作成ステップ
を有するとともに、
前記テキストデータベース内出現回数取得ステップとして、
前記特徴ｎ−ｇｒａｍ抽出ステップで抽出された特徴文字列に対し、該当する上記出現回数ファイルを参照して、該特徴文字列のテキストデータベース内の各文書における該特徴文字列の出現回数を取得するテキストデータベース内出現回数取得ステップを有する類似文書検索方法。 - 請求項６記載の類似文書検索方法における前記文字列抽出ステップとして、
所定の文字種の変わり目を境界としてテキストから単語の候補となる文字列を抽出する文字列抽出ステップ
を有することを特徴とした類似文書検索方法。 - テキストを含む文書の特徴を表す文字列（特徴文字列と呼ぶ）を抽出する特徴文字列抽出装置において、
単語間の区切れ目を境界として単語の候補となる文字列を上記テキストから抽出する文字列抽出手段と、
上記文字列抽出装置で抽出された文字列中の長さが ｎ（ ｎは １以上の整数）の連続する文字列（ｎ−ｇｒａｍと呼ぶ）に関するテキストデータベース内での出現回数を参照し、該出現回数が最大のｎ−ｇｒａｍを特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出手段とを備えたことを特徴とした特徴文字列抽出装置。 - 文字情報をコードデータとして蓄積したテキストデータベースを対象として、ユーザが指定した文章あるいは文書（以後、まとめて文書と呼ぶ）と類似する文書を検索する類似文書検索装置において、
ユーザが指定した文書のテキスト（指定テキストと呼ぶ）から、単語間の区切れ目を検出し、これを境界として単語の候補となる文字列を抽出する文字列抽出手段と、
上記文字列抽出手段で抽出された文字列の中から、長さが ｎ（ ｎは １以上の整数）の連続する文字列（ｎ−ｇｒａｍと呼ぶ）に関するテキストデータベース内での出現回数を参照し、該出現回数が最大のｎ−ｇｒａｍを特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出手段と、
上記特徴ｎ−ｇｒａｍ抽出手段で抽出された特徴文字列に対して、指定テキスト内の出現回数を計数する指定テキスト内出現回数計数手段と、
上記特徴ｎ−ｇｒａｍ抽出手段で抽出された特徴文字列に対して、テキストデータベース内の各文書における出現回数を取得するテキストデータベース内出現回数取得手段と、
上記指定テキスト内出現回数計数ステップで計数した該特徴文字列の指定テキスト内の出現回数と、上記テキストデータベース内出現回数取得手段で取得した該特徴文字列のテキストデータベース内の各文書における出現回数を用いて、指定テキストとテキストデータベース内の各文書の類似度を算出する類似度算出手段と、
上記類似度算出手段で算出したテキストデータベース内の各文書の指定テキストに対する類似度を、検索結果として出力する検索結果出力手段とを備えたことを特徴とした類似文書検索方法。 - テキストを含む文書の特徴を表す文字列（特徴文字列と呼ぶ）を抽出する特徴文字抽出プログラムを格納する記憶媒体において、
単語間の区切れ目を境界として単語の候補となる文字列を上記テキストから抽出する文字列抽出ステップと、
上記文字列抽出ステップで抽出された文字列中の長さが ｎ（ ｎは １以上の整数）の連続する文字列（ｎ−ｇｒａｍと呼ぶ）に関するテキストデータベース内での出現回数を参照し、該出現回数が最大のｎ−ｇｒａｍを特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出ステップとを有する特徴文字列抽出プログラム
を格納することを特徴とした記憶媒体。 - 文字情報をコードデータとして蓄積したテキストデータベースを対象として、ユーザが指定した文章あるいは文書（以後、まとめて文書と呼ぶ）と類似する文書を検索する類似文書検索プログラムを格納する記憶媒体において、
ユーザが指定した文書のテキスト（指定テキストと呼ぶ）から、単語間の区切れ目を検出し、これを境界として単語の候補となる文字列を抽出する文字列抽出ステップと、
上記文字列抽出ステップで抽出された文字列の中から、長さが ｎ（ ｎは １以上の整数）の連続する文字列（ｎ−ｇｒａｍと呼ぶ）に関するテキストデータベース内での出現回数を参照し、該出現回数が最大のｎ−ｇｒａｍを特徴文字列として抽出する特徴ｎ−ｇｒａｍ抽出ステップと、
上記特徴ｎ−ｇｒａｍ抽出ステップで抽出された特徴文字列に対して、指定テキスト内の出現回数を計数する指定テキスト内出現回数計数ステップと、
上記特徴ｎ−ｇｒａｍ抽出ステップで抽出された特徴文字列に対して、テキストデータベース内の各文書における出現回数を取得するテキストデータベース内出現回数取得ステップと、
上記指定テキスト内出現回数計数ステップで計数した該特徴文字列の指定テキスト内の出現回数と、上記テキストデータベース内出現回数取得ステップで取得した該特徴文字列のテキストデータベース内の各文書における出現回数を用いて、指定テキストとテキストデータベース内の各文書の類似度を算出する類似度算出ステップと、
上記類似度算出ステップで算出されたテキストデータベース内の各文書の指定テキストに対する類似度を、検索結果として出力する検索結果出力ステップ
を有する類似文書検索プログラムを格納することを特徴とした記憶媒体。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14872198A JP3622503B2 (ja) | 1998-05-29 | 1998-05-29 | 特徴文字列抽出方法および装置とこれを用いた類似文書検索方法および装置並びに特徴文字列抽出プログラムを格納した記憶媒体および類似文書検索プログラムを格納した記憶媒体 |
| CNB991070895A CN1151456C (zh) | 1998-05-29 | 1999-05-27 | 特征文字序列抽取及相似文书检索方法和装置 |
| US09/320,558 US6473754B1 (en) | 1998-05-29 | 1999-05-27 | Method and system for extracting characteristic string, method and system for searching for relevant document using the same, storage medium for storing characteristic string extraction program, and storage medium for storing relevant document searching program |
| KR1019990019596A KR100309062B1 (ko) | 1998-05-29 | 1999-05-29 | 특징문자열 추출 방법 및 장치와, 이를 이용한 유사문서 검색 방법 및 장치와, 특징문자열 추출 프로그램을 격납한 기억매체 및 유사문서 검색 프로그램을 격납한 기억매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14872198A JP3622503B2 (ja) | 1998-05-29 | 1998-05-29 | 特徴文字列抽出方法および装置とこれを用いた類似文書検索方法および装置並びに特徴文字列抽出プログラムを格納した記憶媒体および類似文書検索プログラムを格納した記憶媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11338883A JPH11338883A (ja) | 1999-12-10 |
| JP3622503B2 true JP3622503B2 (ja) | 2005-02-23 |
Family
ID=15459127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP14872198A Expired - Fee Related JP3622503B2 (ja) | 1998-05-29 | 1998-05-29 | 特徴文字列抽出方法および装置とこれを用いた類似文書検索方法および装置並びに特徴文字列抽出プログラムを格納した記憶媒体および類似文書検索プログラムを格納した記憶媒体 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US6473754B1 (ja) |
| JP (1) | JP3622503B2 (ja) |
| KR (1) | KR100309062B1 (ja) |
| CN (1) | CN1151456C (ja) |
Families Citing this family (115)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000285140A (ja) * | 1998-12-24 | 2000-10-13 | Ricoh Co Ltd | 文書処理装置、文書分類装置、文書処理方法、文書分類方法およびそれらの方法をコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体 |
| US7013300B1 (en) | 1999-08-03 | 2006-03-14 | Taylor David C | Locating, filtering, matching macro-context from indexed database for searching context where micro-context relevant to textual input by user |
| US7219073B1 (en) * | 1999-08-03 | 2007-05-15 | Brandnamestores.Com | Method for extracting information utilizing a user-context-based search engine |
| US6845369B1 (en) * | 2000-01-14 | 2005-01-18 | Relevant Software Inc. | System, apparatus and method for using and managing digital information |
| US7333983B2 (en) | 2000-02-03 | 2008-02-19 | Hitachi, Ltd. | Method of and an apparatus for retrieving and delivering documents and a recording media on which a program for retrieving and delivering documents are stored |
| EP1122651B1 (en) | 2000-02-03 | 2010-05-19 | Hitachi, Ltd. | Method and apparatus for retrieving and delivering documents, and recording media storing a program therefor |
| JP2001256253A (ja) * | 2000-03-13 | 2001-09-21 | Kddi Corp | 文書フィルタリング方法および装置 |
| US6883001B2 (en) * | 2000-05-26 | 2005-04-19 | Fujitsu Limited | Document information search apparatus and method and recording medium storing document information search program therein |
| KR20020003701A (ko) * | 2000-06-27 | 2002-01-15 | 쳉 유엔시엔 | 디지털 문서의 키워드를 자동으로 추출하는 방법 |
| JP2002157270A (ja) * | 2000-11-17 | 2002-05-31 | Mitsubishi Space Software Kk | 興味記事配信システム及び興味記事配信方法 |
| US20020091671A1 (en) * | 2000-11-23 | 2002-07-11 | Andreas Prokoph | Method and system for data retrieval in large collections of data |
| JP2002189747A (ja) * | 2000-12-19 | 2002-07-05 | Hitachi Ltd | 文書情報の検索方法 |
| JP4136316B2 (ja) * | 2001-01-24 | 2008-08-20 | 富士通株式会社 | 文字列認識装置 |
| CA2373568C (en) | 2001-04-26 | 2008-06-17 | Hitachi, Ltd. | Method of searching similar document, system for performing the same and program for processing the same |
| US7269546B2 (en) | 2001-05-09 | 2007-09-11 | International Business Machines Corporation | System and method of finding documents related to other documents and of finding related words in response to a query to refine a search |
| US6925433B2 (en) | 2001-05-09 | 2005-08-02 | International Business Machines Corporation | System and method for context-dependent probabilistic modeling of words and documents |
| EP1429258A4 (en) * | 2001-07-26 | 2007-08-29 | Ibm | DATA PROCESSING, DATA PROCESSING SYSTEM AND PROGRAM |
| IES20010724A2 (en) * | 2001-07-30 | 2003-02-05 | Univ Dublin | Data processing system and method |
| US7610189B2 (en) * | 2001-10-18 | 2009-10-27 | Nuance Communications, Inc. | Method and apparatus for efficient segmentation of compound words using probabilistic breakpoint traversal |
| JP2003150602A (ja) * | 2001-11-15 | 2003-05-23 | Hitachi Ltd | 文書情報管理方法および装置 |
| JP3918531B2 (ja) * | 2001-11-29 | 2007-05-23 | 株式会社日立製作所 | 類似文書検索方法およびシステム |
| JP4003468B2 (ja) * | 2002-02-05 | 2007-11-07 | 株式会社日立製作所 | 適合性フィードバックによる類似データ検索方法および装置 |
| CA2374298A1 (en) * | 2002-03-01 | 2003-09-01 | Ibm Canada Limited-Ibm Canada Limitee | Computation of frequent data values |
| US7010522B1 (en) * | 2002-06-17 | 2006-03-07 | At&T Corp. | Method of performing approximate substring indexing |
| EP1602039A2 (en) * | 2003-03-03 | 2005-12-07 | Koninklijke Philips Electronics N.V. | Method and arrangement for searching for strings |
| JP2004348241A (ja) * | 2003-05-20 | 2004-12-09 | Hitachi Ltd | 情報提供方法、サーバ及びプログラム |
| JP4378131B2 (ja) * | 2003-08-12 | 2009-12-02 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 情報処理装置、情報処理システムおよびデータベースの検索方法並びにプログラム |
| JP4292922B2 (ja) * | 2003-09-09 | 2009-07-08 | 株式会社日立製作所 | 文書検索システムおよび方法 |
| JP2005115628A (ja) * | 2003-10-07 | 2005-04-28 | Hewlett-Packard Development Co Lp | 定型表現を用いた文書分類装置・方法・プログラム |
| JP2005216173A (ja) * | 2004-01-30 | 2005-08-11 | Kyocera Corp | データ検索装置及び方法 |
| US20050187782A1 (en) * | 2004-02-24 | 2005-08-25 | First Data Corporation | System for maintaining account and presentation instrument data |
| US7478081B2 (en) * | 2004-11-05 | 2009-01-13 | International Business Machines Corporation | Selection of a set of optimal n-grams for indexing string data in a DBMS system under space constraints introduced by the system |
| JP4549839B2 (ja) * | 2004-12-20 | 2010-09-22 | 大日本印刷株式会社 | 検索装置および方法 |
| JP4314204B2 (ja) * | 2005-03-11 | 2009-08-12 | 株式会社東芝 | 文書管理方法、システム及びプログラム |
| JP4524640B2 (ja) * | 2005-03-31 | 2010-08-18 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
| KR100622129B1 (ko) * | 2005-04-14 | 2006-09-19 | 한국전자통신연구원 | 동적으로 변화하는 웹 페이지의 변조 점검 시스템 및 방법 |
| US8429167B2 (en) * | 2005-08-08 | 2013-04-23 | Google Inc. | User-context-based search engine |
| US8027876B2 (en) * | 2005-08-08 | 2011-09-27 | Yoogli, Inc. | Online advertising valuation apparatus and method |
| US8677377B2 (en) | 2005-09-08 | 2014-03-18 | Apple Inc. | Method and apparatus for building an intelligent automated assistant |
| US7698128B2 (en) * | 2006-01-13 | 2010-04-13 | Research In Motion Limited | Handheld electronic device and method for disambiguation of compound text input and that employs N-gram data to limit generation of low-probability compound language solutions |
| JP4251652B2 (ja) * | 2006-06-09 | 2009-04-08 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 検索装置、検索プログラムおよび検索方法 |
| US9318108B2 (en) | 2010-01-18 | 2016-04-19 | Apple Inc. | Intelligent automated assistant |
| JP2008077543A (ja) * | 2006-09-25 | 2008-04-03 | Fujitsu Ltd | レポート引用元情報取得装置、レポート引用元情報取得方法及びレポート引用元情報取得プログラム |
| JP5010885B2 (ja) * | 2006-09-29 | 2012-08-29 | 株式会社ジャストシステム | 文書検索装置、文書検索方法および文書検索プログラム |
| JP5141560B2 (ja) * | 2007-01-24 | 2013-02-13 | 富士通株式会社 | 情報検索プログラム、該プログラムを記録した記録媒体、情報検索装置、および情報検索方法 |
| US7792786B2 (en) * | 2007-02-13 | 2010-09-07 | International Business Machines Corporation | Methodologies and analytics tools for locating experts with specific sets of expertise |
| KR100877697B1 (ko) * | 2007-05-04 | 2009-01-08 | 건국대학교 산학협력단 | 글짓기 검사모듈 및 검사방법 |
| US8364485B2 (en) * | 2007-08-27 | 2013-01-29 | International Business Machines Corporation | Method for automatically identifying sentence boundaries in noisy conversational data |
| US8996376B2 (en) | 2008-04-05 | 2015-03-31 | Apple Inc. | Intelligent text-to-speech conversion |
| JP5391583B2 (ja) * | 2008-05-29 | 2014-01-15 | 富士通株式会社 | 検索装置、生成装置、プログラム、検索方法および生成方法 |
| US20110106814A1 (en) * | 2008-10-14 | 2011-05-05 | Yohei Okato | Search device, search index creating device, and search system |
| KR101255557B1 (ko) * | 2008-12-22 | 2013-04-17 | 한국전자통신연구원 | 음절 분리에 기반한 문자열 검색 시스템 및 그 방법 |
| US10241644B2 (en) | 2011-06-03 | 2019-03-26 | Apple Inc. | Actionable reminder entries |
| US10241752B2 (en) | 2011-09-30 | 2019-03-26 | Apple Inc. | Interface for a virtual digital assistant |
| US9431006B2 (en) | 2009-07-02 | 2016-08-30 | Apple Inc. | Methods and apparatuses for automatic speech recognition |
| JP5418218B2 (ja) * | 2009-12-25 | 2014-02-19 | 富士通株式会社 | 情報処理プログラム、情報検索プログラム、情報処理装置、および情報検索装置 |
| US8682667B2 (en) | 2010-02-25 | 2014-03-25 | Apple Inc. | User profiling for selecting user specific voice input processing information |
| US8345978B2 (en) * | 2010-03-30 | 2013-01-01 | Microsoft Corporation | Detecting position of word breaks in a textual line image |
| US8375021B2 (en) * | 2010-04-26 | 2013-02-12 | Microsoft Corporation | Search engine data structure |
| CN101894160B (zh) * | 2010-07-21 | 2012-02-08 | 同方知网(北京)技术有限公司 | 一种智能检索方法 |
| US9703871B1 (en) * | 2010-07-30 | 2017-07-11 | Google Inc. | Generating query refinements using query components |
| WO2012120560A1 (ja) * | 2011-03-07 | 2012-09-13 | 株式会社日立製作所 | 検索装置及び検索方法 |
| KR101414492B1 (ko) * | 2011-06-21 | 2014-07-04 | 한국전자통신연구원 | 유사문장 검색장치 및 그 검색방법 |
| US20130110499A1 (en) * | 2011-10-27 | 2013-05-02 | Casio Computer Co., Ltd. | Information processing device, information processing method and information recording medium |
| JP5834772B2 (ja) * | 2011-10-27 | 2015-12-24 | カシオ計算機株式会社 | 情報処理装置及びプログラム |
| US20130173610A1 (en) * | 2011-12-29 | 2013-07-04 | Microsoft Corporation | Extracting Search-Focused Key N-Grams and/or Phrases for Relevance Rankings in Searches |
| US9280610B2 (en) | 2012-05-14 | 2016-03-08 | Apple Inc. | Crowd sourcing information to fulfill user requests |
| US9721563B2 (en) | 2012-06-08 | 2017-08-01 | Apple Inc. | Name recognition system |
| US9547647B2 (en) | 2012-09-19 | 2017-01-17 | Apple Inc. | Voice-based media searching |
| WO2014197334A2 (en) | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for user-specified pronunciation of words for speech synthesis and recognition |
| US9886950B2 (en) * | 2013-09-08 | 2018-02-06 | Intel Corporation | Automatic generation of domain models for virtual personal assistants |
| CN103514284B (zh) * | 2013-09-29 | 2017-05-10 | 北大医疗信息技术有限公司 | 数据显示系统和数据显示方法 |
| US9996508B2 (en) * | 2013-11-25 | 2018-06-12 | Nec Solution Innovators, Ltd. | Input assistance device, input assistance method and storage medium |
| CN103810251B (zh) * | 2014-01-21 | 2017-05-10 | 南京财经大学 | 一种文本提取方法及装置 |
| US9430463B2 (en) | 2014-05-30 | 2016-08-30 | Apple Inc. | Exemplar-based natural language processing |
| US9785630B2 (en) * | 2014-05-30 | 2017-10-10 | Apple Inc. | Text prediction using combined word N-gram and unigram language models |
| US9338493B2 (en) | 2014-06-30 | 2016-05-10 | Apple Inc. | Intelligent automated assistant for TV user interactions |
| US9668121B2 (en) | 2014-09-30 | 2017-05-30 | Apple Inc. | Social reminders |
| US9535883B2 (en) | 2014-10-24 | 2017-01-03 | Dropbox, Inc. | Modifying native document comments in a preview |
| JP6507657B2 (ja) * | 2015-01-15 | 2019-05-08 | 富士通株式会社 | 類似性判定装置、類似性判定方法および類似性判定プログラム |
| US10567477B2 (en) | 2015-03-08 | 2020-02-18 | Apple Inc. | Virtual assistant continuity |
| US9578173B2 (en) | 2015-06-05 | 2017-02-21 | Apple Inc. | Virtual assistant aided communication with 3rd party service in a communication session |
| US10671428B2 (en) | 2015-09-08 | 2020-06-02 | Apple Inc. | Distributed personal assistant |
| US10747498B2 (en) | 2015-09-08 | 2020-08-18 | Apple Inc. | Zero latency digital assistant |
| US10366158B2 (en) | 2015-09-29 | 2019-07-30 | Apple Inc. | Efficient word encoding for recurrent neural network language models |
| US11010550B2 (en) | 2015-09-29 | 2021-05-18 | Apple Inc. | Unified language modeling framework for word prediction, auto-completion and auto-correction |
| US11587559B2 (en) | 2015-09-30 | 2023-02-21 | Apple Inc. | Intelligent device identification |
| US10691473B2 (en) | 2015-11-06 | 2020-06-23 | Apple Inc. | Intelligent automated assistant in a messaging environment |
| US10049668B2 (en) | 2015-12-02 | 2018-08-14 | Apple Inc. | Applying neural network language models to weighted finite state transducers for automatic speech recognition |
| US10223066B2 (en) | 2015-12-23 | 2019-03-05 | Apple Inc. | Proactive assistance based on dialog communication between devices |
| US10446143B2 (en) | 2016-03-14 | 2019-10-15 | Apple Inc. | Identification of voice inputs providing credentials |
| US9934775B2 (en) | 2016-05-26 | 2018-04-03 | Apple Inc. | Unit-selection text-to-speech synthesis based on predicted concatenation parameters |
| US9972304B2 (en) | 2016-06-03 | 2018-05-15 | Apple Inc. | Privacy preserving distributed evaluation framework for embedded personalized systems |
| US10249300B2 (en) | 2016-06-06 | 2019-04-02 | Apple Inc. | Intelligent list reading |
| US10049663B2 (en) | 2016-06-08 | 2018-08-14 | Apple, Inc. | Intelligent automated assistant for media exploration |
| DK179588B1 (en) | 2016-06-09 | 2019-02-22 | Apple Inc. | INTELLIGENT AUTOMATED ASSISTANT IN A HOME ENVIRONMENT |
| US10509862B2 (en) | 2016-06-10 | 2019-12-17 | Apple Inc. | Dynamic phrase expansion of language input |
| US10490187B2 (en) | 2016-06-10 | 2019-11-26 | Apple Inc. | Digital assistant providing automated status report |
| US10192552B2 (en) | 2016-06-10 | 2019-01-29 | Apple Inc. | Digital assistant providing whispered speech |
| US10586535B2 (en) | 2016-06-10 | 2020-03-10 | Apple Inc. | Intelligent digital assistant in a multi-tasking environment |
| US10067938B2 (en) | 2016-06-10 | 2018-09-04 | Apple Inc. | Multilingual word prediction |
| DK179415B1 (en) | 2016-06-11 | 2018-06-14 | Apple Inc | Intelligent device arbitration and control |
| DK201670540A1 (en) | 2016-06-11 | 2018-01-08 | Apple Inc | Application integration with a digital assistant |
| DK179343B1 (en) | 2016-06-11 | 2018-05-14 | Apple Inc | Intelligent task discovery |
| DK179049B1 (en) | 2016-06-11 | 2017-09-18 | Apple Inc | Data driven natural language event detection and classification |
| US10043516B2 (en) | 2016-09-23 | 2018-08-07 | Apple Inc. | Intelligent automated assistant |
| US10593346B2 (en) | 2016-12-22 | 2020-03-17 | Apple Inc. | Rank-reduced token representation for automatic speech recognition |
| DK201770439A1 (en) | 2017-05-11 | 2018-12-13 | Apple Inc. | Offline personal assistant |
| DK179496B1 (en) | 2017-05-12 | 2019-01-15 | Apple Inc. | USER-SPECIFIC Acoustic Models |
| DK179745B1 (en) | 2017-05-12 | 2019-05-01 | Apple Inc. | SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT |
| DK201770432A1 (en) | 2017-05-15 | 2018-12-21 | Apple Inc. | Hierarchical belief states for digital assistants |
| DK201770431A1 (en) | 2017-05-15 | 2018-12-20 | Apple Inc. | Optimizing dialogue policy decisions for digital assistants using implicit feedback |
| DK179549B1 (en) | 2017-05-16 | 2019-02-12 | Apple Inc. | FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES |
| CN111353301B (zh) * | 2020-02-24 | 2023-07-21 | 成都网安科技发展有限公司 | 辅助定密方法及装置 |
| CN116737871B (zh) * | 2022-09-20 | 2024-05-07 | 荣耀终端有限公司 | 一种字符串的识别方法及系统 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6435627A (en) * | 1987-07-31 | 1989-02-06 | Fujitsu Ltd | Data retrieving system |
| GB9220404D0 (en) | 1992-08-20 | 1992-11-11 | Nat Security Agency | Method of identifying,retrieving and sorting documents |
| JP3220885B2 (ja) | 1993-06-18 | 2001-10-22 | 株式会社日立製作所 | キーワード付与システム |
| JP2758826B2 (ja) * | 1994-03-02 | 1998-05-28 | 株式会社リコー | 文書検索装置 |
| JPH07319882A (ja) | 1994-05-20 | 1995-12-08 | Nec Corp | キーワードの判定方法 |
| US5745745A (en) * | 1994-06-29 | 1998-04-28 | Hitachi, Ltd. | Text search method and apparatus for structured documents |
| JP3464055B2 (ja) | 1994-09-29 | 2003-11-05 | 株式会社リコー | キーワード抽出装置 |
| JP3669016B2 (ja) | 1994-09-30 | 2005-07-06 | 株式会社日立製作所 | 文書情報分類装置 |
| JPH08202737A (ja) | 1995-01-26 | 1996-08-09 | N T T Data Tsushin Kk | キーワード自動抽出装置およびキーワード自動抽出方法 |
| JP3416918B2 (ja) * | 1995-05-25 | 2003-06-16 | 日本電信電話株式会社 | キーワード自動抽出方法および装置 |
| JP3514874B2 (ja) | 1995-06-06 | 2004-03-31 | 富士通株式会社 | フリーテキスト検索システム |
| JPH08335222A (ja) * | 1995-06-08 | 1996-12-17 | Fuji Electric Co Ltd | 類似文章及び文書検索機能付コンピュータ装置 |
| JP3040945B2 (ja) * | 1995-11-29 | 2000-05-15 | 松下電器産業株式会社 | 文書検索装置 |
| JP3113814B2 (ja) * | 1996-04-17 | 2000-12-04 | インターナショナル・ビジネス・マシーンズ・コーポレ−ション | 情報検索方法及び情報検索装置 |
| JP3573572B2 (ja) | 1996-05-23 | 2004-10-06 | 株式会社リコー | キーワード抽出装置及びキーワード表示装置 |
| JPH11143902A (ja) * | 1997-11-11 | 1999-05-28 | Hitachi Ltd | ｎ−ｇｒａｍを用いた類似文書検索方法 |
| JP3531468B2 (ja) * | 1998-03-30 | 2004-05-31 | 株式会社日立製作所 | 文書処理装置及び方法 |
-
1998
- 1998-05-29 JP JP14872198A patent/JP3622503B2/ja not_active Expired - Fee Related
-
1999
- 1999-05-27 CN CNB991070895A patent/CN1151456C/zh not_active Expired - Fee Related
- 1999-05-27 US US09/320,558 patent/US6473754B1/en not_active Expired - Lifetime
- 1999-05-29 KR KR1019990019596A patent/KR100309062B1/ko not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| CN1151456C (zh) | 2004-05-26 |
| US6473754B1 (en) | 2002-10-29 |
| KR100309062B1 (ko) | 2001-09-26 |
| KR19990088678A (ko) | 1999-12-27 |
| CN1237738A (zh) | 1999-12-08 |
| JPH11338883A (ja) | 1999-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3622503B2 (ja) | 特徴文字列抽出方法および装置とこれを用いた類似文書検索方法および装置並びに特徴文字列抽出プログラムを格納した記憶媒体および類似文書検索プログラムを格納した記憶媒体 | |
| US6173251B1 (en) | Keyword extraction apparatus, keyword extraction method, and computer readable recording medium storing keyword extraction program | |
| JP4726528B2 (ja) | マルチセンスクエリについての関連語提案 | |
| US6415250B1 (en) | System and method for identifying language using morphologically-based techniques | |
| US9075793B2 (en) | System and method of providing autocomplete recommended word which interoperate with plurality of languages | |
| US8447588B2 (en) | Region-matching transducers for natural language processing | |
| US8266169B2 (en) | Complex queries for corpus indexing and search | |
| US6922809B2 (en) | Method and apparatus providing capitalization recovery for text | |
| US7747943B2 (en) | Robust anchoring of annotations to content | |
| US8510097B2 (en) | Region-matching transducers for text-characterization | |
| US20090070097A1 (en) | User input classification | |
| KR20060045786A (ko) | 키워드와 웹 사이트 콘텐츠 사이의 관련성 검증 | |
| US7475005B2 (en) | Translation system, dictionary updating server, translation method, and program and recording medium for use therein | |
| JP2007122403A (ja) | 文書タイトルおよび関連情報の自動抽出装置、抽出方法および抽出プログラム | |
| JP2002541580A (ja) | 文書をパージングするシステム及び方法 | |
| JP2022069790A (ja) | 情報処理装置、情報処理方法、プログラム | |
| JP3220865B2 (ja) | フルテキストサーチ方法 | |
| US20040193584A1 (en) | Method and device for relevant document search | |
| US20040153312A1 (en) | Speech recognition dictionary creation method and speech recognition dictionary creating device | |
| KR20030039575A (ko) | 문서 요약 방법 및 시스템 | |
| JP3303881B2 (ja) | 文書検索方法および装置 | |
| JP3784060B2 (ja) | データベース検索システム、その検索方法及びプログラム | |
| KR100617317B1 (ko) | 복합 명사 전문용어 사전 엔트리의 재분석 방법 및 그 장치 | |
| JPH11143902A (ja) | ｎ−ｇｒａｍを用いた類似文書検索方法 | |
| JP3081093B2 (ja) | 索引作成方法およびその装置と文書検索装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041102 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041115 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071203 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081203 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091203 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101203 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101203 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111203 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111203 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121203 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131203 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |